隻花了一個幻燈片。
鮑比·蓋洛,2021年俱樂部業務發展高級副總裁在美國國家橄欖球聯盟(NFL),提交給NFL球隊老板一個幻燈片有5個團隊標識:辛辛那提猛虎隊,底特律獅子,傑克遜維爾美洲虎,紐約噴氣機和華盛頓指揮官。這是一個團隊列表至少有15000未售出的票平均為即將到來的賽季。蓋洛懇求所有國家橄欖球聯盟團隊認為他們可以做些什麼來改善門票銷售和粉絲參與,這一問題不僅困擾著NFL,但許多專業運動隊在全國各地。
2007年,美國職業棒球大聯盟(MLB)平均超過32500球迷在出席每一場比賽。從那時起,出勤率下降了11%到29000年的2019人另有34%到19000年的2021人,在此期間,場館沒有操作整個賽季的最大容量由於COVID-19- - - - - - 37年的最低水平。
團隊績效原因波動出席和參與。進入2021年NFL賽季第八周,不勝底特律獅子剛剛47000球迷在福特球場比賽,這是第一次出席跌破50000年10年。由於這些趨勢已經對收入產生重大影響,重要的是現在比以往任何時候都更團隊改善體育場裏的體驗和反向。競爭優勢的數據的使用是長篇記載了在體育運動中,但通常未開發的數據和人工智能的應用將“粉絲體驗”來提高收入和客戶生命周期。
這裏有一個內部看看專業運動隊使用磚之類的技術來改善體育場裏的體驗,增加粉絲參與,增加粉絲的生命周期價值。
所麵臨的挑戰
以前沒有很喜歡球場看一場比賽,球場或舞台。然而,經驗並不總是讓最愉快的郊遊——無論是因為門票價格上漲的門票,食物和啤酒;惡劣的天氣或痛苦的等待時間廁所。這是真的如果你看地區。例如,基於團隊的粉絲在中西部地區,冬天玩可能不得不忍受不舒服的座位在寒冷的溫度——絕對不是一個理想的經驗。不用說,運動隊麵臨眾多挑戰,總是在尋找方法來提高出勤率和粉絲參與。
在磚,我們有機會與很多運動隊(檢查工作這個博客在大聯盟球隊如何使用磚實時決策)和聯盟和了解他們認為影響粉絲參與的主要驅動因素和遊戲。通常,團隊麵臨三個障礙,最大的影響下降球迷參與:
- 家庭經曆:球迷在家裏可以享受更好的視圖操作更舒適和更少的費用。廣播技術的改進,就像鷹眼攝像機,提供令人難以置信的詳細的即時回放和評論,有助於更好的理解遊戲。考慮廣播公司如何利用統計軟件提供洞察比賽,球迷在體育場項目不能得到像NFL的新生代統計或NBA Courtoptix。
- 改變風扇人口:年輕一代的興趣僅僅是在看現場直播的體育有優先選擇的娛樂,如玩遊戲、瀏覽或使用的社會媒體流媒體服務。這些球迷不會以同樣的方式與他們喜愛的球隊,他們的父母,和靜態遊戲體驗通常不會容納它們。
- 晴天的粉絲:團隊擁有強大的性能和更勝本質上有更多的球迷在他們的遊戲。季節的一個團隊決定重建並不令人興奮的參加。失去團隊平均低50%在社交媒體平台上接觸率比贏得團隊。Beplay体育安卓版本下麵的圖從競爭對手的智商展示了這種相關性。
來源:“哪個NFL球隊最不少球迷?”競爭對手的智商
這些障礙影響最大的收入來源之一,職業體育隊,從門票銷售收入在體育場,供應商和商品。運動隊使用磚已經開發出的解決方案來解決這些其他挑戰。通過創新在球場的經驗,這些團隊正在推動未來粉絲參與的遊戲。
團隊訪問各種數據源可以用來增加球場收入。社會媒體、CRM、銷售點和購買曆史是最常見的。使用這些數據集的組合和機器學習模型,團隊可以更好地了解他們的球迷,為他們創造一個個性化的體驗。讓我們穿過團隊如何使用磚利用這些數據通過優惠球迷在比賽中。
獲得數據
相互作用的點有很多球迷為球隊創造有價值的數據。這一切開始當一個球迷買一張票。團隊獲得的基本信息在CRM或票務提供者,如購買價格和座位的位置,和電子郵件地址,電話號碼。從供應商購買在體育場創建一個為每個客戶購買曆史,和大多數場館隻有搬到移動入口和移動采購,地理定位信息也是一個典型的數據點團隊也能夠訪問。這裏有一個例子(虛構的)的數據是可用的:
所有這些不同的數據集的一個挑戰是如何聚集在一個地方用於分析。幸運的是,磚有許多方法攝取不同類型的數據。攝取大量的數據文件的最簡單方法是使用一個叫做磚特性自動裝卸機掃描數據文件的位置保存在雲存儲,數據和將數據加載到數據磚,團隊可以變換分析。自動裝卸機是易於使用和非常可靠的縮放時攝取大批量數據批處理和實時場景。換句話說,自動裝卸機一樣適合小型和大型數據大小以批處理和實時的用例。下麵的Python代碼顯示了如何使用自動裝卸機攝取來自雲存儲的數據。
defingest_bronze(raw_files_path、raw_files_format bronze_table_name):火花。readStream \。格式(“cloudFiles”)\.option (“cloudFiles.format”raw_files_format) \.option (“cloudFiles.schemaLocation”,f”{cloud_storage_path}/ schemas_reco /{bronze_table_name}”)\.option (“cloudFiles.inferColumnTypes”,“真正的”)\.load raw_files_path \.writeStream \.option (“checkpointLocation”,f”{cloud_storage_path}/ chekpoints_reco /{bronze_table_name}”)\.trigger(一旦=真正的).table (bronze_table_name) .awaitTermination ()ingest_bronze (“/ mnt / field-demos /媒體/體育館/供應商/”,“csv”,“stadium_vendors”)
我們經常看到一些數據集的情況下需要加入事務的全貌。銷售點(POS)的數據,例如,可能隻包含一個條目數量,價格和時間購買物品時,不包括一個描述的項目或購買。
使用多語言支持的磚,我們可以在不同的編程語言之間進行切換SQL和Python攝取並加入數據集在一起。在下麵的示例SQL加入銷售交易在銷售點係統(團隊通常在雲存儲接收數據文件)到客戶信息數據集(通常是在一個SQL數據庫)。這個加入數據集允許團隊看到所有的每個客戶購買。這個數據加載和加入,我們將其保存到一個永久表進一步處理它。下麵的SQL示例顯示如何做到這一點:
%sql創建表如果不存在silver_sales作為(選擇*除了(t。_rescued_data, p。_rescued_data s._rescued_data)從ticket_sales t加入point_of_sale p在t.customer_id=p.customer加入stadium_vendors年代在p.item_purchased=s.item_id和t.game_id=p.game);
這個表保存為永久三角洲湖表。三角洲湖是一個開放的格式存儲層帶來的可靠性、安全性和性能數據流和批處理和湖是一個具有成本效益的基礎,高度可伸縮的數據平台。Beplay体育安卓版本數據團隊使用增量版本數據和執行具體需要運行分析,組織在一個友好的、結構化的格式。
與上述技術數據團隊現在可以使用這個豐富的數據集來創建一個個性化的經驗為他們的球迷和驅動更好的接觸。
推薦模型
模型預測客戶最有可能感興趣的或購買使用在每一個網站beplay体育app下载地址的和有針對性的廣告平台。Beplay体育安卓版本最大的一個例子是Netflix的用戶界麵幾乎完全由客戶建議節目或電影的推薦模型。beplay体育app下载地址這些預測模型觀察客戶的瀏覽行為和人口信息來創建一個個性化的體驗的目標客戶將購買或者看別的東西。beplay体育app下载地址
與球場可以采取同樣的方法分析用例利用采購曆史和人口統計數據來預測哪些物品最有可能買粉絲。然而,而不是創建通用模型,我們可以擴展的數量模型來創建使用Apache火花,和分發培訓跨集群為每個風扇和創建一個獨特的推薦模型構建這些最優性能。
對於我們的用例,我們可以使用銷售點數據來確定球迷體育場之前購買,並結合人口數據,創建一個列表為每個粉絲推薦商品的購買。下麵的代碼使用一個叫做ALS預測算法,用於購買哪些產品最有可能買粉絲。它還利用MLflow一個開源的機器學習框架,保存的結果模型可見性的表現。
與mlflow.start_run ()作為運行:# MLFlow自動記錄我們所有的參數mlflow.pyspark.ml.autolog ()df = spark.sql (“選擇customer_id、item_id計數(item_id)從silver_sales group by customer_id item_purchases, item_id”)#使用ALS構建推薦模型的訓練數據#注意我們冷啟動策略“下降”,以確保我們沒有得到NaN評價指標#評級矩陣來源於另一個的信息來源(即推斷從其他信號),將implicitPrefs設置為true,從而獲得更好的結果:als(肌萎縮性側索硬化症(排名=3userCol =“customer_id”itemCol =“item_id”ratingCol =“item_purchases”implicitPrefs =真正的種子=0coldStartStrategy =“南”)
num_cores = sc.defaultParallelismals.setNumBlocks (num_cores)
模型= als.fit (df)mlflow.spark.log_model(模型,“星火示範”registered_model_name =“Stadium_Recommendation”)#讓我們回到運行ID作為我們在運行需要添加其他數據從另一個細胞run_id = run.info.run_id
推薦項的模型返回一個列表的每個風扇過濾使用部分/座位號在粉絲票建議推薦項的最接近他們坐的地方。
這裏有一個例子的可用數據使用推薦係統模型:
最後,使用客戶的CRM係統的電話號碼,我們可以發送推送通知的風扇提供促銷折扣top-recommended項目。
加速與磚用例開發資產
盡管這個用例的範圍是粉絲參與參加體育賽事直播,這個框架可以很容易地應用到其他場景涉及到大量的客戶數據和移動設備。賭場、遊輪和零售商店都可以推動更高的與客戶接觸和使用個性化推薦模型增加他們的生命周期價值。beplay体育app下载地址詢問我們的體育場加速器筆記本分析解決方案,它提供了數據團隊提供所有他們需要的資源快速創建用例中描述的這個博客。