導 語

人工智能（AI）和大數據正在推動各行各業的進步，體育管理和營銷也不例外。隨著這些技術的快速發展，體育行業發生了顯著的變化。然而，很多體育公司還沒有充分利用人工智能的潛力。同時，在現有的體育營銷研究中，如何在動態的體育媒體環境中有效優化營銷策略仍然不清楚。本研究的目的是評估人工智能模型在預測比賽特征對消費者反應的影響時，是否因是否包含消費者生物識別數據而有不同的效果。學術理論表明，個體的生物特征會顯著影響消費者反應，但對于企業來說，獲取這些數據既困難又昂貴。因此，本研究嘗試通過僅基于比賽特征進行預測，來評估在缺乏消費者數據的情況下，預測的準確性會下降多少。我們訓練了不同的機器學習模型，重新分析了大量的眼動追蹤和比賽相關數據，結果顯示模型具有超過90%的預測準確性預測消費者反應。本研究展示了人工智能在體育營銷中的應用，即使沒有消費者的生物識別數據，企業也可以通過實時評估來實施更有效的營銷信息和贊助策略。

作者:Elisa Herold, Aaditya Singh, Boris Feodoroff and Christoph Breuer

編譯：姜本橋

SPORT MANAGEMENT REVIEW

https://doi.org/10.1080/14413523.2024.2372122

研究簡介

隨著技術的快速發展，特別是大數據和人工智能（AI）的應用，全球營銷和管理領域，包括體育行業，發生了顯著變化。盡管人工智能有助于推動營銷創新和提高管理效率，但體育行業在采用這些技術方面進展緩慢，尚未充分利用其潛力。

“動態營銷”指的是利用實時數據來優化和個性化營銷信息，例如內容調整或動態定價。在體育賽事中，一種典型的動態營銷形式是場地周圍LED廣告板上的贊助信息。這類贊助信息通常成本高昂，贊助商期望獲得高額的投資回報（ROI）。視覺注意力是衡量消費者是否注意到營銷信息的一種方式。理解這一點對于實現品牌知名度和品牌形象提升等贊助目標至關重要。之前的研究表明，觀眾主要關注比賽本身，而較少注意到贊助信息。然而，關于比賽相關因素如何影響消費者視覺注意力的研究較少。隨著LED廣告板等新技術的引入，這種影響變得更加可行。

在相關研究中，Herold 和 Breuer首次提出了一種理論模型，解釋比賽相關因素如何影響消費者對動態廣告的視覺注意力。該模型認為，消費者的認知資源有限，他們需要在賽事內容和廣告信息之間分配注意力。研究表明，個體的生物識別特征可能對預測消費者反應非常關鍵。然而，這些數據通常難以獲得，因此本研究將作為Herold 和 Breuer研究的后續，重新分析其數據集，并測試消費者生物識別特征的加入對人工智能模型預測能力的影響。

本研究旨在回答以下問題：在預測比賽特征對消費者反應的影響時，是否存在不同的人工智能模型預測準確性差異，尤其在有無消費者生物識別數據的情況下？本研究希望通過試驗基于比賽特征的實時人工智能預測，來提升營銷信息優化的可行性。基于這些發現，體育營銷人員可以利用現有數據來實施更加優化的營銷策略，從而在比賽期間實時調整廣告內容，提高廣告效果，并在賽后評估投資回報率（ROI）。

研究設計

我們使用了德國足球甲級聯賽的直播作為實驗材料，共有42名足球迷參與了這項實驗。由于所有德甲體育場都配有場地周圍的LED廣告板和球門后的廣告，這些直播為研究贊助商信息的可見性提供了理想的條件。

我們測量了三類消費者的生物識別數據。首先，通過眼動追蹤技術實時記錄參與者的眼睛運動，來了解他們是否注意到了贊助商信息。實驗中使用了兩臺43英寸的電視，眼動追蹤系統收集了參與者的注視數據。每當參與者的目光停留在廣告信息上超過100毫秒時，定義為“注視命中”。這個數據用來衡量消費者是否看到了贊助商信息，并作為人工智能模型的核心結果變量。

除了視覺注意力，我們還收集了參與者的情緒數據。通過測量心率和面部肌肉活動（用肌電圖記錄），我們評估了他們在觀看比賽時的情緒反應。心率反映了情緒的強度，較高的心率表示情緒激動，較低的心率表示情緒較平靜。面部肌電圖顯示，皺眉肌的活動增加表示負面情緒，而顴大肌的活動增加則表示積極情緒。這些情緒數據被用作人工智能模型中的輸入變量。

此外，我們還對比賽過程進行了分析，分為三類特征：比賽事件、比賽強度和比賽重播。比賽事件特征包括球員位置、控球權等數據，而比賽的投注賠率則反映了比賽中的不確定性和緊張程度。比賽強度則通過進球數差、球場區域、球速等因素衡量。重播特征則與比賽直播中的贊助信息有關，因為重播常常展示廣告，并有機會吸引觀眾的注意力。這些比賽數據也被納入到人工智能模型中，作為預測消費者注視行為的特征。

模型訓練與結果

根據不同數據的采集頻率，我們對數據進行了同步和整合，最終將其匯總為90分鐘的比賽數據。在數據清理后，得到了69,649個有效的數據點。我們在RStudio中使用四種監督學習模型進行了訓練和測試，分別是Gradient Boost、XGBoost、SVM和Random Forest。整個訓練和測試過程分為兩個階段。首先，我們對這四個模型進行預訓練和測試，然后選擇表現最好的模型進入第二階段。在第二階段，我們去掉了心率和消費者情緒這兩個生物識別特征，以評估模型在缺乏這些數據時的表現，并保證其在體育行業中的實際應用。

在第一階段中，Random Forest模型表現最好，F1得分為0.27，準確率達到了96.37%。該模型能夠很好地預測觀眾是否會注視到贊助信息。最重要的影響因素是比賽中屏幕上出現的物體，其次是比賽強度的相關特征。生物識別特征（心率和消費者情緒）排在第三和第四位。其他顯著影響預測的因素還包括比賽強度（如進球差距、比賽時間）以及比賽事件特征（如控球權、邊線球或犯規）。

由于Random Forest在初始階段表現最好，第二階段我們再次使用這個模型進行訓練，但這次不包含生物識別特征。結果表明，模型依然有不錯的表現，F1得分為0.20，準確率為94.53%。不過，由于去除了心率和情緒數據，模型的預測準確率有所下降，誤差率從3.63%增加到5.47%。

在沒有生物識別數據的模型中，最重要的特征依然是屏幕上出現的物體，其次是比賽強度的相關特征，比如進球數差和比賽時間。相比初始模型，生物識別特征被比賽強度特征取代。此外，一些新的特征，比如控球轉換和犯規重播，也對預測產生了更大影響。

相關討論

本研究提出了一種新的應用方法，用于優化體育直播中的贊助商信息。通過比較人工智能模型在有無生物識別數據時的預測能力，研究為實時預測消費者對動態廣告的反應提供了新的見解。初始模型使用了眼動追蹤和消費者的心率及情緒數據，而適應模型則不包含這些生物識別數據，更適合實際體育行業應用。

根據研究結果，我們提出了以下管理建議。在提高消費者對贊助商信息關注度的場景中，贊助套餐可以根據可見度分級。例如，“白金”套餐可保證贊助商信息在高可見度時段展示。假設贊助商A購買了“白金”套餐，他們可以在比賽中的關鍵時刻，比如當球進入主隊禁區時，顯示他們的廣告。如果發現球在該區域停留超過30秒，LED廣告板可以立即調整，展示贊助商信息。此外，研究發現，"屏幕上物體的數量"對消費者注意力影響最大，因此可以在物體較少的時段（如界外球或傷病暫停）展示重要贊助信息。

另一個應用場景是幫助贊助商在比賽期間或賽后獲得個性化的可見度報告。俱樂部可以利用這些數據在賽季前的贊助談判中，確保贊助商獲得理想的曝光度。如果某場比賽的可見度低于預期，球隊可以通過額外的廣告空間或其他活動進行補償，確保贊助商的權益得到保障。

研究結論

本研究的目的是評估在預測比賽特征對消費者反應時，人工智能模型在有無生物識別數據情況下的預測能力差異。結果顯示，即使沒有消費者情緒等生物識別數據，人工智能仍能在體育直播中實現較為可靠的實時贊助效果評估，但精確度有所下降。此外，基于比賽進程實時調整廣告內容的策略是可行的，這進一步證明了在體育營銷和管理中采用新技術和方法的重要性。體育行業中的不同公司在每場比賽中都會自動跟蹤本研究中使用的比賽相關信息，這表明未來可以更有針對性且簡化地利用這些數據進行贊助評估。

文獻評述——重新審視奧運遺產中的居民運動參與率的變化： 基于舉辦國的體育政策的視角

作者：姜本橋印第安納大學 博士