Social Big Data kan forudsige fodboldfans’ adfærd
”Jeg ville tage min datter med ❤❤hun er bidt af en gal fodbold”, ”Forhåbentlig undervurderer vi ikke irerne”, ”Det vil glæde mig hvis Fischer/Mainz05 kommer på banen”.
Kommentarerne er fra herrefodboldlandsholdets Facebookside, hvor samtalen er i gang forud for Danmarks landskamp mod Irland lørdag den 11. november. Aktiviteten lover godt for opbakningen til landskampen, vil nyt forskningsprojekt kunne bevise.
Facebook er et fællesskab, hvor fodboldfans kan udtrykke følelser og blive begejstret sammen, og det gør mediet yderst interessant for Social Big Data-analytikere, som direktør ved Centre for Business Data Analytics og professor ved Copenhagen Business School (CBS) Ravi Vatrapu.
Sammen med sit team af forskere og studerende fra CBS har han udviklet en model, der kan forudsige fodboldfans’ adfærd. Ved at følge aktiviteten på herrelandsholdets Facebookside fra 2014-2016 påviser forskerholdet, at der er en sammenhæng mellem antallet af opslag, kommentarer, likes forud for en kamp og antallet af tilskuere til selve fodboldkampene.
”Big Social Data fra Facebook kan næsten præcist forudsige antallet af tilskuere til en fodboldkamp. Vores forskning viser, at jo flere fodboldfans, der er aktive på fansiden, jo flere tænder for fjernsynet eller kommer i Parken”, siger Ravi Vatrapu og fortsætter:
Det er meget værdifuldt for virksomheder i deres forståelse af kunderne og måderne, hvorpå de kan tilpasse deres markedsføringsstrategi.
Aktivitet på Facebook sælger billetter
Forskningen bygger videre på forudsigelsesmodeller, der gør brug af big social data. Men studiet fokuserer på et nyt felt, nemlig sport. Der er ikke mange, der har brugt Facebook til det endnu. Det har været mere ligetil at bruge Google Trends eller Twitter til disse studier, fx til at forudsige filmindtægter eller iPhonesalget på baggrund af tweets”, siger Ravi Vatrapu.
Der er relevant input at hente for Parken og Dansk Bold Union (DBU), der står bag Facebooksiden, som forskerne har undersøgt. Ravi Vatrapu kan kun anbefale, at DBU orkestrerer mere aktivitet på Facebooksiden, fordi det vil sikre et større billetsalg og seertal. Som en bonusinfo til DBU har forskernes undersøgelse også vist, at de initiativer, der aktiverer brugerne bedst, er billeder og ikke videoer.
”Billeder skaber mere engagement end videoer, så DBU vil få mere smæk for skillingen, hvis de bruger deres penge på fotos. Deres følgere tager sig ikke tid til at se videoerne”, siger Ravi Vatrapu.
Hvorfor følgerne ikke bruger tid på videoerne, kan undersøgelsen dog ikke svare på. Herudover er forskningen også relevant for andre led i Parkens forretning.
”Det er af stor værdi for Parken, når big social data kan forudsige antallet af tilskuere. Parken kan fortælle annoncører forud for kampen mere præcist, hvor mange tilskuere, de vil nå op på. De kan også informere politiet eller fortælle restauranten, hvor meget øl, der skal være i hanerne.”
Andre brancher kan bruge forudsigelsesmodel
Fremtidsperspektivet for denne type forskning er ikke uinteressant. Ravi Vatrapu fremhæver, at der er uanede muligheder i at tilpasse deres forudsigelsesmodel til andre kontekster.
”Man kunne analysere folks helbred via sociale medier, fx kan vi analysere udviklingen af fedme og diabetes i forhold til aktiviteten på McDonalds’ eller Coca-Colas Facebooksider”, siger Ravi Vatrapu.
Læs forskningsudgivelsen ”Big social data analytics on football: Predicting spectactors and TV ratings from Facebook data”
Forskningen blev offentliggjort til konferencen IEEE Big Data Congress 2017 i Honolulu i sommer, hvor der ligger en peer-review proces forud for deltagelse.
For flere informationer, kontakt:
Professor ved CBS Ravi Vatrapu
Journalist ved CBS Matilde Hørmand-Pallesen
Fakta om forskningen
- Forskerteamet bestod af tre studerende: Nicolai H. Egebjerg, Niklas Hedegaard og Gerda Kuum og to forskere fra Centre for Business Data Analytics, CBS: lektor Raghava Rao Mukkamala og professor Ravi Vatrapu.
- Analysen er baseret på registreringer fra herrelandsholdets Facebookside fra 30. okt. 2014 til 10 nov. 2016, som dækker de 11 landskampe, der blev spillet på hjemmebane.
- Forskerne registrerede antallet af posts, kommentarer og likes for hver kamp. Det blev sammenholdt med data om afholdelsesdatoen for en kamp, antallet af tilskuere pr. kamp og seertal.
- Studiet viser, at traditionelle sportsanalytiske målinger af variabler som ’Game Outcome Uncertainity’ og ’Quality of Players’ ikke er nødvendige, når man bruger big social data.
- Modellen, der påviser forudsigelserne bygger på GLM-kodning.