欧宝体育官网为什么认为体育电商AI不能只做猜你喜欢？

猜中了喜好，为什么交易还是失败

“猜你喜欢”的核心问题是：这个用户对哪件商品最可能感兴趣？协同过滤、向量相似度、点击率预估，都是围绕这个问题优化的。在一般电商里，这个问题已经回答了大部分需求。但体育商品有几个特点，让“感兴趣”和“能成交、该成交”之间隔得很远：尺码高度集中，热度随赛事快速变化，同一件商品同时在线上、门店和比赛现场销售，而球迷与球队的关系比与任何一件商品的关系都更长久。

下面用五个模拟场景，看一个只懂偏好的推荐系统会在哪里出问题，以及欧宝体育分别用哪一种能力把它补上。

场景一：推荐了已经断码的尺码，缺的是库存能力

新款主场球衣上线第三天，L码和XL码在线上仓售罄（示例数据），但推荐模型的训练数据里这件球衣点击率最高，仍然把它推给大量用户。结果是点击率很好看，加购后放弃的比例却明显升高，客服还收到一批“什么时候补货”的咨询。

补上的办法是让 Recommendation Engine 在排序时读取 Inventory Engine 的实时可售量，并结合用户的历史尺码：对偏好L码的用户，这件球衣要么降权，要么换成有货的同系列训练服，同时提供到货提醒。推荐的目标从“他会喜欢”变成“他能买到，而且会喜欢”。

场景二：体育场商店需要清货，线上推荐却看不见，缺的是零售渠道能力

赛季中段，体育场商店还有约800件上赛季纪念围巾和徽章（示例数据），下个月要为新品腾出货架。线上推荐系统只看线上数据，这批商品在线上几乎没有曝光，也就没有点击，于是永远排不上推荐位。

欧宝体育的做法是把门店清货目标作为推荐的约束之一：对即将到现场观赛、住在体育场附近的会员，在购票确认页和赛前推送里展示“到店自提专享”的纪念品组合。推荐不再只服务于线上成交额，而是服务于整个渠道的库存健康。同一款商品为什么在线上和现场卖得完全不同，可以参考线上卖得好、体育场商店却卖不动的分析。

场景三：热度已经退潮，推荐还在加推，缺的是需求预测能力

某前锋在一场比赛中完成帽子戏法，随后一周他的球衣点击暴涨。基于点击的推荐模型会持续加大这件球衣的权重。两周后热度回落，推荐仍在惯性加推，而采购团队恰恰参考了这段时间的推荐点击数据追加了订单。

Forecast Model 在这里的作用，是告诉推荐系统这波需求更像短期 Spike 还是持续 Trend，并给出预计的衰减速度。推荐权重随之调整，采购也不会把推荐制造出来的点击当成自然需求。周边商品断货与积压背后的预测问题，在体育周边卖断货是好事还是预测失败中有更完整的展开。

场景四：刚买完就被连续推送，缺的是球迷关系能力

一位十年老会员刚在体育场买了新款球衣，商城并不知道这笔现场订单，接下来一周给他推了三次同款球衣和两次折扣券。对他来说这不是推荐，而是打扰，甚至会让他怀疑自己买贵了。

Fan Identity 负责在用户授权范围内把现场订单和会员账号关联起来，Fan Lifecycle 负责判断他处在什么关系阶段。对刚完成购买的核心球迷，更合适的是推送比赛日内容、球衣养护说明或会员权益，而不是同类商品。推荐系统需要知道什么时候应该少推，这一点单靠点击数据是学不出来的。

场景五：一个品类整体在变，推荐只看到单品，缺的是市场趋势能力

假设过去两个季度，球迷在比赛日之外越来越多地购买训练服、跑步装备这类日常运动商品（模拟场景）。单品级的推荐模型只会在已有商品里排序，看不到“消费正在从球迷纪念向日常运动迁移”这个变化。Market Intelligence 观察的是品类、价格带和使用场景层面的变化，它可以提醒商品团队补充新品，也提醒推荐系统在非比赛日调整品类配比，而不是继续把所有流量压在球衣上。

五种能力分别回答什么问题

这些约束怎样进入推荐排序

把五种能力接进来，并不是在推荐结果上再加一层人工规则。在欧宝体育的做法里，它们以三种不同强度进入排序。第一种是硬约束：用户常用尺码在其所在区域无货且没有明确到货时间的商品，直接不进入候选；近期已在任一渠道购买的同款，在一段时间内不再推荐。第二种是软调整：需求预测判断为短期热度衰减期的商品逐步降权，门店有清货目标的商品在相关人群中适度加权，调整幅度有上限，避免业务目标完全压过用户兴趣。第三种是目标函数：评估一次推荐时，除了点击和转化，还计入预计退货、缺码风险和对会员推送疲劳的影响。

这三层的区别很重要。如果什么都做成硬规则，推荐会变得僵硬、难以维护；如果什么都只是软调整，关键的错误又挡不住。哪条约束放在哪一层，需要电商、零售和私域团队一起约定，并定期复查。

一个实用的检查方法是每周抽取一批被硬约束过滤掉的推荐，看看其中有多少是误杀：例如库存数据延迟导致有货商品被判断为无货，或者用户其实在为家人购买同款。误杀比例一旦升高，就说明底层数据的同步频率或身份关联出了问题，需要先修数据，而不是放松规则。

从推荐引擎到体育商业系统

五个场景合在一起，可以看到推荐只是体育商业链路上的一个环节：需求预测决定该推多少，库存和零售渠道决定能推什么、在哪里推，球迷关系决定该不该推，市场趋势决定下一季要准备什么。欧宝体育把这些能力放进同一个系统，是为了让推荐的每一次排序都能看到链路上其他环节的状态，而不是在信息真空里追求点击。这并不意味着推荐算法不重要，偏好建模依然是基础，只是它需要被放回完整的商业约束里。

怎么评估一个不只做猜你喜欢的推荐系统

如果评估指标只有点击率和转化率，系统最终还是会退回“猜你喜欢”。建议至少增加四个指标：

• 缺码推荐率：被展示的商品在用户常用尺码上无货的比例。
• 推荐后退货与咨询率：推荐带来的订单中，因尺码、到货时间产生的退货和咨询。
• 清货完成度：门店和线上的滞销目标在推荐协助下完成了多少。
• 推送疲劳度：会员在单位时间内收到的同类推荐次数与退订率之间的关系。

这四个指标里，任何一个长期恶化而点击率仍在上升，都说明推荐系统正在用短期点击透支库存和球迷关系。一个体育电商AI是否成熟，看的不是它猜得有多准，而是它在猜中之后，能不能同时照顾到货、渠道和人。