Рынок спортивного спонсорства переживает структурные изменения. Суммы, затрачиваемые компаниями для различных видов спортивных состязаний, превысила порог в 100 миллиардов долларов при темпах роста на 12,5% в год, что намного выше, чем в целом по мировому рекламному сектору. Однако именно этот успешный фасад с тех пор, как была проведена научная оценка ценности спортивного спонсорства, стал существенным препятствием для качественного развития отрасли. Впечатляющую траекторию роста мирового рынка спортивного спонсорства наглядно демонстрируют такие ведущие международные мероприятия, как Олимпийские игры, Лига Чемпионов или Чемпионаты мира по футболу. Эти мегасобытия неизменно привлекают значительный приток инвестиций от корпораций, причём особенно заметное участие и финансовые обязательства наблюдаются на развитых рынках. Эта тенденция подчёркивает глобальный характер и стратегическую важность крупных спортивных мероприятий в рамках международного маркетингового ландшафта.
Но разновидности самого спонсорства носят различный характер – от прямой рекламы и участие в списке организаторов, до размещения логотипов компаний на экипировке участников или на спортивных снарядах. Точная оценка отдачи от таких вложений представляет огромную сложность – в основном фирмы только косвенно (и временным лагом) могут просчитывать эффективность таких финансовых вложений. Традиционные методы оценки всегда основывались на неизменных показателях и анализе постфактум, в результате чего трудно оценить непосредственные и нарастающие изменения в демонстрации бренда на спортивных мероприятиях. Это приводит к отсутствию точной информации для принятия инвестиционных решений, а также к сравнительно низкой объективности спортивных активов, определяемых спонсорами.
Методы оценки спонсорской ценности находятся на начальном этапе, поскольку они до сих пор были основаны на опыте и не поддавались количественной оценке. Достоверность и объективность таких результатов вызывает серьёзные сомнения. Преобладающий недостаток надёжности и объективности в существующих методологиях создаёт серьёзные препятствия для потенциальных спонсоров. Эта неопределённость напрямую влияет на стратегическое планирование, часто заставляя рекламные команды корпораций проявлять осторожность и нежелание заключать долгосрочные и дорогостоящие спонсорские соглашения. Следовательно, это сдерживает общее расширение и развитие рынка притока рекламных вливаний в спорт, потенциально ограничивая тот капитал, который мог стать доступным для развития спорта, постройке новых объектов, существенно препятствуя полному потенциалу роста сектора. Это не только приводит к неэффективному использованию спонсорских средств, но и порождает вторичные проблемы, связанные с частыми судебными спорами и безудержным скрытым маркетингом. Необходим технологический прорыв в спортивном маркетинге для создания модели оценки стоимости спонсорства, которая способна динамично реагировать на динамику события в режиме реального времени и интегрировать различные многомерные влияющие факторы.
Изменения в разработке моделей оценки спортивного спонсорства отражают циклический характер методологии и технических средств исследования. Ранние исследования были в основном посвящены таким, легко поддающимся измерению, факторам, как продолжительность пребывания в средствах массовой информации и эквиваленты стоимости рекламы, где были применены модели линейной регрессии для поиска простых закономерностей, касающихся узнаваемости в привязке к инвестициям. Несмотря на свою простоту, эта линейная методика пренебрегает сложностью механизмов спонсирования спортивных мероприятий — ведь это не только экономическая сделка, но и сложная система, влияющая на восприятие потребителей, эмоциональную идентификацию и социальное распространение. Междисциплинарная конвергенция привела к тому, что стратегии оценки постепенно превратились в целостные модели, которые включают в себя влияние продаж в краткосрочной перспективе, состояние бренда в среднесрочной перспективе и отношения с потенциальными клиентами в долгосрочной.
За последние несколько лет методы оценки претерпели трансформацию в связи с развитием дата-центров и использованием технологий искусственного интеллекта. Приложения для распознавания изображений с помощью сверточной нейронной сети (CNN) могут использоваться для автоматического мониторинга уровня и присутствия логотипов брендов в трансляциях не только во вставках оплаченной рекламы, но и попадании в кадр спортсменов в экипировке с логотипом компании. Технология обработки естественного языка (NLP) в динамике анализирует содержание постов в обсуждениях на сайтах и социальных сетях, чтобы выявить изменения в дискурсе населения, вызванные демонстрацией логотипов. Заметно, что методы динамической оценки становятся изведанной областью знаний, которые можно подвергнуть анализу. На чемпионате мира по футболу в Катаре впервые была внедрена система подбора спонсоров с использованием искусственного интеллекта, которая динамично меняла стратегию представления спонсорской информации, основываясь на ходе матчей в режиме реального времени и поведении зрителей. Такой подход увеличил внимание к компаниям спонсоров почти в 40 раз. Ещё более эффективным результатом можно признать прогнозирование критических ситуаций на матчах с помощью моделей машинного обучения и показ спонсорского контента в этих окнах – такие вставки увеличивают количество просмотров косвенной рекламы зрителями в 3,2 раза по сравнению с традиционными методами. Эти технологии доказывают, насколько велик потенциал парадигм, основанных на данных, с точки зрения измерения ценности спонсорства.
Но текущие способы по-прежнему сталкиваются с тремя существенными дилеммами, препятствующими принятию точных, своевременных и понятных решений. Начнём с того, что большинство моделей оценки не соответствуют динамичному характеру спортивных событий. Природа спорта такова, что он может быть непредсказуемым, один забитый мяч или спорное решение судьи могут легко изменить настроение и распределение внимания среди зрителей, оказав, таким образом, существенное влияние на рекламную ценность рекламы спонсора. Традиционные формы оценки, которые основаны на постоянных весовых коэффициентах и обычной схеме усреднения, не отражают эту изменчивость на микроуровне, а результаты систематически расходятся между оценочным значением и фактическим результатом. Во-вторых, интеграция разнородных данных из нескольких источников сопряжена с серьёзными трудностями. На ценность спонсорства в значительной степени влияют такие факторы, как ход матча, освещение в СМИ и психологическая реакция потребителей. Однако эти данные сильно различаются по своему формату, степени детализации и частоте получения.
Хотя существуют относительно новые технологии для измерения пространственно-временных взаимодействий между событиями соревнования для людей-участников, включая модель нейронного пространственно-временного точечного процесса (NMSTPP), существуют физиологические сигналы, включая вариабельность сердечного ритма и нейронную активность (например, альфа-волны мозга), которые, как оказалось, технически сложны для интеграции в систему оценки. В-третьих, интерпретируемости моделей недостаточно для их практического использования. Несмотря на то, что процессы глубокого обучения обладают сильными нелинейными свойствами подгонки, их оценка по принципу «чёрного ящика» приводит к выводам, к которым невозможно прийти с помощью чётких логических рассуждений. Этот фактор приводит к трудностям в получении полного доверия организаторов мероприятий и спонсоров. Этот недостаток особенно заметен в ситуациях, когда необходимо чётко распределить обязанности и определить источник риска, включая возможность разрешения конфликтов при не очень удачном вложении спонсорских средств.
Для решения этих проблем специалисты задумали разработать нейросимволическую модель оценки эффективности спонсорства в спорте (NSFL-SVEM). Название эта модель получила в честь своей основной методологии – нейросимволического фьюжн-обучения – подхода в искусственном интеллекте, который объединяет возможности нейронных сетей с символическими методами рассуждения. Эта модель направлена на синергетическую интеграцию перцептивных возможностей нейронных сетей с логическими способностями символических систем, предлагая новый технический подход к оценке. На теоретическом уровне она представляет теорию множественных состояний, концептуализирующую ценность, как динамичную конструкцию, которая постоянно развивается в рамках мероприятия. Изменения его состояния обусловлены множеством факторов, включая характеристики события, соответствие бренда событию и когнитивные состояния потребителей. На уровне технической реализации используются компоненты нейронной сети для обработки мультимодальных данных в режиме реального времени, поступающих от датчиков на стадионе, потоков сообщений с обсуждениями перипетий хода соревнования в социальных сетях и устройств биометрического мониторинга, улавливающих микро-колебания внимания аудитории и эмоциональные реакции. Одновременно компонент символьной системы встраивает правила оценки и исторические знания о конкретных примерах, полученные от экспертов в данной предметной области, обеспечивая логические ограничения и семантическую интерпретацию выходных данных нейронной сети.
Этот механизм двунаправленной связи не только ускоряет реакцию модели на динамику событий, но и повышает достоверность результатов оценки за счёт прозрачности символических рассуждений. Примечательно, что тут используется логика обработки данных параллельных сетей, удовлетворяющих ограничениям, что превращает оценку в задачу оптимизации с несколькими ограничениями. Такой подход позволяет получать достоверные данные из различных источников и разрешать конфликты в рамках единой структуры, а это, в свою очередь, позволяет делать более обоснованные выводы. Надо оговориться, что эту разработку достаточно попытались применить в прогнозировании исходов футбольных и хоккейных матчей, где она показала впечатляющий результат. Этот факт вызывает некоторое беспокойство со стороны устроителей букмекерских ставок. С точки зрения академической эволюции, представленные нейросимвольные вычисления в рамках передовой парадигмы искусственного интеллекта продвигают область исследований в область тотальной оценки не только вложений в рекламу спорта, но и достаточно точного прогнозирования исхода события. Это знаменует значительный переход к следующему этапу смены парадигмы, основанному не на данных, а на знаниях людей, наделённых полномочиями.
Что касается отраслевого применения модели, то функции динамической оценки позволяют спонсорам чётко понимать закономерности колебаний своих вложений, а организаторам соревнований и руководителям команд оптимизировать стратегии привлечения спонсоров. Посредством научного анализа организаторы мероприятий смогут достоверно обосновать стоимость спонсорских пакетов и максимизировать отдачу от спортивных активов, а регулирующие органы – смогут воспользоваться техническими средствами для регулирования сектора скрытого маркетинга и повышения уровня продаж на рынке. В контексте растущей оцифровки спортивной бизнес-среды такие разработки являются фундаментальным элементом для создания прозрачной среды измерения отдачи от вложений в рекламу. Это ускорит переход всей отрасли к новой эре комплексной динамичной оценки сложных процессов, основанных на статистике.