Transformacja systemu generowania modeli predykcyjnych w PS&E
W koszykówce statystyki są kluczowe, jednak dla Pacers Sports and Entertainment (PS&E) równie wartościowe są dane o fanach. Mimo wydawania 100 000 dolarów rocznie na platformę machine learning (ML) do tworzenia modeli predykcyjnych dotyczących takich czynników jak ceny biletów i ich popyt, uzyskanie szybkich wglądów w dane nie było możliwe.
Zarządzający inżynierią danych i strategią, Jared Chavez, rok i pół temu zdecydował się na przejście do Databricks na Salesforce. Dzięki temu jego zespół uzyskał dostęp do takich samych projektów przewidywania, ale za symboliczne 8 dolarów rocznie. Osiągnięcie to przypisuje umiejętnościom zespołu w zakresie ograniczania zużycia zasobów ML do niemal minimalnych wartości.
Redukcja kosztów operacyjnych i optymalizacja danych
PS&E, poza drużynami koszykarskimi, prowadzi również działalność esportową, organizuje mecze March Madness oraz zarządza Gainbridge Fieldhouse. Chavez wyjaśnia, że do czasu wprowadzenia nowych rozwiązań dane przechowywane były w dwóch niepołączonych magazynach na platformie Microsoft Azure Synapse Analytics. Choć Azure Synapse było efektywne w łączeniu z zewnętrznymi platformami, było również kosztowne w użytkowaniu. Chavez zdecydował się na zmianę i wdrożył Databricks AutoML oraz Databricks Machine Learning Workspace, aby poprawić wydajność.
Efektem była znaczna poprawa czasu odpowiedzi dla działu marketingu, który nie musiał już znać się na programowaniu, aby korzystać z platformy. Systemy PS&E zostały zorganizowane w Salesforce Data Cloud, co umożliwiło przechowywanie i przetwarzanie 440 razy więcej danych niż wcześniej.
Lepsze zrozumienie danych
Zespół Chaveza osiągnął niskie zużycie zasobów dzięki optymalnej konfiguracji klastrów Databricks oraz lepszej integracji wyjść modeli z tabelami danych PS&E. Zaawansowany silnik ML umożliwia ciągłe wzbogacanie i przewidywanie na podstawie zapisów klientów.
Zwiększona dokładność przewidywań umożliwia przekształcanie części modeli AutoML bez dalszych poprawek. Chavez podkreśla znaczenie zrozumienia wielkości danych oraz czasu potrzebnego na ich przetworzenie, co przekłada się na lepsze wyniki modeli.
Wykorzystanie danych do przewidywań klientów
Zespół Chaveza wykorzystuje dane do oceny skłonności do zakupu pakietów biletów sezonowych. Analizują oni różne cechy klientów, takie jak dane demograficzne, poziomy dochodów oraz historię zakupów, aby lepiej dopasować oferty. Współpracują również z zewnętrznymi dostawcami, aby lepiej rozumieć ruch biletów.
Na podstawie zebranych danych można oferować klientom lepsze miejsca, co może prowadzić do sprzedaży dodatkowych pakietów lub przekierowywania miejsc w sezonie.
Doskonalenie relacji sponsorskich
Dzięki lepszemu zrozumieniu danych możliwe jest również optymalizowanie relacji sponsorskich, co jest kluczowe dla każdej franczyzy sportowej. Przeprowadzanie segmentacji oraz lepsze prognozowanie umożliwia oferowanie sponsorom dokładnych danych dotyczących preferencji i zainteresowań fanów.
Dodatkowo, planuje się utworzenie tzw. clean roomu danych, aby jeszcze lepiej współpracować z sponsorami i innymi zespołami, zapewniając bezpieczeństwo danych.
Analiza ruchu na terenie obiektu
Zespół Chaveza bada ruch na terenie PS&E, wykorzystując punkty dostępu WiFi do śledzenia przepływu ludzi. Pomaga to lepiej zrozumieć, gdzie osoby się poruszają, co umożliwia optymalizację rozmieszczenia punktów sprzedaży.
Analizowane dane mogą także pomóc w ustalaniu najlepszych miejsc na rozmieszczenie oznakowania oraz ocenie jego efektywności, co jest istotne z punktu widzenia skuteczności kampanii marketingowych.
