К сожалению, сайт не работает без включенного JavaScript. Пожалуйста, включите JavaScript в настройках вашего браузера.

От интуиции к данным: как меняется экономика спорта

Фото Boris Streubel / Getty Images for DFL
Фото Boris Streubel / Getty Images for DFL
Профессиональный спорт все больше похож на технологичный B2C-бизнес, считает директор по развитию направления Data&Analytics Yandex Cloud Сергей Сошников. Клубы должны управлять воронкой продаж, программами лояльности, сегментами целевой аудитории, конкуренцией за внимание болельщика и не только. Победы и атмосфера на арене по-прежнему важны, но коммерческая устойчивость все больше зависит от того, насколько точно клуб понимает свою аудиторию и умеет работать с данными — от продажи билетов и мерча до управления составом и спортивной стратегией

В деятельности спортивных клубов происходят важные изменения — они все чаще переходят к управлению на основе данных: в продажах, маркетинге и спорте. Так, по данным Deloitte, около 70% спортивных клубов инвестируют в аналитику, рассчитывая таким образом увеличить свои доходы. Grand View Research прогнозирует рост мирового рынка спортивной аналитики с $5,7 млрд в 2025 году до $23,1 млрд к 2033-му. 

Массовый спорт движется в том же направлении. Например, Алма-Атинский марафон собирает около 15 000 участников, а данные по результатам, темпу и прохождению сегментов дистанции обновляются в режиме, близком к реальному времени. Для участника это уже часть пользовательского опыта: он получает персональные результаты, может сравнить себя с другими бегунами по полу, возрасту или стране, а зрители видят динамику события почти сразу. 

Другой пример — аналитика хоккейного клуба. В ХК «Авангард» за сезон проходит более 100 мероприятий, а стадион посещают около 700 000 человек. Доход складывается не из одного продукта, а из множества точек контакта с болельщиком. У хоккейного клуба есть билеты, абонементы, мерч, кейтеринг, программа лояльности, digital-каналы, партнерские активности и события на арене. Все эти потоки формируют единую B2C-экосистему, которая нуждается в управлении и анализе. 

Telegram-канал Forbes Sport
Канал о спорте, бизнесе и финансах в России и в мире
Подписаться

Как использовать анализ данных

Работа с болельщиком давно вышла за рамки одной продажи билета на матч. Для клуба важен весь жизненный цикл: когда человек приходит на арену, как часто покупает билеты, сколько тратит на еду, интересуется ли мерчем, участвует ли в программе лояльности, возвращается ли на следующие игры. Поэтому одна из важнейших задач — понимать не только объем спроса, но и структуру аудитории. 

 

Отсюда можно выделить и несколько направлений работы с данными. 

  • Динамическое ценообразование и управление спросом. Можно решить сразу две задачи: управлять выручкой и делать спрос более предсказуемым. В ХК «Авангард» такая модель работает третий сезон подряд. Цена билета зависит не только от категории места, но и от набора факторов вокруг конкретного матча: дня недели, турнирной ситуации, формы команд, календаря соседних игр и текущей скорости продаж. За три сезона выручка клуба выросла в два раза, при этом входной билет остался доступным — минимальная цена держится в диапазоне 190–490 рублей. Похожие подходы появляются и в других спортивных проектах. ХК «Торпедо» с января 2025 года перешел на динамическое ценообразование билетов на домашние матчи: цена учитывает спрос, популярность соперника, турнирное положение команд и день игры, а при снижении спроса может автоматически опускаться до заранее установленного минимума. Международные турниры тоже начинают работать с ценой как с инструментом управления спросом. ФИФА использовала динамическое ценообразование на клубном чемпионате мира 2025 года: по данным Forbes USA, стоимость стандартного билета на один из матчей снижалась с $473,90 до $13,40 на фоне слабого спроса. Этот механизм ФИФА использует и на чемпионате мира 2026 года. Цены на билеты будут меняться в зависимости от спроса, а сам подход организация объясняла адаптацией к рынкам США и Канады. Эти кейсы показывают, что динамическая цена в спорте работает в обе стороны: помогает клубам и организаторам монетизировать высокий спрос, но также становится способом заполнять трибуны, когда интерес к конкретному матчу оказывается ниже ожиданий.
  • Работа с болельщиками. Клубам важно видеть не обезличенный поток зрителей, а поведение разных групп аудитории на всей дистанции отношений с брендом. Такую логику развивает, например, FC Barcelona: клуб строит собственную цифровую экосистему вокруг контента, OTT-сервисов и фан-платформы. Чем больше точек контакта объединены в одну среду, тем точнее можно персонализировать коммуникацию — от предложений по билетам и мерчу до контента и специальных акций. 
  • Цифровой след игрока и экспертиза тренера. Данные меняют и спортивную часть клубного управления. ФК «Динамо», например, выстраивает систему, где информация о спортсменах собирается в едином озере данных. Туда попадает широкий набор показателей: медицинские данные, результаты тестов, нагрузка на тренировках, трекинг на поле, игровые действия. Из этого складывается цифровой след игрока — подробная история его состояния, динамики и поведения в разных ситуациях. На следующем уровне с этими данными работают ML-модели. Они помогают формировать «цифрового двойника» футболиста: модель, которая показывает, как меняется игрок, где растут риски, какие нагрузки для него оптимальны, какие качества сильнее всего влияют на результат. Конечно, такая аналитика не заменяет опыт и интуицию тренера. Зато дает ему более точную картину перед принятием решений по составу, тренировочному процессу и восстановлению. Похожий процесс виден и на уровне международных организаций. ФИФА внедряет системы трекинга и ИИ-аналитики, чтобы точнее разбирать игровые эпизоды, оценивать действия спортсменов и поддерживать решения судей данными. Так аналитика постепенно входит в те зоны спорта, где раньше почти полностью доминировала экспертная оценка.
  • Анализ результатов соревнований. В профессиональном спорте аналитика влияет уже и на спортивные решения. Бейсбольный клуб Oakland Athletics стал одним из известных примеров работы с данными на фоне нестабильных результатов и проблем с составом. Клуб начал глубже анализировать игровые показатели, физическое состояние спортсменов и эффективность тактических решений. Благодаря решениям на основе данных тренерам удалось скорректировать тактику игры и улучшить показатели точности бросков. В итоге команда продемонстрировала сильный рост числа побед (с 50 до 70%), а точность бросков команды увеличилась на 10%. Похожую логику применил Houston Rockets в НБА. Генеральный менеджер клуба Дэрил Мори использовал анализ паттернов в данных вместо интуиции, что позволило найти таких игроков, как Джеймс Харден. Команда приоритизировала показатели эффективности над традиционным скаутингом. И в результате — использование данных позволило превратить неизвестные таланты в звезд плей-офф, а количество побед в матчах на вылет увеличилось на 12% за период.

ИИ в работе со спортивной индустрией

Следующий этап развития спортивной аналитики связан с ИИ. По данным Stats Perform, 81% организаций в спортивной индустрии за последний год увеличили использование ИИ-инструментов. Алгоритмы помогают обрабатывать видео, анализировать игровые события, готовить персонализированный контент для болельщиков, искать закономерности в поведении аудитории, поддерживать управленческие решения и не только.

Для клубов это означает переход к более сложной модели работы с данными. Например, можно рассчитать LTV болельщика, то есть его ценность как клиента, провести глубокий анализ его поведения: как часто человек возвращается на арену, какие продукты покупает, как связаны между собой билеты, мерч, кейтеринг и участие в программе лояльности.

В спортивной части похожую роль играют платформы для анализа игроков. Sevilla FC использует data-платформу IBM при оценке футболистов и трансферных решений. Для клуба это способ работать с рынком игроков более системно: сравнивать кандидатов по набору параметров, быстрее находить релевантные профили и снижать зависимость от субъективной оценки. В такой модели данные становятся частью спортивной стратегии — от селекции до планирования состава на сезон.

 

Вполне возможно, что в ближайшие годы спортивные клубы будут конкурировать не только составами, бюджетами и медийностью, но и качеством собственной data-инфраструктуры. Чем лучше клуб собирает и связывает данные о болельщиках, игроках, контенте и продажах, тем точнее он управляет спросом, персонализацией и спортивными решениями. ИИ в этой модели станет ежедневным аналитическим слоем, который помогает быстрее находить закономерности и превращать их во вполне конкретные бизнес-действия.

Мнение редакции может не совпадать с точкой зрения автора