Dalla stagione 2023-2024 l’Area Ticketing di Fiorentina collabora con il Gruppo di Data Science e Machine Learning della Scuola di Ingegneria dell'Università di Padova coordinato dai Proff. Rosa Arboretti e Luigi Salmaso. Il Team formato dai ricercatori Rosa Arboretti, Luigi Salmaso, Alberto Molena, Nicolò Biasetton, Riccardo Ceccato e Davide Ferro ha sviluppato un modello statistico che si avvale dell’utilizzo del “Machine Learning” (ML) per la definizione di sistemi di prezzo per ottimizzare la saturazione dei vari settori.

Si tratta di una soluzione basata su algoritmi, che combinano precisi modelli matematici utili a interpretare i comportamenti degli utenti e a descrivere le curva di domanda, tecniche di data mining che permettono di ricavare informazioni dai dati storici e di machine learning per dedurre e correlare le variabili che influenzano la domanda fornendo al Club uno strumento per migliorare la gestione del matchday

Il sistema di lavoro è stato suddiviso in due fasi.

Nella prima fase, abbiamo sviluppato dei benchmark tramite la somministrazione di un sondaggio ai tifosi viola, la società è stata in grado di identificare le loro preferenze in relazione ad alcuni attributi caratteristici di una partita come ad esempio il tempo, l'orario di inizio e il giorno della settimana in cui si gioca.

Sono stati individuati due gruppi ben distinti di tifosi a cui è stato distribuito il sondaggio: il primo, quello dei tifosi fedeli definiti “fan”,  costituito da coloro che sono vicini costantemente e assiduamente alla squadra e quindi hanno acquistato uno o più abbonamenti nel corso delle diverse stagioni e partecipano attivamente al programma di loyalty e membership del club. Il secondo gruppo di tifosi invece, è stato identificato attraverso la vicinanza ed interazione ai media e social del Club Viola.

La survey è stata un tassello fondamentale non solo per la creazione dell’algoritmo ma ha permesso alla società di conoscere meglio la propria fanbase aiutandola a gestire al meglio la relazione tifosi-società, implementare attività promozionali, tecniche di fidelizzazione dei tifosi e iniziative commerciali, costruendo offerte estremamente segmentate e sempre più in linea con le caratteristiche e le preferenze dei propri sostenitori.

Nella seconda e ultima fase, le risposte raccolte hanno permesso di creare un indice di “utilità” che è stato successivamente integrato nei vari modelli di ML per integrare le preferenze dei tifosi con l’obiettivo di migliorare sia l'interpretabilità che le prestazioni del modello stesso.

Le variabili considerate dal modello ML sono state le seguenti: settore, fila e posto a livello strutturale. Invece a livello esterno si valutano l’orario del match, il giorno della settimana, la tipologia di avversario, le meteorologiche e l’utilità del match stesso.

L’utilizzo del Modello ML ideato con l’Università di Padova ha creato importanti miglioramenti rispetto alla stagione 22-23:

• Saturazione +4%
• Biglietti emessi +14%
• Ricavi +39% 

“In questa ultima stagione abbiamo messo in discussione strategie di prezzo consolidate da anni e supportate da ottimi risultati sia di saturazione che di fatturato perché volevamo capire se ci fossero ancora delle potenzialità inespresse. Abbiamo rivisto target funzionanti e cercato di individuare nuovi trend. Sono attività standard nella stragrande maggioranza delle aziende che operano con successo ma meno “standard” quando si tratta del settore calcio. Abbiamo scelto un periodo di grande crescita per il Club che potesse assorbire eventuali inefficienze inziali e alla fine abbiamo tracciato un percorso che in questi primi 9 mesi ha portato ad ottimi risultati e ci fa ben sperare per il futuro. L’utilizzo di sistemi di “Machine Learning” permette di comprendere meglio abitudini, comportamenti e preferenze di ogni singolo tifoso: un know-how che può portare ad accontentare tutti i diversi segmenti della nostra base tifosi e a costruire un rapporto più solido con loro” - ha affermato il Revenue Director di Fiorentina Enrico Peruzzo