پیش‌بینی تقاضای بازار همراه با اقدامات پیشگیرانه
بر اساس این تجزیه و تحلیل، باشگاه اعلام کرد که معیارهای ناشناخته‌ای همچون درصد پایه (معیاری است برای اینکه یک ضربه زن چقدر به پایه می‌رسد) و درصد ضربه‌فنی می‌توانند در مقایسه با آمارهای متداول تهاجمی و حمله، پیش‌بینی بهتری از عملکرد ارائه دهند. از آنجا‌که هیچ تیم دیگری با استفاده از این ویژگی‌ها بازیکن جذب نمی‌کرد، دسترسی به این بینش باشگاه را قادر ساخت بازیکنان کم‌قیمتی جذب کند که نسبتا حقوق کمی می‌گیرند. این روش تجزیه‌وتحلیل مورد توجه سایر باشگاه‌ها و سرمایه‌گذاران ورزشی در سراسر جهان قرار گرفت. جان هنری، مالک باشگاه فوتبال «بوستون رد ساکس» و باشگاه فوتبال لیورپول در میان آنها بودند. برای نوسازی باشگاه لیورپول از مدل‌های ریاضی استفاده شد. این باشگاه فوتبال با وجود سابقه خارق‌العاده‌اش در رقابت با حریفان خود در لیگ برتر انگلیس با چالش‌هایی مواجه بود. براساس این تجزیه‌وتحلیل، باشگاه یورگن کلوپ را به عنوان سرمربی استخدام کرد و برخی از بازیکنان جدید را جذب کرد و توانست در لیگ قهرمانان یوفا 2019-2018 و لیگ برتر انگلیس 2020-2019 قهرمان شود.
داستان‌هایی از این قبیل، نمونه‌های بارزی از جوهره تحلیل پیش‌بینی‌کننده هستند. تحلیل پیش‌بینی‌کننده این امکان را برای شرکت‌ها فراهم می‌کند تا حرکت بازار را قبل از وقوع پیش‌بینی کنند. به‌طور سنتی، بازاریابان به آمار توصیفی که رفتار گذشته را توضیح می‌دهد متکی هستند و از شهود خود استفاده می‌کنند تا درباره آنچه در آینده اتفاق می‌افتد، حدس هوشمندانه بزنند. در تحلیل پیش‌بینی کننده، بیشتر تجزیه‌وتحلیل‌ها توسط هوش مصنوعی صورت می‌گیرد. داده‌های گذشته در موتور یادگیری ماشین بارگذاری می‌شوند تا الگوهای خاصی را مشخص کنند که به آن مدل پیش‌بینی‌کننده می‌گویند. با وارد کردن داده‌های جدید در مدل، بازاریابان می‌توانند نتایج آینده را پیش‌بینی کنند؛ از جمله اینکه چه کسی احتمالا خرید می‌کند، کدام محصول به فروش می‌رسد یا چه کمپینی کارآمد خواهد بود.
منبع: کتاب نسل پنجم بازاریابی
انتشارات آریاناقلم
