把一件事研究得足够深，和把它做成一个有人用的产品，中间隔着的距离常常比想象中远。如何把越来越准、越来越专业的模型和指标嵌入到用户的使用场景，在体育分析里是个值得持续探讨的问题。
这次 @Yoson 把自己正在做的足球数据产品整个摊开来讲——数据源怎么选、模型怎么训练、概率算出来之后发现用处有限、又怎么一步步改回来。聊到后半程，话题从"这个产品怎么做"转到了两个更有意思的问题上：这类产品到底是给谁的，以及用户为什么不自己拿 AI 做一个。下面我们做一下展开。
再次感谢 @Yoson 分享自己足球分析的研究和心路历程，启发了后续的深入讨论；能毫无保留的把一个还在迭代中的产品展示出来，非常难得。也感谢 @Ruii 和 @Brian高兴 (真人) 贡献了大量真诚又有洞察的视角，以及 @Glen 和 @Hazlitt 二铃 的精准提问和讨论！
1. "我的模型更准"是一句 B 端的话，C 端听不懂。 机构愿意为准确度付钱，因为准确度能直接换算成钱。个人用户很少为准确度付钱，他们为"这东西懂我"付钱。同一套技术卖给两端，包装出来应该是完全不同的两个产品。顺带一提，B 端还有一个常被忽略的gap：不少机构每年都有预算采买数据，真正用起来的比例却不高——预算已经存在，能力不存在。这种地方不需要教育市场，只需要把已经花出去的钱变得有用。
那天沙龙时间太短，很多东西没有讲到。这里把体育数据分析这件事再写一写，以足球为例。 0. 它是什么 数据分析处理的是两层东西：事件数据（每次传球、射门、犯规发生在哪、谁做的），和从事件算出来的指标（xG 是最出名的一个：这脚射门按位置、角度、方式，历史上进球的概率是多少）。它回答四类问题，一层比一层难：发生了什么，为什么发生，接下来大概怎样，该怎么做。 足球有一个底层事实，决定了这门东西的一切：它是低比分运动。一队一场平均一两个球，一场比赛的结果离抛硬币不远。所以才需要 xG，进球太少，只能看机会；所以单场说明不了什么，样本太小，任何结论都要攒赛季才能站住。 1. 谁在用：to B 和 to C to B 是钱在的地方——庄家定价、媒体统计、俱乐部分析，联盟独家授权那种生意，普通人看不见，但体育数据的大头在这。 to C 我认为分两块。 一块是给球迷的。数据能给普通人的东西很具体：分清运气和实力的边界。一支球队连赢五场但 xG 一直被压着，数据告诉你这是运气在撑；一个前锋十场没进但射门位置一直很好，数据告诉你别急着骂他。这层内容 The Athletic、Opta Analyst、FBref 这些已经做得很足。 另一块是 betting 的交易支持。很多人觉得赌球就是给庄家送钱，但任何涉及金钱、又和预测相关的市场：股票、crypto、预测市场，和体育 betting 的区别只是形式和分析角度不同。今年世界杯期间 Kalshi 和 Polymarket 两家做了 540 亿美元的体育合约，Kalshi 是 CFTC 监管的交易所。同一件事，一个牌照下叫博彩，另一个牌照下叫衍生品。 2. 数据从哪来 做数据 API 的厂商很多，大致三档：自助订阅的，一个月几十到几百欧；中档要报价；企业级的 Opta、Sportradar 那种，一年五六位数。宣传页和实际交付差距也很大，必须自己试：每个联赛的真实覆盖、有没有 xG、延迟多少、赛后修不修数、稳不稳、id 会不会变。我自己的产品正在换源，之前的厂商已经不能满足生产需求（直播中途断掉、xG 停更、字段错），新厂商一个月的费用抵过去半年。 3. 数据分析在交易里到底能给什么 数据分析到底能给用户什么？一个模型概率吗？ 我认为不是，理由有两个。第一，单场概率你永远验证不了：赢了不能说明它对，输了不能说明它错。最近很火的 Jev，那个不写字、只给带概率的判断的模型，文档里有一句话："校准不保证单个答案是对的。"校准是一批判断的性质：说 63% 的那些事，长期看有 63% 发生，这才叫对。单场没有"对"这回事。第二，概率已经有一个最好的答案了：收盘价聚合了全世界的钱，去掉抽水的收盘隐含概率就是市场的估计，市场在这上面校准得很好，一个卖给你的数字很难比它更好。 能给的是另一种东西：挑选。市场说这一批比赛都是 63%，不挑的话，它们落地就是 63% 上下。用固定的条件从这批 63% 里再挑一遍——两队近期创造和漏掉的机会质量、进球和 xG 对不对得上、这种环境下比赛通常怎么走——挑出来的那部分能不能做到 73%、83%？这个差是能量的，足够多的场次下来就有答案，用户自己也能复查。所以数据分析真正提供的不是一个数字一个结论，而是在市场给定的价格上，一套可重复、可验证的挑选过程。命中率单独拿出来没有意义，63% 的比赛中了 63% 是什么都没做；有意义的是挑选之后相对价格的那一截。 serious 的 betting 用户要的正是这个：要么需要一个推导和挑选过程来辅助自己的交易动作，要么已经足够了解，有自己的挑选逻辑，只是需要数据和预定规则来验证自己的想法。 4. 边走边验证 Broovo 这个产品是边走边摸索的：每条挑选规则、每个挑选功能，都要靠不断到来的新比赛验证。第一道关用历史：先把明显不行的杀掉，这一步便宜。但历史有两个问题：验证组是会用完的——看一次结果、改一次规则，它就漏进设计里一点；还有就是球队是会变的，球员、教练、球风一个夏天就换一轮，两年前的比赛不一定还说得上今天的话。所以第二道关用未来：规则定下来先暗跑，攒够样本再看它在真正没见过的比赛上、相对它们的价格还有没有那一截，过了才上台面，没过就撤。 历史回测拟合出一个漂亮数字没有任何难度，难的是新的比赛和新的价格进来之后，那个数字还站不站得住——这才是真正要攻克的难关，急不来。 挑股票的人早就有自己的一套：筛选器、估值、财报、走势——没有人替他做决定，工具帮他把几千只股票筛到几只，然后他自己看、自己下手、自己对着市场价复盘。足球 betting 市场缺的就是这一套。我的做法是不押一条规则，而是把能做的挑选工具尽量都做出来，直接在真实比赛和用户反馈里验证。这比卖一个概率难得多，也慢得多，但和股票那边一样，它是唯一能被验证的做法。 最后关于做这类产品的一点定位问题，对外像是给所有球迷的，点进来却全是围着 betting 转的工具。这不是没想清楚，是合规逼出来的形状。一个靠订阅活的产品能上架、能收费、能投广告，前提是它被读成信息产品。关于即如何做到合规，又能精准投到目标用户圈子里，我也还在慢慢摸索。
2. 市场里已经有一个高效的定价机制时，"我比它更准"很难成为护城河。 一个成熟市场的价格，往往已经把所有公开信息、内部消息和真金白银的判断都吸收进去了。想用一个模型稳定跑赢它，通常是无解的；即使短期跑赢，规则本身也会来限制你。凡是已经有成熟定价机制的地方，差异化都不该押在"算得更准"上。
3. 单次的概率对用户没有意义，因为他只经历这一次。 "这件事有 60% 会发生"说的是长期频率，而用户面对的是眼前这一件。更有用的做法是在概率之上再叠几条规则，把范围收窄，只在几个证据都指向同一边时才给一个明确的判断，其余时候不给。给得少但给得准，比给得多有用。
4. 用户画像写成身份标签，很容易错。 现场有人很实在地问："我是球迷，但偶尔也会玩一两把，我算哪一类？"大家给的判断标准很干脆——看那段时间里我们在意的是什么。目的性很强、只等一个结果，是一类；不需要任何推动力就会自己去找信息、沉浸在过程本身，是另一类。同一个人在不同场合可以属于不同的群体。所以画像该写的是在什么处境下、带着什么目的打开它，而不是年龄性别和兴趣标签。
5. 先说内圈还是先说外圈，决定了用户带着什么预期进来。 现场一个很有意思的观察：很多产品真正的核心用户是内圈里的一小群人，但对外介绍时习惯从更大的那一圈说起——听上去人群更大，实际结果是外圈的人打开后对不上号，内圈的人又没被精准地叫到。顺序不是表达问题，是定位问题：我们先说哪一圈，对方就会用哪一圈的标准来评价我们。
6. 活跃的人和付费的人，往往不是同一批。 一个很直白的拆法：一百个用户里，八十个每周都来、活跃度很高，但基本不会付费；另外二十个登录频率低得多，转化率却极高。大公司可以先把日活做大再谈商业化，一个人做产品的没有这个余裕。衡量标准不是有多少人在用，是有多少人真的掏了钱。
7. 做窄和做大不是对立的，是顺序。 先窄到极致、把商业闭环跑通，之后相似用户群的合作会自己找上门，那时候再扩，手里是有主动权的；也可以那时候再出一个面向大众的轻量版本。反过来先铺大，通常两头都不成立。
8. 复杂的内容需要一层薄的外壳，才有机会被打开。 现场一个很直接的视角：我们这一个半小时聊的东西，对圈外的人来说门槛其实相当高——不是内容不好，是入口太陡。举的一个反例是"转一下"的小动作：随机掉出一条内容，不感兴趣就再转一次。它没有任何技术含量，却解决了最难的那件事：让人愿意每天点开。同样的道理也解释了另一个现象：有人靠"今天我看好这几场"这类几乎没有论据的内容攒到上百万粉丝。需求一直都在，只是被最轻的形式先接走了。
9. 用户买的常常不是信息，是"我是对的"这份确认。 一个看了三十多年球的人，看数据不是在赛前，是在赛后——为的是印证自己当时的判断对不对。这层需求和"直接告诉我答案"是相反的。只给结论，等于把用户的参与感拿走；只给原始数据，用户又用不起来。值钱的位置在中间：给依据，把判断留给用户。
10. 免费的那一层不是浪费，是在给付费的那一层铺路。 和内容平台的结构一样：绝大多数东西免费，真正付钱的只有一小部分人。但那一小部分之所以付钱，恰恰是因为前面的免费内容让他们认了这个人的判断和品味。很少有人愿意为信息掏钱，但很多人愿意为自己认可的想法掏钱。
11. "这个 AI 不是也能做吗"——现场给出的回答落在三件事上。 一是数据：有些底层数据只有商业供应商手里有，公开检索拿不到；二是工程量：从原始数据到可用的结论，中间是几个月的管道、模型和人工筛选，不是一句 prompt；三是替代成本：对用户来说，自己搭一套的时间远比订阅费贵。"用户能不能自己做"和"用户会不会自己做"是两个问题，后者才是生意。
12. 数据覆盖不到的部分，不必硬塞进模型。 有相关性的因素可以训练进去；极低频的突发状况根本没有样本可学。更务实的做法是把它做成一条提炼过的信息，放在数据旁边，让用户自己把两件事对起来。承认边界，比假装没有边界更容易被信任。
13. 上线不是终点，是验证工作真正开始的地方。 样本不够的时候，最好的功能是不给结论——宁可明确地空着，也不要为了赶热度硬给一个。换数据源和换模型也不是"替换"，是先接进来在后台并行跑一段，过了可验证的门槛再切。模型说的 60%，要攒够几百次回头看是不是真的接近 60%，不对就校准。
14. 现阶段不必花力气担心会不会被 AI 或竞品吞掉。 现场的回答很实在：如果一直想这个，这件事就不会开始。真正该占住注意力的是眼前那个能被回答的问题——每天进来试用的人，最后为什么没有留下来，取消的人卡在哪一步。在这类场景里，能被回答的问题，才值得现在问。
这场聊下来的一个共识是：技术深度决定了我们能做出什么，但决定有没有人用的，是两件更朴素的事——想清楚这个东西是给谁的，以及愿不愿意在它前面放一道足够低的门。把复杂的东西藏到后面不是妥协，是让它有机会被看见。
获取最新资讯与动态：
Copyright © 2026 RADHOST PTE. LTD. (UEN: 202450723N). All Rights Reserved.
