Strategie Di Prezzo Per Club Calcistici

When you walk through a storm
Hold your head up high
And don't be afraid of the dark
At the end of the storm
Is a golden sky
And the sweet silver song of a lark

Walk on through the wind
Walk on through the rain
Tho' your dreams be tossed and blown
Walk on, walk on
With hope in your heart
And you'll never walk alone
You'll never walk alone

Corso di Marketing
Prof. Carlo Amenta
prof. Gandolfo DOMINICI

I Prezzi nel marketing sportivo

● Prodotti sportivi;
● Eventi (Biglietti);
● Atleti;
● Merchandising e attrezzatura sportiva;
● Diritti TV;
● Sponsorizzazioni;

Pricing strategies - Amenta
Corso di Marketing
Prof. Carlo Amenta

Ricerca sul campo

● Analisi del calcio professionistico italiano con l’utilizzo
di strumenti e teorie di strategia d’impresa ed econometria
articoli su:

● Le determinanti dei ricavi da media
● Accordi per la ripartizione di diritti televisivi
● competitive balance (Neale, 1964);
● Gestione degli stadi e strategie di coopetition

Corso di Marketing
Prof. Carlo Amenta

Alcune questioni teoriche

● Inelastic sport pricing (Fort, 2004);
● Variable ticket pricing (Rascher et al.,
2007);
● Profit maximization o utility maximization
owner(Sloane, 1971)?

Corso di Marketing
Prof. Carlo Amenta

The role of attendance

• I tifosi possono essere considerati un fattore di
produzione per una squadra di calcio professionistica
(strategie di cocreazione del valore)?
● Esiste il 12mo uomo in campo?
● Quali sono le conseguenze sulla vendita dei biglietti?
● Le strategie relative ai ricavi da gestione dello
stadio possono avere un impatto sullo sviluppo di una
strategia di CSR per le società di calcio
professionistico?

Corso di Marketing
Prof. Carlo Amenta

The role of attendance

● L’esistenza del fattore campo è stata documentata per
vari sport (Schwartz and Barsky, 1977; Pollard, 1986;
Neville and Holder, 1999; Smith, 2005; Wolfson et al.,
2005; Boyko R.H. et al. 2007)

● Il pubblico ha un impatto sulle performance degli
atleti o sul comportamento dell’arbitro?

Corso di Marketing
Prof. Carlo Amenta

Supply side

Corso di Marketing
Prof. Carlo Amenta

Demand side

Corso di Marketing
Prof. Carlo Amenta

Cross Section

Supply side: Sporting production function
winperch i = C 0 + β 1 log att i + β 2 cap i +
+ β 3 goalsdiffh i + β 4 managerch i + β 5 away + εi
i

Demand side

log att i = C 0 + β 1 winperch i + β 2 log avpr 0506 i +
+ β 3 riot i + β 4 addedval i + β 5 pop i + β 6 dumseriea i + β 7 star + ε ι

Corso di Marketing
Prof. Carlo Amenta

Cross section – Season 2006/2007
Summary statistics
. sum

Variable Obs Mean Std. Dev. Min Max

winperch 42 .4736842 .1797085 .157895 .894737
away 42 20.85714 8.567014 4 49
pop 42 1109151 1070752 172672 3854127
dumseriea 42 .4761905 .5054867 0 1
star 42 2.738095 4.345222 0 17

avpr0506 42 45.78968 25.50629 17 128
addedval 42 23641.12 5803.515 12760 34184
riot 42 6.472619 3.930475 2.81 28.62
att 42 262907.1 215951.8 36563 917496
cap 42 31782.12 21117.94 8412 81193

goalsdiffh 42 7.714286 11.54902 -19 38
managerch 42 .4761905 .5054867 0 1

Corso di Marketing
Prof. Carlo Amenta

Cross section – Supply

. reg winperch logatt cap goalsdiffh managerch away

Source SS df MS Number of obs = 42
F( 5, 36) = 44.82
Model 1.14085136 .228170271 Prob > F = 0.0000
5
Residual R-squared = 0.8616
.183249514 36 .005090264
Adj R-squared = 0.8424
Total 1.32410087 .032295143 Root MSE = .07135
41

winperch Coef. Std. Err. t P>|t| [95% Conf. Interval]

logatt .0275393 .0242299 1.14 0.263 -.0216012 .0766798
cap 8.49e-07
-8.47e-07 8.37e-07 -1.01 0.318 -2.54e-06
goalsdiffh .0162762
.0132858 .0014745 9.01 0.000 .0102953
managerch .0334481
-.0158797 .0243222 -0.65 0.518 -.0652075
away .0061435
.0021085 .0019896 1.06 0.296 -.0019266
_cons .5907571
.0255319 .2786977 0.09 0.928 -.5396933

Corso di Marketing
Prof. Carlo Amenta

Cross section – Demand

. reg logatt winperch logavpr0506 riot addedval pop dumseriea star

Source SS df MS Number of obs = 42
F( 7, 34) = 16.12
Model 17.0298915 Prob > F =
7 2.43284165 0.0000
Residual 5.13003263 R-squared =
34 .150883313 0.7685
Adj R-squared = 0.7208
Total 22.1599242 Root MSE =
41 .540485955 .38844

logatt Coef. Std. Err. t P>|t| [95% Conf. Interval]

winperch 1.204149 .5052014 2.230842
2.38 0.023 .1774565
logavpr0506 -.4242791 .1803088 -.0578477
-2.35 0.025 -.7907106
riot .0221655 .0177467 .0582311
1.25 0.220 -.0139001
addedval -.0000216 .0000133 5.34e-06
-1.63 0.112 -.0000486
pop 2.27e-07 8.53e-08 4.00e-07
2.66 0.012 5.34e-08
dumseriea .7004871 .1873976 1.081325
3.74 0.001 .3196492
star .0484331 .0288189 1.68 0.102 -.0101339 .1070001
_cons 12.85801 .7942763 14.47218
16.19 0.000 11.24385

Corso di Marketing
Prof. Carlo Amenta

2SLS – 2 instruments
. ivreg winperch away managerch goalsdiffh cap (logatt=pop addedval), first
First-stage regressions

Source SS df MS N u mbe r of obs = 4 2
F ( 6 , 35) = .
9 8 9
Model P r ob >F = 0
13.936518 6 2.32275299 0 . 0 0 0
Residual .234954463 R - squ ared = 6
8.22340619 35 0 . 2 8 9
A d jR -squared = 0 . 5 6 5 3
Total R o ot MSE = 8
22.1599242 41 .540485955 . 4 4 7 2

logatt Coef. Std. Err. t P>|t| [95% Conf. Interval]
aw a y . 4 9 -.04 9
-. 0 1 1 6 8 6 4 . 0 1 5 2 7 7 9 -0 . 7 6 0 4 2 7 0 2 2 .01 3 2 9 4
manager c h . 8 8 -.29 .38 0
. 0 4 4 8 5 8 1 . 1 6 5 4 9 5 2 0 . 2 7 0 7 1 1 1 4 9 8 3 1 2
goalsdif f h . 5 9 -.00 3
. 0 1 9 3 2 6 4 . 0 0 9 9 0 2 2 1 . 9 5 0 0 0 7 7 6 2 .0 9 4 2 9
c a p . 1 9 2.8 0
. 0 0 0 0 1 6 6 6 . 7 8 e - 0 6 2 . 4 5 0 0 6 e - 0 6 .00 0 3 0 4
p o p . 4 2 -1.3 7
1 . 8 7 e - 0 7 1 . 5 7 e - 0 7 1 . 1 9 0 2 2 e - 0 7 5.0 e - 0 7
addedv a l . 8 5 -.00 0
-. 0 0 0 0 1 2 7 . 0 0 0 0 1 4 4 -0 . 8 8 0 3 0 0 4 1 9 .00 0 1 6 6
_co n s . 0 0 10. 6
1 1 . 8 4 3 5 2 . 4 1 8 4 4 4 5 28 . 3 0 0 0 9 9 4 0 3 12. 9 3 0 1

Instrumental variables (2SLS) regression
Source SS df MS N u mbe r of obs = 4 2
F ( 5 , 36) = .
2 3 6 0
Model P r ob >F = 0
.976346494 5 .195269299 0 . 0 0 0
Residual .347754377 .009659844 R - squ ared = 7
36 0 . 3 7 4
A d jR -squared = 0 . 7 0 0 9
Total R o ot MSE = 9
1.32410087 41 .032295143 . 0 8 2 8

log a t t . 5 8 -.40 .187
-. 1 1 0 2 0 4 1 . 1 4 7 0 1 3 2 -0 . 7 5 0 4 8 3 6 0 7 9 5 2 4
a w a y . 9 3 -.00 .007
. 0 0 1 5 1 6 3 . 0 0 2 8 0 9 1 0 . 5 4 0 5 4 1 8 0 7 2 1 3 4
manage r c h . 1 4 -.07 .061
-. 0 0 8 1 4 5 9 . 0 3 4 4 5 6 5 -0 . 2 4 0 8 8 0 2 6 9 7 3 5 1
goalsdi f f h . 0 0 .00 .0
. 0 1 5 5 6 3 5 . 0 0 3 1 1 9 5 4 . 9 9 0 0 9 2 3 6 9 2 1 8 9
c a p . 1 1 -4.7 9.36
2 . 3 1 e - 0 6 3 . 4 8 e - 0 6 0 . 6 6 0 5 4 e - 0 6 e - 0 6
_co n s . 4 8 -1.8 5.00
1 . 5 9 7 7 5 8 1 . 6 7 8 7 0 2 0 . 9 5 0 3 0 6 8 0 8 2 3 2 4
Instrumented: logatt
Instruments: away managerch goalsdiffh cap pop addedval

Corso di Marketing
Prof. Carlo Amenta

Cross section: more
L’interazione tra stadium capacity e attendance
non è significativa

Se utilizziamo l’attendance in livelli i
risultati non cambiano

Se utilizziamo il tasso di occupazione al posto
dell’attendance i risultati non cambiano

Corso di Marketing
Prof. Carlo Amenta

Panel data model –
Supply side: Sporting production function

winperch it = C 0 + γι + β 1 log att it + β 2 cap it +
+ β 3 goalsdiffh it + β 4 managerch it + β 5 away + ε it
it

Demand side

log att it = C 0 + γ ι + β 1 winperch it + β 3 riot it + β 4 addedval it +
+ β 5 pop it + β 6 dumseriea it + ε ιt

Corso di Marketing
Prof. Carlo Amenta

Panel data – 2004/05-2006/07

• Non abbiamo dati su Average price e
Star

• Abbiamo utilizzato un modello ad
effetti fissi per ragioni teoriche

Corso di Marketing
Prof. Carlo Amenta

Panel data – 2004/05-2006/07 – Supply
Fixed-effects (within) regression Number of obs = 126
Group variable: t e a m Number of groups = 49

R-sq: within = 0 . 7 7 3 5 Obs per group: min = 1
between = 0 . 8 4 3 0 avg = 2.6
overall = 0 . 8 1 8 8 max = 3

F(5,72 ) =
57 49.19
corr(u_i, Xb) = -0.2779 Prob > F = 0.0000


logatt 0.900 .0731507
.0043447 .0345158 0.13 -.0644612
cap 0.409 3.51e-06
1.03e-06 1.24e-06 0.83 -1.44e-06
goalsdiffh 0.000 .0143019
.0122568 .0010259 11.95 .0102117
managerch 0.731 .043179
.0063715 .0184641 0.35 -.0304361
away 0.058 .0060762
.0029843 .001551 1.92 -.0001077
_cons 0.638 1.074304
.2056569 .4357476 0.47 -.6629899

sigma_u .05328257
sigma_e .06628723
rho (fraction of variance due to u_i)
.39250947

F test that all u_i=0: F(48 , 7 2 ) =
4 Prob > F = 0 . 7 1 5 5
0.86

Corso di Marketing
Prof. Carlo Amenta

Panel data – 2004/05-2006/07 – Demand
. x t r e g l o g a t t w i n p e r c h r i o t a d d e d v a l p o p d u m s e r i e a, f e

Fixed-effects (within) regression N u mb e r o f o b s = 126
Group variable: team Number of groups = 49

R-sq: within = 0.2267 Obs per group: min = 1
between = 0.0602 avg = 2.6
overall = 0.0574 max = 3

F(5,72) = 4.22
corr(u_i, Xb) = -0.0885 Prob > F = 0.0020

logatt Coef. Std. Err. t P>|t| [ 9 5 % C on f . I n t e r v a l ]

winperch .1502871 .2220544 0.68 0.501 -.2923703 .5929444
riot .0026624 .0134282 0.20 0.843 -.0241062 .029431
addedval -.0000322 .0000452 -0.71 0.479 -.0001222 .0000579
pop -6.32e-08 4.91e-08 -1.29 0.202 -1.61e-07 3.46e-08
dumseriea .3976978 .1059529 3.75 0.000 .1864846 .6089111
_cons 12.75571 1.043303 12.23 0.000 10.67592 14.8355

sigma_u .76100274
sigma_e .21887572
rho .92359784 (fraction of variance due to u_i)

F test that all u_i=0: F(48, 72) = 11.03 Prob > F = 0.0000

Corso di Marketing
Prof. Carlo Amenta

Panel data – 2004/05-2006/07 – 2SLS
Fixed-effects (within) IV regression Number of obs = 126
Group variable: team Number of groups = 49

R-sq: within = 0.3129 Obs per group: min = 1
between = 0.2114 avg = 2.6
overall = 0.0199 max = 3

W a l d ch i 2 ( 5 ) = 2036.54
corr(u_i, Xb) = -0.8874 Prob > chi2 = 0.0000

winperch Coef. Std. Err. z P>|z| [ 9 5 % C on f . I n t e r v a l ]

logatt .313179
-.4133896 -1.32 0.187 -1.027209 .2004299
cap 2.63e-06
-1.01e-06 -0.39 0.700 -6.18e-06 4.15e-06
goalsdiffh .0027251
.0094605 3.47 0.001 .0041194 .0148017
managerch .0618875
.0782331 1.26 0.206 -.0430641 .1995303
away .0040549
-.0011253 -0.28 0.781 -.0090728 .0068222
_cons 3.931169
5.448098 1.39 0.166 -2.256852 13.15305

sigma_u .36974362
sigma_e .1154689
rho .91113861 (fraction of variance due to u_i)

F test that all u_i=0: F(48,72) = Prob > F = 1.0000
0.32

Instrumented: logatt
Instruments: c a p g o a l s d i f f h m a n a g e r c h a w a y p o p ad d e d v a l

Corso di Marketing
Prof. Carlo Amenta

You can even walk alone…
• Nelle ultime tre stagioni del calcio italiano il
12mo uomo si è rilevato solo un mito per
migliorare le performance sportive non serve avere
lo stadio stracolmo allora c’è spazio per il
profitto nella vendita dei biglietti allo stadio

• Fine di lucro: il club può fissare prezzi elevati
per i posti di lusso e confortevoli (tipo sky box)
per coprire i costi di gestione dello stadio e per
i settori in cui oggi vanno i tifosi violenti
(curve)

Corso di Marketing
Prof. Carlo Amenta

Conclusions: Need for a CSR policy

• Così il profitto dà spazio a strategie di
CSR nel senso di ruolo politico
nell’ambito della teoria del corporate
citizenship (Matten & Crane 2005)

• Le strategie di CSR possono essere
utilizzate per escludere i fans violenti
• Gli altri posti possono andare agli
stakeholder importanti: vivaio, studenti,
disabili

Corso di Marketing
Prof. Carlo Amenta

Conclusions: Proposal
• La legge italiana ha dato ai club il ruolo
di soggetti che garantiscono la sicurezza
negli stadi

• Le politiche di inclusione sociale possono
essere adottate creando fan club
controllati dalle squadre i cui membri
(opportunamente controllati) possono
ottenere sconti forti sui biglietti

Corso di Marketing
Prof. Carlo Amenta

Strategie Di Prezzo Per Club Calcistici

Recommandé

Recommandé

Contenu connexe

En vedette

En vedette (20)

Plus de Gandolfo Dominici

Plus de Gandolfo Dominici (13)

Strategie Di Prezzo Per Club Calcistici