距离比赛还有30天、7天和24小时，票务库存策略为什么应该完全不同？

比赛：同一场比赛，三个时间点面对三群人

假设某场馆可容纳3.6万人，一场普通联赛安排在周日下午四点。开赛前30天，这场比赛已经售出约四成座位，但其中大部分来自季票持有者和会员通道；开赛前7天，售出率升到六成，新增订单主要来自本地普通观众；开赛前24小时，还剩约5000个座位，订单开始集中在手机端和场馆周边。

这三个时间点看起来只是同一条销售曲线上的三个点，但对票务运营来说，它们几乎是三个不同的市场。30天前买票的人计划性强、对座位位置敏感；7天前开始决策的人会同时比较天气、对手和其他周末安排；24小时内下单的人更关心“还能不能买到、能不能马上入场”，对具体座位没那么挑剔。皇冠体育AI在规划库存时，第一件事就是把比赛拆进这三个 Purchase Window（购买窗口），而不是把整场比赛当成一个整体。

还要先排除特殊比赛。如果这场比赛是德比、冠军争夺战或节假日场次，30天前的销售可能已经接近售罄，需求曲线会完全不同，需要单独建模，不能套用普通联赛的节奏。

座位：不同窗口需要的座位类型不一样

既然三个窗口的买家不同，他们需要的座位也不同。30天窗口的买家往往愿意为好视野多付钱，也愿意为同行的家人朋友买连座；7天窗口的买家更在意性价比，中段和上层的标准座位是主力；24小时窗口的买家对位置不敏感，但对入场便利和出票速度很敏感。

这意味着库存规划不应该只是“先放多少、后放多少”，还要回答“先放哪一类、后放哪一类”。例如把大量连座和下层中段留到最后24小时，往往是浪费，因为那时的买家大多是一到两人、临时决定；反过来，如果30天前就把所有低价上层座位放完，到了7天窗口就缺少吸引普通观众的价格入口。

库存：按窗口分批，而不是一次放完

票务库存可以拆成 Available Seats、Reserved Seats、Member Allocation 和尚未释放的 Public Inventory。不同窗口的主要任务不同，下面是模拟场景中皇冠体育AI给出的分阶段库存框架：

这里的关键是“不能一次性释放全部库存”，但也不能一直捂着。30天窗口通常只开放一部分公开库存，保留足够的座位给后面两个窗口；同时要为赞助商、客队和媒体预留座位设定确认截止时间，例如开赛前72小时必须确认用量，未使用部分进入最后阶段的公开销售。

需求：用 Demand Curve 判断是提前还是落后

分阶段释放的前提，是知道每个时间点“应该”卖到多少。皇冠体育大模型会根据同类型比赛的历史数据生成一条参考 Demand Curve（需求曲线），例如普通联赛周日下午场，开赛前30天通常售出多少、7天前通常售出多少，再把当前比赛的实际销售放上去比较。

如果实际曲线明显高于参考曲线，说明需求可能被低估，可以提前释放下一批库存，或者在下层中段做小幅分区调整；如果明显低于参考曲线，就要先查原因，而不是立刻降价。例如对手级别变化、同城有其他大型活动、天气预报转差，这些原因对应的处理方式都不同。

7天窗口是整条曲线里最值得盯紧的一段。这时 Days to Event 已经很短，但普通观众的决策刚刚开始，Sales Velocity 每天的变化都很有信息量。假设参考曲线显示开赛前7天到前3天应该每天新增约2000张，而实际只有1500张左右，那么差距不是一个静态数字，而是在逐日扩大的缺口。皇冠体育AI会在这个阶段把日报改成按半天更新，并把缺口拆到每个看台，判断是整体需求偏弱，还是某几个区域定价或位置不够有吸引力。

这条参考曲线也可能判断错。历史比赛的样本如果很少，或者球队本赛季战绩和往年差异很大，曲线本身就会偏。所以皇冠体育AI在报告里会同时给出参考曲线的样本数量和置信范围，提醒运营人员不要把它当成确定答案。

销售：最后24小时还能做什么

到了最后24小时，能做的事情比很多人想象的少。价格大幅变动已经不合适，因为早买的球迷会直接比较，长期信任受损的代价往往大于多卖几百张票。更有效的动作通常是：

• 把已确认不用的预留座位及时回收，放进公开库存；
• 把零散单座集中展示，方便一到两人快速下单；
• 通过会员渠道推送临时观赛提醒，而不是在公开渠道降价；
• 检查出票和入场流程，避免因为线上排队或核验慢导致放弃购买。

三个窗口的策略放在一起看，才是完整的库存管理：30天窗口决定整体节奏，7天窗口决定需求能否被激活，24小时窗口决定预留座位能否被及时转化。每个阶段的建议都应该附带理由和失效条件，由票务负责人最终拍板。关于座位分批释放的时机，可以延伸阅读什么时候应该释放哪一批座位；更多相关分析见体育票务管理栏目。