earticle

영어

This study aims to identify an effective methodology for predicting spectator attendance in professional sports. Using home game data from a professional baseball team (2015–2017), multiple regression and machine learning models—Deep Learning, Random Forest, and XGBoost— were evaluated against 2024 attendance data. Multiple regression revealed that events, weather, and game days significantly influenced attendance with a MAPE of 38.58%. Among machine learning methods, XGBoost achieved the highest accuracy (MAPE 6.83%) by effectively mitigating overfitting, emphasizing the need for proper overfitting control when using small-scale data. These findings provide practical guidance for sports marketing firms in selecting appropriate prediction models. Future research will extend to small-scale data applications for SMEs.

한국어

본 연구의 목적은 프로스포츠 관중 예측에 적합한 방법론을 확인하는데 있다. 연구방법은 A 프로야구 구단 이 2015년부터 2017년까지 진행한 홈경기 데이터를 기반으로 다중회귀분석 모형과 3가지 머신러닝 기법으로 도 출한 예측모형의 정확도를 2024년 관중수와 비교하여 확인하였다. 연구결과 다중회귀분석에서는 이벤트, 날씨, 경기 요일이 관중수에 유의미한 영향을 미쳤고 예측 정확도는 MAPE 기준 38.58%였다. Deep Learning, Random Forest, XGBoost 기법을 활용한 예측에서는 과적합 문제를 적절히 통제한 XGBoost가 MAPE 기준 6.83%의 정확도를 보여주어서 관중수 예측과 같은 소규모 데이터를 활용한 예측에서는 과적합 문제가 중요한 쟁 점이라는 것을 확인할 수 있었다. 본 연구는 프로스포츠 마케팅 기업 등이 관중 예측 방법론을 적절히 선택하는데 도움을 줄 수 있을 것이다. 향후 연구에서는 중소기업 등이 보유한 소규모 데이터를 활용한 머신러닝 기반의 예측 정확성 향상방안을 마련해 보겠다.