Riceviamo e pubblichiamo la Tesi del dott. Andrea Donegà, che lo scorso luglio 2014, al Politecnico di Torino, ha ottenuto la Laurea Magistrale in Management Engineering. Andrea ci ha mandato una breve sintesi del suo lavoro, mentre il documento completo è consultabile e scaricabile al termine del post.
La creazione di valore nell’industria calcio si può sintetizzare con questo ciclo:
Questi tre fattori, come approfondiremo, sono positivamente correlati e interconnessi, nel senso che, generalmente, l’aumento di uno favorisce successivamente la crescita degli altri due e tutti insieme contribuiscono ad aumentare il valore dell’impresa.
Un’azienda calcistica opera per guadagnare una maggiore quota di mercato all’interno della sua lega o campionato, così da aumentare il numero di consumatori e di conseguenza i ricavi ed avere maggiori possibilità di migliorare i risultati sportivi e soddisfare e fidelizzare nuovi consumatori. Tuttavia, essa è anche alleata con i club partecipanti allo stesso campionato e in misura minore anche ai club delle serie minori, per costruire un migliore prodotto comune e aumentare la quota di mercato di quel campionato o lega, ottenere maggiori ricavi da spartire trai singoli club e migliorare i risultati sportivi rispetto alle altre leghe.
Lo stesso discorso si potrebbe estendere a livello macro a una competizione/alleanza tra federazioni, seppur al momento i ricavi maggiori vengono spartiti dalla UEFA e le primi 5 leghe mondiali in termini di ricavi e quota di mercato sono le Europee Inghilterra, Spagna, Germania, Italia, Francia (“Big five”).
Nella tesi ho cercato di trovare quanto incidono questi 3 fattori (ricavi, risultati, tifosi) sul valore di una società, utilizzando il software SPSS Statistics. Ho inserito variabili legate a questi 3 fattori per determinare singoli pesi attraverso l’analisi fattoriale, semplici correlazioni e regressioni. Utilizzando diverse variabili, il risultato è stato sempre lo stesso; questi 3 fattori sono interconnessi e si influenzano a vicenda, dunque non sono strettamente separabili. Si possono però fare previsioni utilizzando queste variabili, vediamo di riassumere tutto con uno dei tanti esempi fatti nella tesi:
In queste 2 tabelle troviamo le società partecipanti alla Serie A 2012/13, in ogni colonna ci sono i valori delle variabili considerate in questo esempio: Sono tutte variabili legate ai consumatori (Numero di tifosi secondo la annuale ricerca della Lega Calcio, spettatori medi allo stadio, percentuale di riempimento stadio, abitanti città e provincia, numero di fans sui social media) e ai risultati sportivi (UEFA team ranking, punti campionato, partecipazioni alla Serie A e alle competizioni Europee, Titoli Italiani ed Europei). Da questo database iniziale, ho costruito 6 variabili;
1) “CatchA” calcolato come segue, per ciascun club di Serie A 2012/13:
(Cittadini Città / media 20 comuni più grandi) * (Provincia cittadini / media 20 province più grandi). Di conseguenza, gli abitanti della città sono inclusi due volte. In questo modo si sottolinea l’effetto positivo delle grandi città e province e l’effetto negativo dei piccoli centri nelle piccole province, penalizzando le grandi città in piccole province (ad esempio Genova) o piccole città in grandi province (ad esempio Bergamo), rispetto, ad esempio, a città di medie dimensioni in province di medie dimensioni (ad esempio Catania). Un’alternativa potrebbe essere l’aggiunta di due contributi, come ho fatto in “Fans Method” nella tesi, costruendo in questo modo un indicatore lineare. Nei seguenti calcoli, ho usato entrambi.
2) “Fans” è la somma del numero di appassionati di ogni club di Serie A (Tifosobilanciato, 2013) diviso per il club con il maggior numero di fans (Juventus FC, 7,1 milioni), più il numero di fans su Facebook diviso per il più alto numero di fans su Facebook aggiornato aprile 2014 (AC Milan, 21millions).
3) “Stadium” è il prodotto tra gli spettatori medi a partita del club moltiplicato per la percentuale di riempimento dell’impianto, diviso per le presenze medie (a partita) del campionato di Serie A in quella stagione.
4) “HistPart” è, per ogni club, la somma del numero di partecipazioni, rispettivamente, a Serie A, competizioni europee e Champions League, ognuno dei quali diviso per il più alto numero di partecipazioni (il primato appartiene, rispettivamente, a Inter FC (82), Juventus FC (50), AC Milan e Juventus FC (28)).
5) “Titles” si calcola come “HistPart”, considerando la somma pesata di tre variabili: titoli italiani, titoli europei e vittorie in Champions League più numero di quarti di finale raggiunti.
6) “Lastres” è la somma ponderata tra UEFA team ranking 2013 e punti di Serie A conquistati durante la stagione, calcolata come “HistPart” e “Titles”.
Lo scopo è vedere quanto sono correlati questi fattori e in seguito prevedere i ricavi utilizzando variabili simili.
Queste sei variabili sono adimensionali ma hanno pesi diversi a cause dei differenti metodi di calcolo, occorre dunque standardizzarle prima di poter utilizzare il software:
Ho diviso i valori ottenuti per ogni club per la somma dei valori di quella colonna, ottenendo così valori compresi tra 0 e 1; per ogni variabile, sommando i contributi di tutti i club, si ottiene 1. Infine, per avere una visione più chiara e per facilitare l’utilizzo di SPSS, ho semplicemente moltiplicato tutti i valori per 100, ottenendo così l’ultima tabella, con i dati che verranno inseriti nel software. Vediamo qualche risultato:
Communality
Extraction method: principal components analysis
Valori molto alti probabilmente nascondono un fattore nascosto. Significa che prendendo alcune delle nostre variabili, già si spiega buona parte delle altre. Qua sotto ho postato l’estrazione degli autovalori (componenti), in cui vediamo che con solo 2 componenti si riesce a spiegare quasi il 94% della varianza.
Extraction method: principal components analysis
Queste variabili sono dunque fortemente interconnesse e difficilmente si possono separare in singoli pesi; ogni qualvolta consideriamo, ad esempio, la media spettatori degli ultimi 5 anni e il numero di fans sui social media, una parte della variabilità del ranking UEFA è già spiegata.
Ma allora come facciamo a stimare il valore delle società a partire da variabili legate ai risultati sportivi e al numero di consumatori, se non è possibile trovare un peso attendibile a ogni variabile? Qui entrano in gioco i ricavi economici, fortemente legati al valore, e l’utilizzo della regressione lineare multipla. Ecco un esempio:
- Predictors (constant), Res, Share
- Dependent variable: Rev
Coefficients
Le variabili legate ai consumatori e ai risultati sportivi, infatti “Share” e “Res” includono le sei variabili dell’esempio precedente, raggruppate in due variabili con una somma pesata; “Share” include “CatchA”, “Stadium” e “Fans”, “Res” include “Histpart”, “Titles” e “Lastres”. I ricavi sono ampiamente spiegati come vediamo dai valori di R e R^2, possiamo dunque utilizzare la seguente equazione per prevederli:
Rev =15,969 +1,407Share + 3,505Res.
In questo modo possiamo avere una stima dei ricavi dipendente unicamente da variabili legate ai consumatori e ai risultati (recenti e passati). Notiamo che il database iniziale era basato su dati relativi a club di Serie A, dunque non possiamo generalizzare questa equazione ad altri club, in questo esempio sono stati considerati questi dati in quanto alcuni valori non sono disponibili per le serie inferiori o leghe estere (Es. numero tifosi della ricerca Lega Calcio 2013).
Vedremo comunque come procedere per altre situazioni e contesti, utilizzando diverse variabili. Intanto cerchiamo di capire meglio la relazione tra ricavi e valore per le società di calcio, prendendo spunto dalla classifica di Forbes, che nonostante le limitazioni e le perplessità suscitate, come discusso nel corrispondente paragrafo della tesi, può essere usata come valido benchmark di confronto, inoltre non ho trovato altre classifiche disponibili sul valore delle società, a parte qualche tentativo settoriale per i club quotati (Market cap) o i club Inglesi (Multivariate model, Markham 2013) .
Guardando i valori delle società pubblicati annualmente da Forbes per i top 20 (in passato 25) clubs, è evidente una relazione tra ricavi annuali e valore della società; ricavi e valore sono legati da un moltiplicatore variabile, che in media aumenta con l’aumentare dei ricavi, e questo è ragionevole in un mercato in espansione come è il calcio a livello mondiale, perché chi fattura di più ha più possibilità di investimenti e di aumentare ulteriormente gli introiti futuri, e con essi il valore.
Qui vediamo i ricavi e il valore secondo Forbes, aggiornati al 2013, per evidenziare il moltiplicatore della colonna di destra, che in generale è maggiore per i club più ricchi, anche se con una certa variabilità, infatti stimare il valore con un moltiplicatore diretto dei ricavi è molto superficiale, bisogna considerare numerosi altri fattori rilevanti (contesto del paese, lega di riferimento, bacino d’utenza, ricavi passati e prospettive future..). E’ comunque evidente che esiste una relazione diretta tra ricavi e valore, in particolare essi sono legati da un moltiplicatore variabile, dipendente da diversi fattori.
Cerchiamo ora di esprimere i ricavi in funzione di variabili legate ai consumatori e ai risultati per squadre di leghe diverse, per fare ciò ho selezionato un campione di 35 importanti club Europei, 7 club per ogni campionato dei “Big five”. I club sono stati selezionati in base alla dimensione ed alla disponibilità di dati. Vediamo le variabili considerate e la regressione lineare di questo tentativo:
1)“Foreign”: Questa variabile include UEFA team ranking e consumatori esteri; Come UEFA team ranking, ho considerato una somma pesata delle ultime cinque stagioni per ogni club, la stagione in corso pesa 1, la quinta pesa 1/5, la quarta 1/4 e così via. Per stimare il fatto che i consumatori sono più soddisfatti dai risultati recenti. Il numero di consumatori esteri, cioè fans di altre nazioni, è stato stimato dai social media in mancanza di ricerche ufficiali. Facebook, nelle cinque nazioni considerate (quelle dei “Big five”), ha ormai raggiunto una penetrazione piuttosto omogenea e un ampio numero di utenti registrati nel mondo (1,28 Miliardi mensilmente attivi a Gennaio 2014, Facebook report), per questo motivo credo che possa essere un valido indicatore, che diventerà più accurato con l’aumento di registrati e la trascurabilità sempre più elevata della differenza di tempo tra le pagine ufficiali create dai club (le pagine create prima hanno avuto più tempo di penetrazione). Un punto a favore è la disponibilità di questo dato per molte società, sia top club che squadre di serie inferiori, inoltre è possibile visualizzare la nazionalità dei “fans”, in questa variabile “Foreign” sono inclusi solo i “fans” esteri.
2)“Local”: Simile a “Foreign”, è la somma pesata dei fan locali (nazionali) secondo Facebook e dei risultati negli ultimi campionati. Perché questi risultati influenzano particolarmente i tifosi locali così come i risultati nelle competizioni Europee sono particolarmente legati al numero di tifosi esteri. Sulla tesi si può vedere bene come sono state costruite queste 2 variabili.
3) “CatchA” considera gli abitanti della città, gli spettatori medi delle ultime 5 stagioni e la percentuale di riempimento degli impianti; rimando alla tesi per una spiegazione più dettagliata, anche in virtù del fatto che nel nostro campione iniziale ci sono molte città con più club.
In questa tabella sono riassunti i valori ottenuti con le variabili citate sopra e nella colonna di sinistra vediamo le 35 squadre del nostro campione. Vediamo ora la regressione lineare utilizzando i ricavi annuali come variabile dipendente (dati aggiornati al 2014):
Model
1. Predictors: (constant), Foreign, CatchA, Local
Coefficient
Dependent variable: Rev
Rev = -80,43 + 57,95CatchA + 80,31Local + 151,14Foreign.
I ricavi sono previsti con un’ottima precisione dalle nostre variabili, possiamo così esprimerli in una maniera più stabile, meno dipendente da picchi annuali o periodici ma tentando di avere una visione a lungo termine, per quanto possibile.
Il coefficiente ampiamente negativo non deve spaventare in quanto in questo esempio abbiamo considerato club di medie-grosse dimensioni, le cui variabili hanno valori nettamente positivi. E’ chiaro dunque che questi risultati sono attendibili e precisi solo per club di medie-grosse dimensioni, diciamo società che fatturano almeno 60-70M€ annui al netto dei trasferimenti dei calciatori (o eventualmente altri tesserati), per generalizzare questa equazione a club di diverse dimensioni avremmo bisogno di un database più ricco, con gli stessi dati di partenza disponibili per centinaia di club militanti in diverse categorie e dimensioni, e otterremmo comunque una stima più grossolana.
Noto che fintanto usiamo i ricavi come variabile dipendente in milioni di € e le variabili sono adimensionali, I risultati della nostra previsione sono in milioni di €, in quanto [M€ * adim] = [M€]. Come si può vedere sulla tesi, simili risultati sono stati ottenuti per il valore del brand.
Vediamo ora un tentativo di stimare il valore delle società, e di conseguenze delle leghe, a partire dai ricavi, espressi in funzione di variabili legate a consumatori e risultati; Si possono usare anche i reali ricavi per stimare il valore, ma vorremmo esprimerli in funzione di variabili più stabili nel tempo, in modo da avere una visione più chiara del valore, consapevoli del fatto che le variabili vanno comunque continuamente aggiornata in funzione dei nuovi dati (es. Nuovi risultati sportivi).
In questa tabella vediamo i 35 club dell’esempio precedente, cerchiamo ora di trovare una formula per calcolarne il valore, ho chiamato questo modello “Factorial fans model”; per fare ciò, ho utilizzato le variabili di sopra, ciascuna corrispondente a una colonna nella tabella; vediamo in sintesi cosa rappresentano partendo dalla formula di calcolo, sulla tesi c’è l’esposizione completa, noto che in questo modello sono considerati sia i ricavi reali (“average last 2 ys rev”, cioè la media del fatturato annuale, al netto dei trasferimenti, delle ultime 2 stagioni), sia i ricavi ottenuti dall’equazione della regressione lineare di riferimento “Rev [11]”:
ß = (Average last 2ys Rev) /100 * (1 + MS*EG) * (1 + CG).
E.g. ß Man Utd = ((396 + 424) /2) /100 * (1 + 0,209 * 0,060) * (1 + 0,040) = 4,100 * 1,013 * 1,040 = 4,32.
E’ un metodo moltiplicativo dei ricavi, in cui il moltiplicatore ß parte da un valore proporzionale a centesimi dei ricavi annuali, seguendo le stime di Forbes, ed è successivamente corretto considerando la tendenza di crescita (o decrescita) del club (CG), di tutte le prime divisioni Europee (EG) e la quota di mercato della lega di quel club (MS). Rimando alla tesi per i dettagli sul calcolo delle variabili.
Foreign mult. (∂) = ß + 0,520ß. Local mult. (∆) = ß – 0,245ß. CatchA mult. (µ) = ß – 0,235ß.
E.g. Man Utd à ∂ = 6,56. ∆ = 3,30. µ = 3,26.
Il moltiplicatore è successivamente decomposto in tre parti (∂, ∆, µ), seguendo le proporzioni indicate dalla regressione lineare. Ogni componente si riferisce a una diversa parte di varianza dei ricavi, dunque nella formula finale sottostante le percentuali fornite dalla regressione (52%, 24,5%, 23,5%) decompongono i ricavi “Rev [11]” in 3 parti, ciascuna delle quali viene moltiplicata per il corrispondente moltiplicatore per trovare la stima finale del valore:
Value = 0,520Rev∂ + 0,245Rev∆ + 0,235Revµ.
E.g. Man Utd revenues from [11] = 414,3M€. Foreign value = 215,4. Local value = 101,5. CatchA value = 97,4. à Value = 215,4∂ + 101,5∆ + 97,4µ = 2067M€.
Questa equazione è valida e precisa solo per club medio-grossi (>60-70M€ annui), ciò ci consente un paragone con I valori di Forbes che si riferiscono a un target simile, seppure ancora più ristretto;
Come prevedibile ci sono molte comunanze, sulla tesi i valori sono commentati, in questa sintesi vorrei ora passare al valore dei club Italiani, cercando un “Factorial Italian model”.
Il metodo utilizzato è simile, cioè moltiplicatore dei ricavi, ma stavolta cambia il database iniziale (occorrono dati disponibili per tutti i club Italiani professionistici), ecco le stime trovate nella tesi, relative al 2012/2013 e considerando tutti i club militanti in A, B e Lega Pro I in quella stagione, più i primi 15 per media spettatori di Lega Pro II:
*It includes also top 15 Lega Pro II clubs, Serie B and Lega Pro I aggregates include all the participating clubs, not only the ones ranked in the table
In ogni colonna vi sono i ricavi stimati con differenti regressioni lineari e il corrispettivo valore utilizzando un semplice moltiplicatore proporzionale a centesimi di ricavi. Nota importante: i ricavi dei club, in particolare quelli delle serie inferiori in tabella, sono da considerare non il reale ammontare delle ultime stagioni, ma piuttosto un valore potenziale (coi dati attuali) dei ricavi, considerando storia, bacino d’utenza e tutte le variabili incluse nella regressione.
Il valore dovrebbe rispecchiare i futuri incassi attualizzati, per questo alcuni club di categorie inferiori in questa tabella valgono di più rispetto ad alcuni piccoli club di Serie A, più dipendenti dai risultati sportivi e da ricchi proprietari.
In conclusione, dopo avere analizzato la stretta (inter)dipendenza tra ricavi, tifosi e risultati, ho cercato di fornire qualche modello per stimare i valori economici di club e leghe focalizzando su attività piuttosto stabili nel tempo e strettamente legate agli introiti e di conseguenza al valore dell’impresa, consapevole del fatto che ogni formula deve comunque essere continuamente aggiornata e che un valore economico assolutamente stabile non esiste, specialmente nell’industria calcio.
View this document on Scribd
Pacman
Nostradamus
Magical Cat Adventure
Snake