Як перетворити дані на результати | robot_dreams
Для відстеження статусу замовлення - авторизуйтесь
Введіть код, який був надісланий на пошту Введіть код із SMS, який був надісланий на номер
 
Код дійсний протягом 2 хвилин Код з SMS дійсний протягом 2 хвилин
Ви впевнені, що хочете вийти?
Сеанс завершено
На головну
Дата-аналіз у спорті: як перетворити дані на результати

Дата-аналіз у спорті: як перетворити дані на результати

Розбираємо, як змінилася спортивна метрологія за останні роки

Гасло «Швидше, вище, сильніше» надихає спортсменів на перемоги та встановлення нових рекордів. Спорт зазвичай сприймають як силу духу, подолання власних обмежень, досягнення неможливого. Але все це не є можливим без даних та цифр, які супроводжували спортивні змагання від самого початку.

MoneyBall — найвідоміший приклад спортивної аналітики

Любителі бейсболу і творчого доробку Бреда Пітта, напевно, чули про фільм MoneyBall 2011 року (в українському прокаті — «Людина, яка змінила все»). Це захоплива історія про використання аналізу даних у спорті, зокрема в професійному бейсболі.

Заснований на реальних подіях, фільм розповідає про Біллі Біна, головного менеджера «Окленд Атлетікс», який змінив підхід до формування команди, використовуючи аналіз даних.

Кадр із фільму MoneyBall // IMDb

Одним із ключових моментів фільму MoneyBall та й, власне, історії успіху, зображеної в кіно, є використання показників ефективності гравців, які відхилялися від традиційних. Біллі та його команда аналізували велику кількість статистичних даних, щоб виявити недооцінених гравців, які могли б, з одного боку, забезпечити команді високі результати, а з іншого — коштували дешевше за інших відомих спортсменів.

Фільм показує, як Біллі Бін протистояв традиційним уявленням про те, як формувати команду, і віддавав перевагу аналізу даних та статистиці. Він брав до уваги такі показники, як відсоток успішних кидків, пробіги й рейтинги, щоб визначити потенціал гравців і збалансувати склад команди.

Розв’язавши ці оптимізаційні задачі з допомогою випускника Єльського університету Пітера Бренда, герой фільму зробив ставку на менш очевидних, але достатньо ефективних гравців, що дало змогу його команді успішно конкурувати із суперниками, які мали набагато більший бюджет.

Історія, показана у фільмі MoneyBall, продемонструвала важливість аналізу даних у спорті та його потенціалу в майбутньому. Знятий на основі книги, написаної у 2003, фільм став кінематографічним відображенням тодішнього стану спортивної аналітики та передвісником її розвитку в майбутньому.

Новий підхід до даних у спорті

Спортивна метрологія як наука про вимірювання у спорті відома давно. Але раніше її завданнями були фіксація результатів та створення правил, за якими оцінюють виступ атлета чи команди та визначають переможця. У 21 столітті це змінилося — і продовжує змінюватися. Спортивні вимірювання вийшли на новий рівень та стали частиною прогнозування й ухвалення рішень.

Це відбувається завдяки кільком речам:

  • величезним об’ємам даних, які генеруються під час тренувань та змагань;
  • можливостям фіксувати й аналізувати ці дані.

Все це в комплексі допомагає краще розуміти й оцінювати діяльність спортсменів та спортивних команд, а ще — обирати найбільш оптимальні стратегії для вдосконалення підготовки й майбутніх перемог.

Ринок спортивної аналітики росте і, за прогнозами експертів, найближчим часом перевищить $ 4 млрд. Крім того, за даними Бюро статистики праці, спортивна аналітика є одним із найшвидше зростальних сегментів робочих місць у сфері дата-аналізу, який за останнє десятиліття збільшився на 27 %.

Спортивні аналітики використовують різні методи, зокрема статистичний та кількісний аналіз і предикативне прогнозування, щоб ухвалювати рішення впродовж тренувального процесу та під час гри чи змагань.

Більшість проєктів аналізу спортивних даних поділяють на чотири категорії:

  • Прогнозування результатів
  • Оцінка конкурентів
  • Визначення проблемних областей
  • Аналіз гри

Як аналіз даних став помічником для команд, глядачів та менеджерів

Аналіз даних у спорті став продовженням розвитку інших технологій, що навчилися отримувати під час змагань та тренувань різні дані про атлетів, їхніх суперників та середовище, в якому вони тренуються. Навіть такі відомі всім гаджети, як фітнес-браслети чи розумні годинники, теж можуть бути одним із джерел інформації для спортивної аналітики.

Спортивна аналітика використовує й інші дані, до прикладу, системи відеоаналізу — саме такий допоміг футбольній команді «Лінкольн Сіті» з Великої Британії піднятися на вершину Прем’єр-ліги.

Платформа Hudl, яку використовували менеджери команди, дає змогу записати матч, а потім проаналізувати його. Система генерує автоматизовані статистичні звіти. Після цього матч можна розбити на списки окремих відтворень (наприклад, у центрі уваги можуть бути кутові удари або гольові передачі). Ці відео атлети й тренери можуть детально проаналізувати, побачити помилки й зрозуміти, як покращити гру чи її елементи.

Схожі інструменти використовують також і в баскетболі — наприклад, система RSPCT, оснащена камерою Intel RealSense 3D для відстеження та аналізу кожного удару, не лише пропонує глядачам оцінити точність ударів гравців. Ця технологія у поєднанні з портативними браслетами від Kinexon дає змогу тренерам отримати повне розуміння позиції гравця та його продуктивність у кожний конкретний момент часу. Її використовують декілька команд найвищого легіону, наприклад, Washington Wizards.

Ще одна сфера застосування спортивної аналітики — покращення глядацького досвіду. Наприклад, інструмент Statcast, який використовує MLB (Головна бейсбольна ліга), дає змогу глядачам отримати детальну інформацію щодо швидкості, точності, пройденої відстані гравця тощо.

Відвідувачі ігор можуть бачити ці дані на спеціальному екрані, а ті, хто переглядає трансляції, — у спеціальних примітках над зображеннями гравця. Вся інформація відтворюється у режимі реального часу і дає змогу краще розуміти те, що відбувається на полі.

Як аналіз даних допомагає у роботі тренерів

Інструменти спортивної аналітики стали чудовими помічниками й у роботі тренерів і менеджерів команд. До прикладу, Національна баскетбольна асоціація (НБА) використовує систему камер відстеження гравців SportVU. Ця просунута технологія трекінгу може проаналізувати, наскільки ефективним і результативним є спортсмен на полі, оцінювати відстань, яку він пробігає, та загалом скільки енергії витрачає під час гри.

У Національній футбольній лізі (NFL) команди та гравці використовують інноваційний інструмент аналізу даних Catapult. У поєднанні з персональними моніторами система може кількісно оцінити програми тренувань та навантажень атлетів і краще контролювати їх, щоб зменшити ризик травм.

Подібні інструменти від Microsoft використовує тренерська група команди «Реал Мадрид». Ортопеди «Реал Мадрида» застосовують 4D-сканування з ігор та аналіз даних на основі штучного інтелекту, щоб розробити міцне й надійне обладнання для спортсменів. А тренери можуть використовувати пристрої GPS і хмарне програмне забезпечення для відстеження та аналізу рухів кожного гравця під час тренування.

Alt text

Як працює інструмент від Microsoft

Нова професія — аналітик спортивних даних

Розвиток спортивної аналітики призвів до появи нового напряму діяльності дата-саєнтистів — аналітики спортивних даних. Робота такого спеціаліста полягає в зборі та моніторингу статистики для спортсмена, гри чи команди. У межах цього аналізу використовують алгоритми, які допомагають передбачити майбутню ефективність команди, допомогти застосувати інформацію для ухвалення бізнес-рішень або надати статистику та відгуки для спортивних коментаторів.

Серед прикладів завдань, які можуть стояти перед спортивним аналітиком, — зрозуміти, чому деякі гравці потрапляють до Зали слави, тобто стають видатними. Дізнатися це можна, використовуючи інформацію з бази даних Lahman Baseball Database та застосовуючи регресійний аналіз для визначення найважливіших показників гравців у бейсбол.

Спортивний аналітик може також працювати й у ролі бізнес-аналітика, завдання якого — допомогти покращити продуктивність команди шляхом застосування отриманих та проаналізованих ним даних.

Наразі такі вакансії в Україні є рідкістю, проте на ринку США вони з’являються дедалі активніше, наприклад, зараз відкрита пропозиція роботи для спортивного дата-саєнтиста у Сан-Франциско. Вона передбачає винагороду розміром $ 103–135 тис. на рік.

Ще статті
У два рази більше натхнення та інформації на другій онлайн-конференції від robot_dreams
Експертки про те, як оцінюють кандидатів на нетехнічних інтерв’ю