Zdjęcia Miemo Penttinen / Getty Images
Profesjonalny sport — poważna sprawa, dlatego też należy się spodziewać komercyjne zastosowanie w nim dużych zbiorów danych. Ale, co pozwala znacznie poprawić wyniki sportowe zawodników i drużyn, każą brać pod uwagę i nowe zagrożenia
Na dziś segment systemów monitoringu i analiz w sporcie szacuje się na $764,3 mln, a do 2023 roku mu przewidują wzrost do $15,5 mld U dużych zbiorów danych w sporcie ma potencjał, ale jest to gra вдолгую: wartość analitycy danych rośnie wraz z ich nagromadzeniem.
Dla sportów zespołowych najlepiej sprawdzają się systemy analityki dużych zbiorów informacji statystycznych, które pozwalają identyfikować ukryte formy w działaniach zespołu w trakcie sezonu i dostosować taktykę, wykrywanie niezauważalne słabe i mocne miejsca graczy, a także rozebranie grę przeciwnika na najbliższy mecz.
Dane dają wyniki
Praktycznie w każdej grze w sporcie dziś są używane swoje wskaźniki i współczynniki efektywności działań graczy i zespołu w całości, które wcześniej analitycy po prostu nie są identyfikowane i nie używali.
Tak, wskaźnik CORSI w hokeju (stosunek rzutów: do bramki, obok bramy i zablokowanych graczy przeciwnika) pomaga kierownictwu zespołu zidentyfikować najbardziej skutecznych graczy w składzie, co z nich optymalne kombinacje, co prowadzi do zwiększenia skuteczności klubu. Również wykrywane i najsłabsze — to niekoniecznie jest oczywiste — ogniwa w gry schemacie polecenia w perspektywie przyszłych korekt (tłumaczenie zawodnika na innej pozycji, dobór nowych partnerów lub wymiana).
Jednym z adeptów stosowania CORSI w praktyce zarządzania klubem w NHL był zespół “Toronto Maple Leafs”, niedawno kiedyś dostać się do play-off po długiej przerwie. W tym roku jej i wcale nazywany jednym z pretendentów do zwycięstwa w Pucharze Stanleya.
Na tej samej zasadzie działa piłkarski wskaźnik xG — “oczekiwane bramki”. Jest to system, który pozwala oceniać każde uderzenie na bramkę z maksymalną szczegółowością, biorąc pod uwagę wszystkie elementy, które doprowadziły do zadania ciosu (pozycja bijącego stosunkowo bramy, jaka część ciała bił gracz, z jakiej części pola otrzymał przekaz, dokładność, wynik — gol, aut, rzut rożny, kontynuacja gry — itp.).
Analizując xG zespołu pod koniec gry, sztab szkoleniowy otrzymuje maksymalnie obiektywny obraz działań swoich graczy. Są skuteczne i nieskuteczne gry wzory, więzadła graczy, wzory, oczywiste w przypadku bardziej “szorstkie” analizie, na przykład, “rzuty do bramki”. Podobną rolę w koszykówce odgrywają wskaźniki Win Shares i VORP, w baseballu — саберметрика.
Szczegółowa analiza gry akcji każdego gracza, różnych linii (obrona, atak) drużyny i zespołu w ogóle w zestawieniu z danymi o treningach i przywracania otwierają nowe horyzonty rozwoju sportu.
Przyszłość, która już nastąpiła
W rzeczywistości, duże dane w sporcie są już używane i wielkiej tajemnicy w tym nie ma. Wszyscy pamiętają półfinał Mistrzostw świata w piłce nożnej 2014 między Brazylią i Niemcami (1:7). Niemiecka federacja piłki nożnej po wielkiej klęsce chętnie dzieliła się wkład zaawansowanego analizy gry. Mówią, że żadnego cudu, po prostu zorientowali się, począwszy od gry.
Przede wszystkim, analiza gry za pomocą narzędzi big data pozwolił znacznie zwiększyć szybkość перепасовки w środku pola — w trakcie turnieju drużyna wzrost ten wskaźnik, i do półfinału z Brazylią ze średnich 3,4 z jedną transmisję nauczyłam się wydać zaledwie 1,1 s.
Korzystając wyrównanie składu brazylijczyków na korzyść atakujących linii szkody w środku pola, a także obok oczywistych decyzji kadrowych sztabu szkoleniowego latynosów (obrońca Marcelo grał pod napastnikami), niemcy dosłownie rozszarpały gospodarzy mistrzostw świata.
Baseball “Oaklands Атлетикс” w połowie 2000 pokazywali niesamowitą skuteczność. Z pomocą szczegółowej analizy dużych zbiorów danych zbierali сверхдешевые składy z nikomu nie znanych lub wszystkich zapomnianych graczy i wychodzili w play-off 4 razy z rzędu, a w sumie — 5 razy w ciągu 7 sezonów.
Klub angielskiej piłki nożnej Premier league Leicester” stworzył prawdziwą piłkarską sensację w 2016 roku, stając się po raz pierwszy w swojej historii zdobywcą honorowego tytułu. Stało się to w dużej mierze dzięki wprowadzeniu w treningowy i rozgrywka wieloskładnikowe systemy digital-narzędzi gromadzenia i przetwarzania informacji, opisujące różne opcje gry.
Należy pamiętać, że jednym z pionierów naukowej data zorientowanego podejścia do тренировочному procesu, rozwoju graczy i tworzenia taktyczne obrazu pod konkretnego przeciwnika był ZSRR, gdzie kompleksową pracę analityczną z pomocą KOMPUTERA prowadzili jeszcze na styku 70-80-tych ubiegłego wieku.
Wielkie dane decydują się na nie wszystkie
Pomimo widoczne rezultaty zastosowania Big Data w sporcie, a także całkiem realne perspektywy ich wykorzystania w nowych obszarach, pojawiają się i nowe zagrożenia.
Po pierwsze, im więcej w sporcie zawodowym zależy od danych, tym większą wartość przedstawiają i tym większe ryzyko występuje w przypadku ich wyciekach. W branży są używane coraz więcej czujników i urządzeń przenośnych, dane z których bardzo ważne.
Producenci takich urządzeń podczas gdy mało dbają o cyberbezpieczeństwa, dopuszczając ryzyko włamania i kradzieży cennych informacji. Tak, w 2018 roku dane 150 mln użytkowników fitness trackery MyFitnessPal okazały się iść na kompromis w wyniku wycieku — w rzeczywistości, podobne przenośne urządzenia są używane przez profesjonalnych drużyn w różnych dyscyplinach sportu.
Szereg zawodów sportowych związana danych. Na przykład, wyścigi Formuły 1″ — tutaj szkody od włamania, wycieku lub fałszowaniem informacji będzie fatalny, aż do zgonów, jeśli zniekształcić sprawozdanie z pracy silnika lub zawieszenia bolidu.
Po drugie, ważnym i jeszcze źle осознаваемый rodzaj zagrożenia od Big Data w sporcie — przeszacowanie możliwości sztucznej inteligencji, a także niedocenianie tradycyjnych dla wielkiego sportu składników: psychologia zwycięzcy, czynników kontuzji czołowych graczy w trakcie turnieju lub meczu, niski poziom humoru faworyta w meczu z outsiderem.
Słynny Moneyball jeden z apologetów sportowej analitycy Billy ‘ ego Beana w końcu nie zadziałał. Pomimo cuda optymalizacji współczynnika “skład/wynik”, “Auckland” w 2000 roku ani razu nie wyszedł w finale pucharu ligi. Zwycięstwa nadal pozyskania kluby z supergwiazd takich za setki milionów dolarów w składzie.
Można przypuszczać, że w hokeja finale Igrzysk olimpijskich w 2018 roku polska pokonała Niemcy nie dzięki zaawansowanym systemie analitycy gry i subtelnie zaprojektowane taktycznej schemacie, a przede wszystkim ze względu na wybitnego gracza Nikity Gusiew.
W końcu, w świetle sukcesu na mistrzostwach świata 2014 można nie wątpić, że reprezentacja Niemiec do mistrzostw europy w 2018 roku w Rosji przygotowywała się na tych samych wzorcach i na podstawie tych samych inteligentnych technologii, które przyniosły jej triumf w Brazylii. Jednak żadnej AI nie nauczył “манншафт”, jak nie przegrać 0:2 Korei Południowej w decydującej grze.
Analiza Big Data w wielkim sporcie zawodowym, prawdopodobnie nigdy nie stanie się magiczną różdżką, fala która przyniesie gwarantowaną wygraną w Lidze mistrzów, w Pucharze świata lub Igrzyskach olimpijskich. Sportowym menedżerów trzeba zrozumieć, co to jest za narzędzie znalazł się w ich rękach i na co mogą liczyć w jej stosowaniu.
Jednak poleceń, porównywalne z zasobami, należy uczyć się pracy z dużymi danymi: dzisiejsze wzorowych w tej dziedzinie przygotowania, najprawdopodobniej jutro mistrzowie.
redakcja poleca
Sportowy inteligencja. Nowe technologie pomagają wygrywać mecze