Анализът на данни и спортът. Не подозирате колко много е общото между тях
Извън основните правила, модерният спорт няма нищо общо с това, което беше преди години. Колкото и невероятно да ви се струва, част от тази промяна е анализът на данни и прогнозирането.
Живеем в свят, пълен с данни и всеки може да се възползва от тях чрез добро аналитично моделиране. Що се отнася до спорта, то помага за вземането на решения за селекцията на играчи, отношенията с феновете, управлението на бизнеса, оценка на представянето на играчите и дори предотвратяването на контузии.
Не сте и предполагали за последното, нали? Ние, от екипа на A4E имаме няколко примера за споделяне, които разкриват повече за това как днешния професионален спорт използва данните, с които разполага и генерира.
Милан, един от най-големите италиански футболни е изключително напреднал в предотвратяването на контузии на футболистите. Отборът прави това чрез собственото си аналитично звено, наречено MilanLab. Още през 2003 г., клубът бележи 90% намаление на контузените играчи в сравнение с предходните 5 години. Това е първата цяла календарна година, в която Милан използва резултатите на MilanLab. Италианците постигат това чрез 60 хил. стойности на различни показатели при всеки отделен футболист. За всеки футболист, на две седмици са били събирани данни за умствената кондиция (да, тя е от съществена важност), биохимични и мускулно-структурни данни. По този начин MilanLab успява да прогнозира контузиите, което пък въоръжава треньорите с инструмент за тяхното предотвратяване.
Разбира се, този аналитичен подход се използва и при физическите тестове, които футболистите трябва да преминат успешно, преди да подпишат договор с отбора. Ако някои от показателите на играча са в разрез с оптималното, това може да блокира евентуален трансфер.
Например в баскетбола е известно, че ако пулсът на играчите надвиши 160 удара в минута за повече от 2 последователни минути, това прави спортистите доста по-бавни в последната четвърт от играта. По този начин треньорите знаят на кого могат да разчитат в този критичен момент от мача.
Цените на билетите за спортни събития също са продукт на аналитичното моделиране. Това е и отговорът на въпроса защо и с колко се различават цените на билетите за различни мачове на един и същи отбор. Отговорът е в различния интерес на феновете към различните мачове. Но къде точно е златната среда? Анализът на данни е способен да прогнозира интереса към дадена надпревара на база историческа информация, както и да предложи оптимален баланс между зрителски интерес и доходоносна за отборите цена на билета. В американската MLB, 26 от 30 бейзболни отбора използват гъвкаво ценообразуване на база исторически данни.
Нека поговорим за волейбол! Статистиците на отбора са сред ключовите членове на екипа, който работи извън игрището. Те записват всяка атака, пас, движение, удар и т.н. По този начин, треньорите ще знаят с точност възможната успеваемост на всяка атака в отделното разиграване. Ако преминем отвъд отделните играчи и фокусираме върху различните позиции става ясно, че успеваемостта на атаката по диагонала варира между 54 и 71%, но ако атакуващият е център – този процент се увеличава до 73 – 77 на сто, коментира Марк Лебедев от блога Volleyball Analytics.
Анализирането на данни е част и от пистовите моторни спортове, където точния момент за спиране в бокса е ключово важен. Данните са ценен помощник за скаути и треньори, когато трябва да привличат играчи от по-слаби първенства или лиги. Техните резултати се сравняват с тези на спортистите, които са се превърнали в успешни трансфери.
Но инвазията на данните в спорта далеч не се ограничава с професионалните отбори. Сред любителите все по-популярни стават Intenet of Things продуктите и т.нар. носими технологии, каквито са фитнес гривните. Те са способни да регистрират и предават огромно количество от данни в реално време и аналитичния подход към тях ще извлече още по-голяма полза при оценка на резултати или взимането на решения за промяна в тренировъчния режим.
Този текст е предоставен на SocialEvo от А4Е, български стартъп с фокус върху анализирането и моделирането на големи данни
