王者荣耀2021世冠总决赛8月28日开战 冠军之争一触即发
王者荣耀2021世界冠军杯冠军 世冠总决赛战队
竞·无双!电竞北京2021王者荣耀世冠总决赛8月28日17:30开战!
CBA总决赛第三场
CBA总决赛第三场比赛即将上演 总冠军将花落谁家?
CBA第3阶段比赛3月1日开打 总决赛最晚5月1日结束
在科比退役当天CCTV五直接取消了中午的体坛快讯
美媒评过去20年NBA5大影响力球星:科比与乔丹在列现役仅有1人
曾经的科比创下了无数难以打破的记录一起回顾黑曼巴的传奇
NBA3消息!科比评价伦纳德加盟快船湖人主帅也表态安东尼后悔

当体育恋上了大数据体育转型和体育变革势在必行

对于体育人士来说,从教练员到运动员,从工作人员到球迷朋友,数据的有效利用对于赢得比赛起到至关重要的作用;从商业角度来看,大数据介入体育产业后,诸多新商机被挖掘,体育界的一扇“天窗”正在打开。

在赛场上,球员的每次击球、每次跑动都会影响比赛结果。因此,运动员和球队越来越看重数据分析给他们带来赢得比赛的机会。然而,众所周知,体育比赛节奏很快,一些数据稍纵即逝。

目前,除了人工数据收集外,很多新科技已经被引进该领域,较为常见的是球员配备可穿戴设备,帮助他们提高球场经验,教练也可利用可穿戴设备监控运动员表现,精确了解球员体能状况、动作精度,以便更好地设计培训计划。

此外,很多职业球队会通过动作捕捉技术,在运动员训练过程中实时追踪与记录其动作数据,便于量化分析。比如,美国NBA各主场球馆内平均安装6个摄像头,以每秒25次的速度收集篮球以及每位球员的移动数据。而且动作捕捉技术追踪的球员运动数据,还可在赛后生成动画效果模拟比赛,帮助更多职业组织进行数据存储和球员信息分析。

不过,随着大数据技术的发展,目前职业赛场常用一种数据采集系统,即通过数据建模将系统分为联赛组织管理、系统管理、现场数据采集、信息查询等功能模块,并以数据录入和现场数据采集的方式结合互联网实现对运动员信息的采集与管理。

对于体育从业者而言,赛前运动员的身体状况、心理状况,比赛过程中的天气状况、赛场周围环境以及运动员场上得分情况都会影响比赛。有教练表示,通过从比赛时间、球员得分、助攻、失误等维度对球员及赛场数据分析,可以帮助他们及时有效的排兵布阵,并左右比赛走向,从而形成精彩赛事。

球场上的输赢,除了赛场上连续对打期间球员的快速反应之外,比赛策略和战术的及时调整也是获胜关键,因此数据采集的全面性和及时性显得尤为重要。简而言之,谁的球员数据更精细准确,谁就争取到了获胜先机。

其实,大数据对体育业的影响不仅表现在运动场上,随着移动互联和计算机技术的飞速发展,体育与大数据的结合已经催生了很多成熟的商业场景应用,且成果斐然。

其次,很多人对大数据结合体育产业的第一反应还停留在“用数据来赌球”。其实不然,体育博彩不过是大数据进入体育产业后最为直接的变现形式之一。

据调查,国外数据公司通过复杂的计算方法,分析比赛时天气、球员家庭成员、甚至教练生日等看似毫无干系的数据,对赛果的预测准确度达76%。而国内某些博彩平台,基于彩票大数据构建的预测模型,从多维度分析投注结果、赔率变化,为彩民进行赛果预测,准确率甚至能达90%以上。

据公开数据显示,从2013年到2016上半年,资本市场在体育产业的布局中,新创业项目数量达667家,获投项目251个,其中可统计时间的融资事件有239起,披露的融资金额高达217亿。那么体育大数据究竟有何魅力,能吸引资本纷至沓来呢?

虽然资本在体育数据方面逐步介入,使中国的体育大数据企业有望快速爆发。但从目前情况看,国内体育大数据的发展依然面临诸多问题。

一方面,国内体育数据行业尚未出现具备绝对话语权的巨头。另一方面,因为体育行业包含足球、篮球、网球等细分领域,所以在数据模型方面会有千差万别,这也就意味着在市场尚未成熟阶段,体育大数据公司仍需要各自“野蛮生长”。不过,对嗅觉灵敏的各路资本来说,这也是跑马圈地的关键时期,未来其对优质标的公司的争夺将更为激烈。

另外,目前中国体育产业正处在消费升级阶段。按照中国体育产业的规划,在2020年中国运动健身领域将有约3000亿的市场规模。所以,除了职业比赛,在个人运动数据、社会性比赛等方面也将会有非常大的市场。

而体育产业除了数字化之外,还将面临的趋势就是智能化。从数据采集到数据分析,从数据挖掘到最后的机器学习、人工智能,各环节也都将会取代原来的传统方式。

随着国内人们生活消费水平的提高,以及越来越多资本和创业者的参与,未来体育大数据的应用场景将会越来越多,势必对体育产业的发展产生颠覆性影响。

大数据服务,包括运动员运动表现、健康数据、比赛数据的采集和分析,正在成为那些职业俱乐部发现优势和不足,赢取胜利不可或缺的手段。以美国男篮职业联赛(NBA)为例,2014赛季NBA 所有球场中都安装了包括6 个摄像头和专门软件的SportVU 球员追踪系统。该系统会提供持续的数据流和创新的统计数据,将所有运动员的运动情况,包括速度、距离、急停、变向、加速、队员间的动态距离、运动员各个关节动作模式,以及控球情况,如得分、篮板、助攻、盖帽、抢断、失误、犯规等一系列场上数据翔实而细致地进行统计分析,提供每一个运动员突破其局限和破解他人优势的建议。

球队围绕一项生理指标,就有几十家大数据公司同时为他们提供分析服务。一个科学的数据分析结果,可能就是一大技战术优势。比如,到底是投三分球还是两分球更利于球队获胜?这个问题在没有数据支撑的时代,教练员都是依靠经验来作决策。引入比赛数据分析后,教练员直接得到了答案——投三分。这样的分析结果也最终反馈到了有针对性的训练和比赛中。

此外,足球运动中产生的数据量更是远远超出人们想象。10 名球员用3 个球进行训练,10分钟就能产生出700万个可供分析的数据点。

德国队是全球首支在比赛中使用大数据的国家足球队。凭借软件巨头SAP研发的“MatchInsights”系统,通过球员身上以及训练场、比赛场地的大量传感器,得以捕捉球员的各种动作细节与位置变化,由此产生的海量数据经过迅速处理,会实时传送到平台,供教练进行决策。德国队为迎战世界杯制定了更有针对性的训练计划,并改进了战略和战术。在世界杯期间,德国队也用它来进行赛后分析。

一个运动员的竞技能力包括了专项技能、专项智能、体能以及心理品质。尤其对于专项智能和专项技能都已经达到相当高度的优秀运动员来说,体能对他们运动生涯的影响可能是关键性的。好的体能训练,可以帮助他们不断去接近运动能力的极限,还能有效防止运动损伤。因此,现代竞技体育对体能训练提出了更高的要求。

不过,体能训练是一个非常复杂的系统工程。它涉及力量训练、恢复与再生、身体功能训练、训练计划设计、专项特征分析、运动能力评估、周期性安排等等。如何让这样一项系统工程变得更加理性、可控,就必须依赖科学的数字化监控。

数字化体能训练对于运动员运动能力的提升效果是明显的。在闫琪看来,同样重要的是,它也提高了运动员的心理品质,强化、稳固内心。

人们可以看到,人体运动数据的采集与分析是所有体育项目分析中不可或缺的核心。而随着越来越多的人参与到运动健身中,不仅仅是竞技体育,数字技术在运动发烧友、运动爱好者、泛运动人群中的介入也越来越深。

跑步、自行车骑行、游泳是受众基础非常庞大的大众健身项目。很多爱好者随着运动时间的延长,运动的目标也不再仅仅是强身健体、自娱自乐,他们开始参与到各种业余或者非业余的赛事中,这就对运动技术技能、体能提出了更高的要求。对于这部分人群而言,通过数据采集、分析,执行科学的训练,就成为了他们能否达成目标的关键。

在了解了众多体育分析在实际中的应用案例之后,让我们追本溯源,来理清数据挖掘是如何应用在体育商业领域的。与统计学意义上的数据挖掘和广义的商业分析相类似,体育分析中的数据挖掘也是由三块不同的建模方式组成的:描述型建模(Deive Modeling),预测型建模(Predictive Modeling)以及决策型建模(Preive Modeling)。

通过对历史数据的挖掘与分析探寻模式与相关度,帮助球队识别划分不同的消费者群体,理解其群体特点与消费习惯。具体使用的分析技术包括:

聚类分析(Clustering Analysis)将相似的对象聚合在一起,总结其差异性与相似性。在此需要与判别分析(Discrimination Analysis)相区分,聚类是将每类相似的消费者(事物)组合成一个聚类的过程(不知道有多少类),判别是在已知一系列反映消费者(事物)群体特性的数量变量值的情况下对组群进行分析获取分类规则。

异常检测(Anomoly Detection)在数据集中搜索与预期模式或行为不匹配的数据项,比如球迷针对性的投诉或抱怨,异常的消费行为等。

关联规则学习(Association Rule Learning)在数据库中发现不同记录之间相关度的方法,比如狩猎许可和捐赠,啤酒和尿布等等。

主成分分析(Principal Component Analysis)通过减少数据集的维度来分析、简化数据集的技术,有效的发现变量之间的联系,同时还能保护数据集中对方差贡献最大的变量特征。

关联分组(Affinity Grouping)将消费者依据消费习惯与其他特征进行分组,归结出可以使用同种市场战略的群体。(例如年收入超过 $100,000 的季票持有者可能更关注球队汽车赞助商的宣传)

在既有的描述型模型下,可以通过数据去预测未来比赛的上座率与收益,赞助商的潜在收益回报,乃至球队市场策略的效果。具体的分析技术包括:

回归分析(Regression Analysis)研究因变量和自变量(一个或多个)的依赖关系,是进行预测分析的基准盘。

人工神经网络(Neural Networks)通过模仿生物神经网络结构和功能构建的计算模型,是一种非线性统计性数据建模自适应系统。在规定的学习规则下,可以完成识别模式,做出预测与自主学习,具体应用便是帮助球队完成对球迷的视觉识别与语音识别。(PS. 勇士队就是在违规使用这项技术“窃听”球迷通话记录而被告的)

决策树(Decision Trees)由一个决策图和可能的结果(包括资源,成本和风险)组成, 用来创建到达目标的规划。具体应用诸如比赛的风险管理与赞助商赞助收益评估。

支持向量机(SVM)是一种监督式学习的方法,可广泛地应用于统计分类以及回归分析。

决策型模型的使用是基于(包含)前两种模型的,基于历史数据的描述型模型球队管理者可以发现异常,模式与相关度,预测型模型帮助战略制定者预测可能的状况,而决策型模型,在二者基础上超越了对未来的预测和判别,给出基于预测所应采取的行动与战略建议,以及可能涉及的每种决策下所关联产生的结果。

决策型模型具体分析技术包括:预测分析(Predictive Analysis Rules)大数据分析方法中最有价值的一种分析方法,可以预测消费者未来的行为,进而识别风险和机遇。优化分析(Optimization Analysis)依靠算法来实现的产品/市场策略优化过程,继而满足预期值(ROI,上座率,观赛体验等)

发表评论

您的电子邮箱地址不会被公开。