Роль предиктивной аналитики, организационных структур и информационных систем в профессиональном спорте
Предиктивные модели являются ключевым компонентом каждой эффективной программы спортивной аналитики, поскольку эти модели переводят необработанные данные в полезную информацию. Например, очень мало полезного в данных захвата движения без квалифицированного анализа, который преобразует эти данные из миллионов необработанных записей в управляемую информацию, которую можно понять и предоставить лицам принимающим решения. Команды часто начинают использовать предиктивную аналитику, потому что они ищут инструмент для уменьшения, казалось бы, высокой частоты ошибок при принятии решений вокруг спортивного проекта. Учитывая риски и возможности, спортивный проект - это место, где команды исторически потратили много времени и энергии, помогая открыть дверь для предиктивной аналитики.
В 2005 году проект НБА, Portland Trailblazers заказал компанию под названием Protrade Sports (с момента ее переименования в Citizen Sports и приобретенную Yahoo!), чтобы создать прогностическую модель с использованием данных колледжа. Модель, логистическая регрессия, была разработана с историческими данными по шкале NCAA, исторической информацией о проекте и результатами деятельности бывших игроков колледжа в НБА. Результатом модели была предполагаемая вероятность того, что игрок станет игроком в НБА. Этот анализ обобщил всю информацию в содержательную и полезную меру перспектив каждого игрока.
Больше данных больше технологий По мере роста сложности имеющихся данных росли методы и навыки, необходимые для создания полезной информации из этих данных. Начиная с 2006 года, SportVision начала использовать технологию захвата движения, чтобы отслеживать траекторию и скорость каждой подачи в бейсболе высшей лиги. Это создало новый и сложный поток данных для анализа в командах. В последние годы произошел прорыв в использовании информационных систем, предназначенных для поддержки аналитиков и лиц, принимающих решения в профессиональном спорте. Эти приложения, включая desktop и мобильное программное обеспечение, а также веб-приложения, можно рассматривать как интерактивные системы отчетности. Такие системы иногда служат платформой для предоставления результатов прогнозирующих моделей и поддержки анализа «что если». Однако на сегодняшний день их основная цель предоставление легко настраиваемых сводок данных, которые часто называются «описательной аналитикой». Фактически, когда мы смотрим на мир спорта сегодня, существует глубокая дихотомия: несмотря на стремительный рост интереса к аналитике, росту данных, множеству компаний, торгующих информационными системами, фактическое воздействие аналитики в мире профессионального спорта все еще несколько ограничены. Большие деньги Национальная футбольная лига заявила о доходности 9 млрд. долл. США в год, а главная лига бейсбола сообщила о доходах в размере 7 млрд. долл. США в 2010 году. Между тем, финансовый спор между NBA и профсоюзом игроков поставил под угрозу доходность в предстоящем сезоне в размере 3,8 млрд долларов США. Самым значительным структурным препятствием для роста спортивной аналитики является не только отсутствие четкого дверного проема для команд, которые систематически участвуют в этой зарождающейся области, но также и отсутствие четкого процесса разработки навыков, необходимых для открытия этого дверного проема. То есть для большинства спортивных руководителей и для многих потенциальных специалистов в области спортивной аналитики просто не ясно, с чего начать. Некоторые организации начинают с малого, в лучшем случае очень много думают об аналитике, а в худшем случае просто добавляют небольшое количество персонала и / или программного обеспечения в качестве оформления. Между тем, другие организации не имеют абсолютно никакого представления о том, как начать и таким образом просто ничего не делать. Существует большее число людей, которые увлечены спортом и знают достаточно. То есть, у многих людей было достаточно статистических знаний или они работали с таблицами Excel настолько, чтобы создавать аналитические модели.Большинство лиц, принимающих решения в спорте, не имеют навыков для выявления сильных и слабых сторон различных подходов к моделированию. Этот информационный пробел может заставить их выбрать самое дешевое решение, не понимая ценности, которые может обеспечить более надежный подход.
