Карнеги-Меллон революционизирует спортивную аналитику: данные для конкурентного преимущества

Большие данные в спорте: от чипов в NFL до компьютерного зрения в колледжах

Современные спортивные аналитики имеют доступ к объемам и качеству данных, которых не было никогда. Эксперты Карнеги-Меллонского университета (CMU) превращают эти данные в инсайты, используя статистику и науку о данных для помощи профессиональным командам в получении конкурентного преимущества.

Источники данных: от RFID до скелетного трекинга

"Каждую десятую секунду чипы NFL Next Gen предоставляют данные о позиции каждого игрока на поле — направлении и скорости движения", — говорит Рон Юрко, الأستاذ-преподаватель кафедры статистики и науки о данных CMU и директор Центра спортивной аналитики (CMSAC).

Трекинг выходит за рамки NFL. В MLB есть данные о каждом свинге, в бейсболе и баскетболе — "позовые скелетные данные": положение локтя, плеча, коленной чашечки в 3D пространстве каждую долю секунды.

Технологии сбора: чипы, камеры, компьютерное зрение

В NFL используются RFID-чипы в начечниках — локальные системы позиционирования с экстремально богатыми данными. Недавно NFL внедрила камерные системы (Hawk-Eye) для автоматического определения первого дауна и получения полного скелетного представления игроков.

В колледжском футболе чипов нет, но есть огромное количество видео. Компьютерное зрение и ИИ конвертируют видео в аналогичные трекинговые данные, которые NFL-команды используют для драфта.

Кто лидирует в технологиях?

По мнению Юрко, MLB наиболее продвинута — от эпохи "Moneyball" (начало 2000-х) бейсбольные команды были первыми внедряющими статистическое моделирование и ML для оценки игроков. Игроки сами используют высокоскоростные камеры в питчинговых лабораториях для проектирования новых бросков.

В NFL с 2017 года, когда начался трекинг чипами, началась "гонка вооружений" — команды нанимают дата-сайентистов и ML-инженеров.

Что делать с данными? Инсайты вместо бокс-скора

Главный вопрос: как использовать эти данные? Исследователи CMU и NFL-команды работают над характеристикой движений и пониманием высокозначимого позиционирования — например, какие защитники лучше всего играют в покрытии против приемников. Традиционные бокс-скоре не улавливают защитника, на которого квотербек никогда не бросает — у него нет перехватов, плейов, счетных статов.

Центр CMSAC фокусируется на построении статистических методологий, ML-методов и ИИ-инструментов для actionable insights: предсказание позиции игрока к концу плейа, ярдов, вероятности тачдауна. Это требует сложной методологии.

Образование и карьера

Студенты CMU становятся стандартом для профессиональных спортивных лиг. Они участвуют в ежегодном NFL Big Data Bowl, что ведет к рабочим местам. Спортивная аналитика — это "пюре и соус", делающие хороший ужин (скаутинг, коучинг) отличным.