京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据科技如何影响现代体育
大数据被越来越多的领域熟知与运用。在体育领域,大数据也渐渐的被大家重视起来。从教练,球员,再到工作人员,运用这些数据可以更好的帮助球员得分,合同谈判,或是避免伤病。
在2014年麻省理工斯隆体育分析大会(MIT Sloan Sports Analytics Conference)上,教练们与球员们在一起,分析了大数据的潜力,与它对于现代体育的8个影响。
在棒球比赛中,有的时候,好球与坏球真的只是差之毫厘,如果完全靠裁判的眼力与经验,出现误判在所难免。Sportvision公司特此为棒球大联盟30支球队都装上了帮助判断好球与坏球的设备。他们这项技术还应用在了橄榄球,赛车等运动中。“当然,没有任何东西会取代裁判的判罚。我们只是通过数据的收集与分析,技术的现场运用,帮他们做出准确率更高的判罚。”Sportvision公司的CEO,汉克·亚当斯在谈论这项技术时说到。其实这一技术跟足球中的门线技术如出一辙。
对于像我这种深度重病的球迷,喜欢去看球队或是球员的各种数据。丹·布鲁克斯说,“我们将数据按照大多数人可以理解的标准进行分析整理。我们可以看到不同投手(这里同时指棒球的投手)在不同情况下,不同比赛中,对于比赛有着不同的影响。我们可以找出裁判在面对不同身高的击球手时,对于好球与坏球判罚的数据图。”丹·布鲁克斯是BrooksBaseball.net的创始人,在这个网站上,你可以看到很多高阶数据。
很多高科技公司都试图或者已经进入这个领域。阿迪达斯有一个名为miCoach的系统,在球员的球衣上附加一个设备。通过收集来的数据,教练可以更加准确的了解到,谁更需要休息。而且该设备能如实的反映球员在场上的状态数据,如心跳,速度,加速度等。
这种不是通过训练或是实验收集来的数据,可以帮助训练师和医务人员更好的了解运动员的身体情况,并及时的做出应对措施。印第安纳波利斯小马的四分卫Matt·Hasselbeck说他最喜欢那种可以减少运动员受伤概率的设备,“通过检测水合作用(Hydration)和收集头部撞击的数据,可以分析出更合理,对于运动员更加安全的战术。”
目前来讲,大多数比赛的数据还是人工收集。我们都知道,很多比赛节奏较快,有些数据稍纵即逝。一个名为Zebra Technologies的公司试图记录更为全面,更为准备的现场数据。RFID,是他们MotionWorks Sports Solution的一部分。通过将RFID标签放在设备里,球上,或是运动员的身上,来跟踪收集其运动方向,距离,速度等数据。这个标签每秒闪烁25次,以120毫秒的速度传送数据。另一家名为SportVU,在每一个NBA球馆安放了6个摄像头,以每秒25次的速度来收集每一名球员和篮球的每一次移动。
通过历史数据的分析,从而球队可以更好的“抓住”球迷。“这是一个关于了解每一个球迷喜好的数据收集,有的人更喜欢某个客队来的时候来看球,有的人喜欢下午4点的比赛。这是一个关于了解是什么影响球迷们做出决定,比通常人们所知道的因素更加具体,更加细化的数据。”John·Forese说道,他是一个数据收集与分析公司,LiveAnalytics的副总裁兼总经理。
很多职业球队,诸如新英格兰爱国者,就通过特定的手机软件上的一些功能,比如在座位上通过软件买食物,或是查看厕所排队时间,来分析球迷的想法。
前多伦多猛龙总经理布莱恩·克朗格洛,球队应该专门聘请数据专家,用最先进的机器与软件进行数据分析。“现在数据分析方面的工作越来越多。如果你花上25万美金雇佣2个或3个全职数据分析师帮你做这些工作,你就可以轻松在这一方面领先于其他球队。”
旧金山49人主席Paraag Marathe提到,因为教练跟球员很多时候需要在一瞬间做出判断,所以收集来的那些数据要经过更加专业,细致的处理,这样才更容易被他们记住并运用。如果这些数据不能被教练或是球员们很好的运用,那我们收集来它们做什么?”
数据分析人员可以将重要数据给教练,从而帮助他们做出更好的决定。布莱恩·伯克是Advanced NFL Stats网站的创始人,他说,“高阶数据可以帮助教练或是球员做出更明智的决策,从而左右比赛的走向。”
49人的主席Marath说到,好的数据运用,可以帮助一名“不出众”的球员签下大合同,也可以让一名“出色”的教练被解雇。现在人们尝试用数据去支撑合同里所提出的要求。他们可以将数据进行各种整合,分析,从而达到自己的目的。NBA总裁亚当·席尔瓦说,分析师在结束2012年NBA停摆中起了巨大的作用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06