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
在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中,箱线图(Box Plot)是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中,绝大多数业务数据都带有时间维度属性,例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07