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
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 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 ...
2026-08-24 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 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 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 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19