
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
Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18