Большие данные на Олимпийских играх. Big Data в спорте: победа и анализ

0 0

Одним из пионеров научного data-ориентированного подхода к тренировочному процессу, развитию игроков и созданию тактического рисунка под конкретного противника был СССР, где комплексную аналитическую работу с помощью ЭВМ проводили еще на стыке 70-80-х годов прошлого века.

Тренеры, спортсмены и даже спонсоры широко используют технологии обработки больших данных. После Олимпийских игр в Рио-де-Жанейро в 2016 году Япония направила своих аналитиков почти на все крупные международные турниры для записи и дальнейшего анализа видео. Результаты сделали доступными как для спортсменов, так и для тренеров.

Практически в каждом игровом виде спорта сегодня используются свои показатели и коэффициенты эффективности действий игроков и команды в целом, которые ранее аналитикипопросту не выявлялии не использовали.

Большие данные на Олимпийских играх. Big Data в спорте: победа и анализ

Связьбольших данных в спорте

Для анализа использовали рейтинги спортсменов, вводя формулы, которые измеряли фактические способности спортсменов. При этом выявляли тех, на кого следовало обратить особое внимание, даже если они чисто технически имели низкий рейтинг.

Ежедневно проводился композиционный анализ состава тела спортсменов олимпийской команды, предупреждая их о любых необычных показаниях через мессенджер LINE. Чтобы оптимально планировать режим отдыха и программы тренировок, отслеживали усталость и проблемные физиологические моменты.

Например, было обнаружено, что судьи на последних двух чемпионатах мира по дзюдо оценивали больше простые приемы вроде «суми-отоси» (выведение из равновесия толчком назад) и их многочисленные вариации, нежеле более сложные и яркие приемы, такие как броски через плечо.

Наохиса Такато, завоевавший золото в мужском дзюдо до 60 кг, и тренер Минору Конэгава скорректировали свою боевую тактику в ответ на прогнозы о том, что большинство соперников будет пытаться использовать простые броски.

Для Сёхей Оно, золотого медалиста по дзюдо среди мужчин до 73 кг, тренер Юсуке Канамару отслеживал количество шидо (штрафных очков) от рефери примерно в 13 000 матчах с 2019 года. Дзюдоист, зная, что судьи на этом соревновании назначали примерно на 15% меньше шидо, чем в прошлом, оставался спокойным, даже когда получил два штрафа в своем последнем матче в понедельник, в итоге одержав победу в овертайме.

Большие данные на Олимпийских играх. Big Data в спорте: победа и анализ

Матч между женскими сборными Японии и Канады по футболу на Олимпийских играх в Саппоро, 21 июля.

Большие данные также сыграли решающую роль для женской сборной Японии по футболу, которая во вторник обыграла Чили 1: 0 и обеспечила себе место в четвертьфинале.

Для помощника тренера Моринао Имаидзуми ключевой метрикой, которую необходимо отслеживать, является показатель «ожидаемые голы» – вероятность успешного удара, рассчитываемая из такой информации, как расстояние до ворот, угол удара и количество защитников на пути мяча.

«Правильно ли совершать множество ударов, вероятность попадания которых в ворота составляет всего 5%?» – сказал Имаидзуми, который также является помощником тренера в Университете штата Флорида в США. Он советует игрокам всегда планировать лучший вариант атаки и играть в пас, а не надеяться на случайные попадания.

Большие данные на Олимпийских играх. Big Data в спорте: победа и анализ

Спортивные скалолазы Акиё Ногути (слева) и Томоа Нарасаки просматривают аналитику данных по их выступлению на планшете

Его любимый инструмент – программа Sportscode, которая позволяет ему анализировать эффективность каждого игрока в определенные моменты игры и предлагает подробные указания по тактике, в том числе в том, как и когда лучше совершать удар по воротам.

«Когда личное мнение тренера команды основывается на объективных данных, игроки выходят на поле с гораздо большей уверенностью», — говорит Имаидзуми.

Практически в каждом игровом виде спорта сегодня используются свои показатели и коэффициенты эффективности действий игроков и команды в целом, которые ранее аналитикипопросту не выявлялии не использовали.

Так, показатель CORSI в хоккее (соотношение бросков: в створ ворот, мимо ворот и заблокированных игроками соперника) помогает менеджменту команды выявлять наиболее эффективных игроков в составе, составляя из них оптимальные сочетания, что приводит к повышению результативности клуба. Такжевыявляются и самые слабые— при этом вовсе не обязательно очевидные —звенья в игровой схеме команды в перспективе будущих корректировок (перевод игрока на другую позицию, подбор новых партнеров или обмен).

Одним из адептов применения CORSI в практике управления клубом в НХЛ стала команда «Торонто Мэйпл Лифс», совсем недавно начавшая попадать в плей-офф после долгого перерыва. В этом году ее и вовсе называют одним из претендентов на победу в Кубке Стэнли.

По такому же принципу работает футбольный показатель xG —«ожидаемые голы». Это система, позволяющая оценивать каждый удар по воротам с максимальной детализацией, принимая во внимание все составляющие, которые привели к нанесению удара (позиция бьющего относительно ворот, какой частью тела бил игрок, из какой части поля он получил передачу, точность удара, результат — гол, аут, угловой, продолжение игры —и т. д.).

Большие данные на Олимпийских играх. Big Data в спорте: победа и анализ

Модель для прогнозирования результатов спортсмена

Анализируя xG команды по итогам игры, тренерский штаб получает максимально объективную картину действий своих игроков.Выявляются эффективные и неэффективные игровые паттерны, связки игроков, закономерности, очевидные при более «грубом» анализе, — например, «удары в створ ворот». Аналогичную роль в баскетболе играют показатели Win Shares и VORP, в бейсболе — саберметрика.

Источник: naukatehnika.com
Оставить комментарий

Мы используем файлы cookie. Продолжив использование сайта, вы соглашаетесь с Политикой использования файлов cookie и Политикой конфиденциальности Принимаю

Privacy & Cookies Policy