29.11.2019

10:26
d

Κατηγορίες

Ierax

TAGS

Big data και σύστημα 4-4-2

Εδώ και καιρό ήθελα να γράψω ένα άρθρο σχετικά με τη χρήση των big data και machine learning τεχνικών στον αθλητισμό, αλλά πάντα το άφηνα στην άκρη περιμένοντας μια αφορμή. Τελικά βρήκα ευκαιρία διαβάζοντας το όμορφο άρθρο του Σωτήρη Μήλιου σχετικά με την επιτυχία της Σεβίλλης τα τελευταία χρόνια και τη χρήση των δεδομένων από […]
SHARE

Εδώ και καιρό ήθελα να γράψω ένα άρθρο σχετικά με τη χρήση των big data και machine learning τεχνικών στον αθλητισμό, αλλά πάντα το άφηνα στην άκρη περιμένοντας μια αφορμή.

Τελικά βρήκα ευκαιρία διαβάζοντας το όμορφο άρθρο του Σωτήρη Μήλιου σχετικά με την επιτυχία της Σεβίλλης τα τελευταία χρόνια και τη χρήση των δεδομένων από τον υπέροχο Μόντσι που μπορείς να βρεις εδώ.

Να ξεκαθαρίσω πως αντιπαθώ τη Σεβίλλη. Ίσως γιατί πάντα συμπαθούσα την αιώνια αντίπαλο Μπέτις, ίσως γιατί θεωρώ πως τα φώτα της Ισπανίας αξίζει περισσότερο η Βαλένθια (πίσω από τα τέρατα Μπαρτσελόνα και Ρεάλ). Αλλά κανείς δε μπορεί να αμφισβητήσει πως τα τελευταία χρόνια η Σεβίλλη είναι απίστευτα πετυχημένη, με «εισιτήριο διαρκείας» στις κατακτήσεις του Europa League, και φέτος κυνηγά την κορυφή του Ισπανικού Πρωταθλήματος.

Όμως η επιτυχία της Σεβίλλης βασίστηκε σε ένα ξεχωριστό άνθρωπο, τον Μόντσι, ο οποίος ανέλαβε τεχνικός διευθυντής πριν περίπου 18 χρόνια σε έναν άλλο κόσμο, και πλέον δηλώνει δυνατά πως «τα big data είναι το μέλλον του ποδοσφαίρου».

Κάποτε, για να δεις έναν παίκτη, έπρεπε να μαζέψεις βιντεοκασέτες, να έχεις άτομα να τις βλέπουν συνέχεια και μετά να κάνεις κάποια απλά τεστ, για να δεις τις σωματικές ικανότητες ενός ποδοσφαιριστή, λέει ο Μόντσι, συμπληρώνοντας πως πλέον τα δεδομένα που υπάρχουν για κάθε παίκτη είναι απίστευτα περίπλοκα και τεράστια σε όγκο.

Από σωματικά στοιχεία και δεδομένα με τη χρήση GPS για όλες τις κινήσεις του ποδοσφαιριστή, μέχρι eye tracking τεχνολογίες, για τη δυνατότητα να μετράμε αν βλέπει τα πάντα γύρω του ο παίκτης, και λεπτομέρειες ακόμα, σχετικά με τα γήπεδα και τις συνθήκες ανά παιχνίδι, όπως ύψος του γρασιδιού, υγρασία, πυκνότητα οξυγόνου κ.λπ.

Ο όγκος αυτών των πληροφοριών απαιτεί κάθε ομάδα πλέον να έχει αρκετούς φυσικούς, μαθηματικούς και γενικά data scientists, τους οποίους φυσικά πληρώνουν αδρά, για να μελετάνε και την παραμικρή λεπτομέρεια γύρω από κάθε ποδοσφαιριστή.

Αυτό, όπως λέει και ο Μόντσι, δεν αποτελεί αλάνθαστη μέθοδο επιλογής και αγοράς ποδοσφαιριστών αλλά μειώνει σημαντικά το ρίσκο.

Πάντα χρειάζονται και ποιοτικά στοιχεία, όπως η εκπαίδευση και η παιδεία, οι φιλοδοξίες, η οικογενειακή κατάσταση και τα όνειρα ενός ποδοσφαιριστή. Αν έχει σταθερό περιβάλλον γύρω του ή αν θα τυφλωθεί από λεφτά, είναι δεδομένα που οι υπολογιστές ακόμα δε μπορούν να υπολογίσουν και να μετρήσουν.

Είναι πολύ όμορφο που κάτι τόσο αγαπητό και διαδεδομένο όπως το ποδόσφαιρο, έχει «παντρέψει» ιδανικά την τεχνολογία, τη δυνατότητα ανάλυσης και τη χρήση των big data, με την ψυχογραφική ανάλυση των ποδοσφαιριστών και των περιβαλλοντικών παραγόντων γύρω τους, για να μπορούν οι υπεύθυνοι των ομάδων να κάνουν τις καλύτερες επιλογές με το λιγότερο δυνατό ρίσκο.