用数据解读体育决策:挖掘体育赛事新价值

QQ截图20170720123811 - 用数据解读体育决策:挖掘体育赛事新价值

业务挑战

在互联网时代,数据是最宝贵的资源,大数据引领传统产业,催生新的活力。几乎所有的产业都在拥抱了大数据,体育产业也与之密切相关,数据捕获、存储和分析技术的持续进步正在积极影响着体育行业的方方面面。

体育运用大数据主要体现在以下三个方面: 预测比赛结果和奖牌归属;更好地训练运动员 。数据和模型驱动体育决策让获胜和成功变得更有可能,体育统计(Sports Analytics)成为体育竞争的“杀手锏”。

具体服务

要在运动中有效地使用分析,必须了解行业、业务、赛场和赛场发生的情况。我们需要知道如何处理数据、识别数据源、收集数据、组织和准备进行分析、从数据构建模型。

tecdat从面向体育组织的咨询工作中,推动“数据科学即服务”。最终,实施我们的想法和模式并将它们分享。

数据源准备

随着万维网的发展,数据来源丰富,有文本数据以及数字数据。通过爬虫技术抓取网络并利用应用程序编程接口(API),可以从公共数据源中获取很多信息。

构造

想要更好地了解在这些场景中大数据是如何进行预测性分析的,我们需要考虑在预测比赛时所需处理的数据性质。

首先确定关键指标,可用数据包括国别、赛事、成绩、运动员姓名、年龄、过往表现记录、赛场温度、观众出席率、昼夜等。

划分训练集和测试集

确定指标后,把数据分成两个子数据集,即训练数据集和测试数据集。

数据洞察

球员薪酬情况

职业运动队在劳动力市场上相互竞争,而明星球员的劳动力供不应求。薪资上限是保持竞争平衡所必需的,工资也帮助球队限制球员的支出。
美国最专业的运动员有薪资上限。NFL队的2016年薪金上限为5328万美元,平均工资约为270万美元。NBA球队在16赛季的薪金上限为7000万美元,球队的薪金上限以服务年限。例如,拥有十年经验的勒布朗·詹姆斯,最高工资为2300万美元。安东尼·戴维斯的平均工资为2900万美元,是NBA球员中最高的 。2016年MLB的年薪最低为505,700美元。底特律老虎队Miguel Cabrera(MLR)的MLB年薪最高为3100万美元。

下面的直方图显示了2016年8月MLB,NBA和NFL的球员薪酬情况。

直方图网格显示了2015年8月MLB,NBA和NFL的玩家薪酬情况如何比较。球员薪资分配是正面偏差的。 NFL球员的平均工资约为170万美元,但中位数为63万美元。 NBA球员的平均工资约为510万美元,薪金中位数为280万美元。 MLB玩家的平均工资约为410万美元,中位数为110万美元。

 

 

NFL球员的平均工资约为170万美元,中位数为63万美元。 NBA球员的平均工资约为510万美元,中位数为280万美元。 MLB玩家的平均工资约为410万美元,中位数为110万美元。同时可以看到明星球员的薪资远高于普通球员,拉高了平均水平。

团队支出和胜率的关系

从2016赛季初的团队支出和在常规赛中胜率的关系图中,我们可以看到团队支出对是否能赢得比赛有直接影响。

 

球队实力表现
根据15年到16年NBA常规赛的20项指标进行综合分析,我们对 NBA参赛球队进行排序,评出最具实力的球队。

QQ截图20170720151238 - 用数据解读体育决策:挖掘体育赛事新价值

 建模

线性模型

蒙特卡罗模拟获胜概率

当我们发现胜率符合经验分布的时候,使用蒙特卡罗模拟方法来估计某个队伍的获胜概率。

QQ截图20170719181858 - 用数据解读体育决策:挖掘体育赛事新价值

预测结果

QQ截图20170719172452 - 用数据解读体育决策:挖掘体育赛事新价值

可以看出,预测值的趋势已经基本与真实趋势保持一致。

模拟结果

通过对比赛日双方球队的表现模拟,我们得到下面的获胜概率热图,从ROC曲线的表现来看,模拟效果理想。

 

展望

除了以上列举的一些方法,tecdat已经在尝试更复杂的体育统计模型,如深度学习(Long Short-Term Memory网络、卷积神经网络(CNN))等;同时需要考虑到模型的可解释性、可落地性和可扩展性、避免“黑箱”预测;还在尝试采用混合的机器学习模型,比如GLM+SVR,GAM+ NNET等。

用数据驱动体育决策,这种看待体育的独特视角让我们能更好地察觉趋势、选取角度,同时使体育爱好者更深入地理解他们喜爱的运动队。

 


Leave A Reply

电子邮件地址不会被公开。 必填项已用*标注

在线咨询
咨询客服
error: Content is protected
%d 博主赞过:
跳至工具栏