Как Big data предсказывает исход футбольных матчей

22813
Автор: Максат Нуриденулы

Самая актуальная тема последних недель – это чемпионат мира по футболу в России. Я поклонник футбола и специализируюсь на больших данных. А область применения Big data не ограничивается финансами и потребительским поведением. А что, если я скажу вам, что научная мысль дошла уже до предсказания с высокой вероятностью итогов футбольных матчей? Фантастика? Нет, уже реальность

Для начала предлагаю вернуться в 2014 год – на прошлый чемпионат мира по футболу. Только после завершения состязаний стало известно, что сборная Германии (кстати, победитель того мундиаля) в подготовке к играм использовала инструменты компании SAP для анализа ситуации на поле и поведения игроков. Камеры, установленные по всему периметру футбольного поля, фиксировали все действия, происходившие в игре. Затем, огромный массив данных анализировался на предмет определения сильных и слабых сторон каждого игрока. Благодаря этому, тренер команды Германии Йоахим Лёв мог по-новому руководить командой и управлять игрой, имея под руками выводы математического анализа поведения своих игроков.

Для болельщиков победа выглядела как результат хорошей физической и психологической подготовки футболистов, но по факту не менее важным аспектом в подготовке команды была именно разработка поведенческой тактики на базе Big Data и машинного обучения. Участниками эксперимента была собрана статистика и проанализировано огромное множество параметров: на каком этапе игры спортсмен выделяется, кто лучше передаёт мяч, скорость движения спортсменов по полю, траектории передач и сотни других параметров. Можно предположить, что машинное обучение и большие данные во многом помогли команде Германии стать чемпионом. Можно ли это назвать новым цифровым допингом – вопрос, скорее, этический, не касающийся технологий.

Чем удивят мир аналитики больших данных на текущем ЧМ FIFA 2018? На мой взгляд, пристального внимания заслуживает прогноз сотрудников немецкого Технического университета Дортмунда. Исследователи построили несколько предиктивных математических моделей, позволяющих определить исход каждой игры чемпионата.

Математические модели принимают в расчёт множество различных факторов: от географических до персональных данных игроков команды. Например, учитываются население страны, международный рейтинг команды, средний возраст игроков, количество футболистов, игравших в Лиге чемпионов UEFA, национальность тренера и невероятное количество других переменных. Очевидно, что все факторы в различной степени влияют на результат построенных моделей, но в итоге совокупность параметров, сформированная в математическую модель, достаточно точно предсказывает победу той или иной команды.

Чтобы не быть голословным: предсказанный математиками результат уже оправдала команда России, войдя в 1/8 финала. Победу же в чемпионате мира исследователи предрекают вновь команде Германии. Особо отмечу, что оракулы от науки не говорят, кто победит или проиграет, на 100%, они предлагают вероятность исхода встреч, и чем выше эта вероятность, тем больше шансов на победу у той или иной команды. Время покажет, насколько окажется точным прогнозируемый результат остальных команд. С высокой долей вероятности предполагаю, что статистика, Big Data и машинное обучение в очередной раз окажутся на высоте.

Если провести сравнение, то подобная аналитика в спорте и в банковской деятельности очень схожи. Ставится цель, собираются данные, проводится анализ. Разница только в наборе этих данных и специфике самой цели.

Например, в футболе можем определить вероятность такого события, как попадание команды в полуфинал. В банке – вероятность приобретения клиентом определённого продукта. По статистике забитых мячей футболистом можно сказать, какова вероятность того, что игрок забьёт гол в той или иной ситуации. Аналогично происходит и в банке: по статистике транзакций клиента можем определить, какова вероятность того, что он оплатит билет на матч картой нашего банка.

Почему я делаю акцент на ситуации? Потому что, как в футболе исход игры зависит от подготовки игроков, морального состояния команды и других «футбольных» характеристик или ситуаций, так и в финансовой жизни человека – его поведение зависит от обстоятельств (доход в текущем месяце, наличие иных регулярных трат, факт приобретения кредита, частота посещений спортивных мероприятий, близость расположения дома к месту проведения матчей и так далее). Все эти обстоятельства являются для нас входными параметрами, которые в процессе математического моделирования преобразуются в итоговый результат. А результат для банка аналогичен результату в спорте – достижение немыслимых высот силами слаженной команды и правильной тактики и стратегии тренера.           

   Если вы обнаружили ошибку или опечатку, выделите фрагмент текста с ошибкой и нажмите CTRL+Enter

Орфографическая ошибка в тексте:

Отмена Отправить