גילוי נאות: יותר מדי פעמים אני רואה מהמרים מחפשים אחרי מידע שיאפשר להם לשפר את הסיכויים שלהם באמצעות נתונים. המדריך הזה לא יעזור לך לבנות אקסלים לניתוח משחקים. זו בסך הכול סקירה שמראה איך כניסת הביג דאטה משנה את הספורט ואת האופן שבו אנחנו מבינים אותו. אין כאן כל המלצה לנקוט בגישה כזו או אחרת כשמהמרים על המשחקים.
יש רגעים שבהם מתחולל שינוי תפיסתי אמיתי בעולם הספורט. היו כמה רגעים כאלה לאורך ההיסטוריה, כמו למשל כשהתחילו לשדר משחקים בטלוויזיה, או המעבר לערוצי הכבלים שבהם יכולנו לצפות בליגות מכל רחבי העולם לפתע. היום, מתחולל שינוי נוסף כזה אם מהפכת ה-Big Data. למעשה, במציאות הנוכחית, כל תנועה על המגרש, מריצות ועצירות ועד למרווח בין השחקנים, הופכים לנתון. כל הנתונים הללו מעובדים על ידי מערכת שמתעדת, מודדת ומפרקת את המשחק לרזולוציה כמעט אבסולוטית.
איך זה בעצם קרה ומה ההשלכות של המהלך הזה על תחום הספורט וההימורים בספורט? הנה כל מה שחשוב לדעת על Big Data בניתוח משחקי ספורט.
כיצד נעשה שימוש עם Big Data בניתוח משחקי ספורט?
כשמתייחסים לשימוש ב-Big Data בעולם הספורט, יש לקחת בחשבון שלושה מאפיינים: נפח, מהירות ומורכבות. משחק כדורגל אחד, למשל, יכול לייצר מיליוני נקודות מידע כמו למשל מיקומים של שחקנים עשרות פעמים בשנייה, אינטראקציות ביניהם, אירועים כמו מסירות או בעיטות ונתונים חיצוניים כמו זמן, מרחק ועומס. הנתונים האלה אינם רק רבים, הם דינמיים, תלויי הקשר וקשה לפרש אותם ללא כלים מתקדמים.
מהי הייחודיות של מערכות ביג דאטה?
המעבר מסטטיסטיקה מסורתית לביג דאטה לא שינה רק את נפח הנתונים, אלא גם את האופי שלהם. בעבר, הניתוח הסתמך על מדדים סופיים כמו שערים, אסיסטים, אחוזי הצלחה וכו'. היום, הנתונים מתארים תהליך ולא רק תוצאה. הנתונים מתחקים אחר מהלך ומנסים לפרש כיצד נוצר מצב מסוים, איך שחקנים נעו לפניו, ואילו אפשרויות נפתחו ונסגרו בכל רגע. זהו שינוי שמאפשר לראות את המשחק כמערכת דינמית של תנועות והחלטות.
הפרשנות המקצועית עדיין הכרחית
אחת הטעויות הנפוצות היא לחשוב שיותר נתונים מובילים בהכרח להבנה טובה יותר. בפועל, תמיד נדרש שיקול הדעת כדי לחבר את הנתונים הללו למציאות הקונקרטית. שימוש ב-Big Data ללא פרשנות מקצועית עלול לייצר עומס נתונים שמסיח את הדעת מהניתוח המהותי. הנתונים עצמם דורשים תרגום לשפה טקטית, פיזיולוגית או פסיכולוגית. לכן, הערך האמיתי אינו בכמות המידע, אלא ביכולת לשאול את השאלות הנכונות לגביו.
מקורות המידע החדשים של עולם הספורט
הכניסה של טכנולוגיות ה-Big Data אל ענפי הספורט השונים פתחו את הדלת למגוון רחב של סוגי נתונים שבעבר לא היו נגישים לנו. המגוון הזה מאפשר להבין משחקים בצורה עמוקה ומורכבת יותר, מה שמשפיע הן על בניית אסטרטגיות משחק והן על חיזוי יחסי הימורים. אלו כמה מסוגי המידע החדשים שהטכנולוגיה הזו מאפשרת.
מעקב שחקנים ונתוני מיקום בזמן אמת
אחת הפריצות הגדולות בתחום היא היכולת לעקוב אחר מיקום השחקנים בזמן אמת. מערכות מעקב משתמשות במצלמות מתקדמות או בחיישנים כדי למדוד את מיקומו של כל שחקן על המגרש עשרות פעמים בשנייה. כתוצאה מכך, נוצרת מפה דיגיטלית שמתחקה אחר כל מסלול התנועה. הדבר מאפשר לנתח את כל מה שהשחקן עשה עם הכדור, אבל לא פחות חשוב, גם מה הוא עשה כשהכדור כלל לא היה אצלו. ניתן להבין היכן עמד, כיצד הפעילות שלו "בישלה" גול או אילו הזדמנויות אחרות הוא יצר. מחקרים רבים מראים שהנתונים הללו משנים לחלוטין את הדרך שבה מבינים דינמיקה קבוצתית במשחקים היום.
ציוד לביש וחיישנים פיזיולוגיים
מעבר לנתוני מיקום, קבוצות רבות משתמשות בחיישנים לבישים שמודדים עומס פיזי, קצב לב, האצה ומדדים נוספים. הנתונים הללו מאפשרים לנתח ביצועים לא רק ברמה הטקטית, אלא גם ברמה הפיזיולוגית. ישנן לא מעט תובנות יקרות ערך שאפשר להפיק כשמבינים מתי שחקן מגיע לקצה גבול היכולת, או באיזה שלב יורדת רמת הביצועים שלו לאורך המשחק. למעשה, נראה שהשימוש בכלים אלו מאפשר כבר היום להפחית את הסיכון לפציעות בענפי ספורט קבוצתיים.
ניתוח וידאו באמצעות ראייה ממוחשבת
ככל שרשתות הנוירונים משתכללות ומודלים של למידה עמוקה משתלבים ביותר מערכות, כך גם פורח תחום הראייה הממוחשבת. זה לא פוסח גם על עולם הספורט. מערכות מהסוג הזה מסוגלות לזהות אוטומטית אירועים שונים כמו מסירות או אפילו איבודי כדור וכתוצאה מכך לנתח תבניות משחק מורכבות. כמשלבים את הראייה הממוחשבת יחד עם נתוני המעקב אחר שחקנים, ניתן לבנות סיפור שלם של המשחק על בסיס נתונים עשירים.
כיצד משמש Big Data בניתוח משחקי ספורט בהקשר ביצועי שחקנים?
זהו ללא ספק אחד מהתחומים המרכזיים שבהם טכנולוגיית הביג דאטה באה לידי ביטוי בעולם הספורט. הנתונים הם רבים ומגוונים והיישומים רק הולכים ומתרבים. בין מהעכשוויים ביותר ניתן למנות:
עומס, תאוצה, מרחק והאצות
אחד השימושים הישירים של Big Data בניתוח משחקי ספורט הוא מדידה מדויקת של ביצועים פיזיים. במקום הערכה כללית של כושר השחקן, ניתן למדוד בדיוק כמה שחקן רץ, באיזו מהירות וכמה פעמים שינה כיוון. המדדים הללו מאפשרים להשוות בין שחקנים, לעקוב אחרי שיפור או ירידה ולזהות דפוסים לאורך זמן.
מדדים טקטיים ותנועה ללא כדור
הערך האמיתי מתחיל כאשר עוברים מהפיזי לטקטי. דווקא תנועה ללא כדור, שהייתה בעבר כמעט בלתי ניתנת לכימות, מאפשרת כשהיא הופכת לנתון מדיד לנתח כיצד שחקן פותח שטח, כיצד קבוצה שומרת על מבנה ואיך נוצרות הזדמנויות עוד לפני המסירה האחרונה. זהו שינוי עמוק, שמאפשר להבין את המשחק ברמה מערכתית.
איך הופכים נתונים לתובנה שימושית?
בסופו של דבר, האתגר הגדול הוא לא לאסוף את הנתונים אלא לתרגם אותם לתובנות ישימות. מאמן לא יכול לעבוד עם מיליוני נקודות מידע. לכן, מערכות אנליטיות מתמקדות בהפיכת דאטה גולמי לאינדיקטורים ברורים שניתן לפעול לפיהם.
השפעת הדאטה על טקטיקה וקבלת החלטות
כל מה שסקרנו עד כה ממש דורש שנשאל איך הדבר הזה משפיע על האופן שבו בונים טקטיקות משחק בפועל. על אף שהתחום עדיין מתפתח ותהליך הלמידה עוד נמשך, ישנם כבר היום יישומים מגוונים מאוד בהיבט הזה.
ניתוח קבוצות יריבות והכנה למשחק
אי אפשר לדבר על Big Data בניתוח משחקי ספורט בלי לעסוק בשלב ההכנה למשחק. זו אחת הזירות שבהן השינוי הוא המורגש ביותר. בעבר, כדי לנתח קבוצה יריבה, כל שיכולנו לעשות הוא לצפות בהקלטות של משחקים קודמים ולנסות לזהות שם דפוסים, או פשוט להסתמך על הניסיון בשטח מול הקבוצה. היום, התהליך הזה מתרחש בתוך מערכות שמסוגלות לפרק את המשחק של הקבוצה היריבה לרמת המיקרו. ניתן לראות אילו מהלכים גורמים לאיבודי כדור, איך שחקנים שונים שם מתמודדים עם לחץ ואילו מהלכים טקטיים נפוצים.
צוותים אנליטיים יכולים לזהות, למשל, שהקבוצה היריבה מתקשה להתמודד עם לחץ בצד מסוים של המגרש בדקות ספציפיות, או שהיא נוטה לשנות מבנה כאשר היא בפיגור. אלו אינן תובנות שמגיעות מהתבוננות כללית, אלא רק מתהליך של כריית נתונים וזיהוי דפוסים בתוך מערכות מורכבות.
התאמות תוך כדי משחק
השינוי המשמעותי יותר מתרחש בזמן אמת. נראה כי השימוש ב-Big Data בניתוח משחקי ספורט מאפשר, לפחות ברמה התיאורטית, לבצע התאמות תוך כדי משחק על בסיס נתונים שמתעדכנים כל הזמן. אם בעבר מאמן היה נדרש להגיב לתחושות או תצפית בלבד, היום יש לו שפע אינדיקטורים שמגיעים מהמערכת. הוא יכול לקבל התראות בזמן אמת ששחקן מסוים כורע תחת העומס, או שהקבוצה היריבה שינתה מבנה התקפי.
האם הנתונים צפויים להחליף את השיקול האנושי?
זוהי שאלה שחוקה מאוד כשמתחילים לדבר על טכנולוגיות נתונים ונראה שזהו תמיד הפחד שצף. האמת הפשוטה היא שאין שום ערך לנתונים שנפיק בטכנולוגיה הזו ללא שיקול הדעת של האדם מאחורי המסך. אני אגדיל ואומר שבעיני Big Data בניתוח משחקי ספורט מאתגר יותר את האינטואיציה האישית ומאפשר לעשות בה שימוש מוצלח יותר. המידע הזה מציב מול המאמן והאנליסט מראה ומאלץ אותם לשאול האם מה שהם חושבים שהם רואים באמת קורה. לעיתים הדאטה מאשר תחושות ולעיתים הוא חושף פערים בין תפיסה למציאות.
ניבוי פציעות וניהול עומסים
אחד התחומים שבהם Big Data בניתוח משחקי ספורט הפך לכלי מרכזי הוא כל נושא מניעת הפציעות. האופן שבו הטכנולוגיה הזו תורמת לנושא הזה היא פשוטה יותר ממה שנראה. פציעות רבות אינן תוצאה של אירוע חד-פעמי, אלא של עומס מצטבר. כאשר שחקן חורג מרמות עומס מסוימות, בין אם באימונים או במשחקים, הסיכון לפציעה עולה באופן משמעותי. היכולת לעקוב אחר הנתון הזה מאפשרת גם למנוע עומסי יתר שיובילו לפציעות.
מערכות מודרניות עוקבות אחרי עומס זה ברזולוציה גבוהה מאוד ומאפשרות לזהות דפוסים של עומס יתר. הנתונים אינם מתמקדים רק בכמות הריצה, אלא גם במגוון תכונות שמאפיינות אותה כמו דפוסי ההאצה, בלימות פתאומיות ושינויי כיוון. אלו מאפיינים שמשפיעים באופן ניכר על העומס על המפרקים, רקמות חיבור והיבטים פיזיולוגיים רבים אחרים.
הציוד הלביש שינה את התמונה מהיסוד
השימוש בחיישנים לבישים מאפשר להעמיק את הניתוח עוד יותר. מדדים כמו דופק, תנודות בקצב הלב, או רמות עייפות יכולים להצביע על מצבים שבהם הגוף אינו מתאושש כראוי. סקירה אקדמית שבוצעה בתחום מראה כי שילוב של נתוני GPS עם מדדים פיזיולוגיים מאפשר זיהוי מוקדם של חריגות שעשויות להוביל לפציעה ובכך לשפר את ניהול השחקנים לאורך העונה.
השימוש בשיטות אלו מעלה היום שאלות אתיות
על אף התרומה החיובית שהטכנולוגיה הזו מציעה לרווחת השחקנים, השימוש הזה גם מעלה דאגות בקרב רבים. ישנם התוהים עד כמה נכון להשתמש במידע פיזיולוגי אישי כדי לקבל החלטות מקצועיות וכיצד ניתן לוודא שפרטיות השחקנים מוגנת. שאלה אפילו מטרידה יותר היא מה קורה כאשר הנתונים מצביעים על סיכון, אך השחקן או המאמן בוחרים להתעלם מהם.
אלו שאלות שאין להן תשובה פשוטה, והן רק מדגישות עד כמה הטכנולוגיה הזו משנה היום את יחסי הכוחות בתוך המערכת ודורשת הערכה מחדש.
Big Data בניתוח משחקי ספורט בשילוב AI
השלב הבא בהתפתחות התחום הוא שילוב של למידת מכונה בתוך תהליכי הניתוח. מודלים כאלה אינם מסתפקים רק במדידה. הבינה המלאכותית מאפשר להציע חיזוי של ממש. כבר היום משתמשים במודלים מהסוג הזה כדי לנסות לחזות תוצאות משחקים או ביצועי שחקנים. זה נעשה על ידי זיהוי דפוסים בתוך כמויות עצומות של נתונים, לעיתים ברמה שאינה נגישה לאנליזה אנושית.
אך ככל שהמודלים נעשים מדויקים יותר, כך הם נעשים גם מורכבים יותר. אחת הבעיות המרכזיות של AI היא חוסר השקיפות. קשה להבין מדוע המודל הגיע למסקנה מסוימת. זהו אתגר משמעותי, במיוחד כאשר מדובר בהחלטות מקצועיות שדורשות הסבר והצדקה.
אז מה הנתונים עדיין לא יודעים לראות?
למרות העוצמה של Big Data בניתוח משחקי ספורט, ישנם ממדים של המשחק שנותרים חמקמקים כמעט לחלוטין למדידה.
- מנהיגות – זוהי תכונה שהיא לא רק פונקציה של מיקום על המגרש או מספר מסירות מוצלחות. היא מתבטאת באופן שבו שחקן משפיע על אחרים, מייצר ביטחון או משנה את קצב המשחק ברגעים קריטיים. את זה, מכונה עדיין לא יודעת לנתח.
- מתח – הרגע הזה שבו החלטה מתקבלת תחת תנאים קיצוניים הוא מהמורכבים בחוויה האנושית. ישנם כל כך הרבה משתנים שמשחקים תפקיד ברגע הזה עד שכמעט בלתי אפשרי שמצב כזה יהיה אי פעם ניתן לכימות מלא. אולי אפשר למדוד מהירות תגובה, אך קשה למדוד את איכות ההחלטה בתוך הקשר רגשי ומנטלי.
- מומנטום – למרות שנעשים ניסיונות לנתח מומנטום שחקן דרך רצפים של אירועים או שינויי הסתברות, הוא עדיין נתפס בעיני רבים כחוויה קולקטיבית של המשחק, כמשהו שנוצר בין שחקנים, קהל והתרחשות.
לאן הולך התחום של Big Data בניתוח משחקי ספורט?
כפי שאני רואה את המציאות כיום ואת המגמות הרווחות בו, אני מאמין שבשנים הקרובות התחום יתפתח בכמה אפיקים מרכזיים.
שיתופי פעולה בין מאמנים ומדעני נתונים
העתיד של Big Data בניתוח משחקי ספורט אינו טמון רק בטכנולוגיה, אלא במבנה האנושי שסביבה. יותר ויותר קבוצות מבינות שהערך האמיתי נוצר בשיתוף פעולה בין אנליסטים שמבינים דאטה, מאמנים שמבינים משחק ומדעני נתונים שמחברים בין השניים. זהו מרחב שבו תרגום הנתונים לטקטיקה הופך להיות מיומנות מרכזית.
שיתוף דאטה בזמן אמת לקהל, לשידורים ולמועדונים
ההתפתחות אינה מוגבלת למגרש עצמו. שידורי ספורט כבר משלבים שכבות של דאטה בזמן אמת והקהל נחשף לניתוחים שבעבר היו זמינים רק לצוותים מקצועיים. הנתונים הופכים לחלק מהחוויה ומעשירים את הפרשנות שמלווה את הצפייה.
האם זהו סופה של העין האנושית בניתוח משחקים?
המציאות בשטח מראה באופן ברור שהמערכות המתקדמות ביותר הן לא אלו שאוספות את מירב הנתונים, אלא אלו שיודעות לשלב בין דאטה לבין הבנה מקצועית. בסופו של דבר, המשחק עצמו לא משתנה וההחלטות שתמיד התבוננו בהן עדיין כאן.
לכן, אני חושב שתמיד יישאר מקום לעין האנושית. לא כל דבר ניתן לכימות ולא כל תובנה נובעת מנתונים. מחקרים בתחום מדגישים כי גם כאשר נתוני ניתוח מתקדם מספקים תמונה עשירה של המשחק, הפרשנות שלהם עדיין תלויה בהבנה אנושית של דינמיקה קבוצתית והקשר משחקי רחב. במובן הזה, גם העתיד יהיה תלוי בדיאלוג שבין הנתונים ובין התובנה האנושית.
מקורות:
- Cervone, D., D'Amour, A., Bornn, L., & Goldsberry, K. (2016). A multiresolution stochastic process model for predicting basketball possession outcomes. Harvard Data Science Review.
- Cummins, C., Orr, R., O'Connor, H., & West, C. (2013). Global positioning systems (GPS) and microtechnology sensors in team sports: A systematic review. Sports Medicine, 43(10), 1025–1042.
- Bornn, L., Cervone, D., & Goldsberry, K. (2018). Player tracking data in sports. Annual Review of Statistics and Its Application.
