O esporte nunca foi tão competitivo. Hoje em dia, todos os atletas, técnicos e equipes estão usando a análise de dados para obter a menor vantagem sobre seus rivais. Há um grande apetite por isso, mas será que a análise é tão eficaz quanto possível?
O contexto aqui é que o volume de dados disponíveis para as equipes está aumentando exponencialmente. Se tomarmos o futebol como exemplo, à medida que o volume de dados aumenta, fica mais difícil analisar esses milhões de pontos de dados em algo que possa ser rapidamente absorvido, adaptado e compartilhado para melhorar o desempenho das equipes e ganhar mais jogos. Assim, em vez disso, muitas equipes recebem apenas relatórios estatísticos simples, desprovidos de contexto tático.
Esses dados e relatórios estatísticos "planos" são limitantes por dois motivos:
Em primeiro lugar, porque os analistas de dados estão sob crescente pressão de tempo para produzir novas táticas e estratégias. Com apenas dois ou três dias antes do próximo jogo, implementar diferentes estilos de jogo em uma equipe pode ser um desafio. Isso significa que os analistas, na maioria das vezes, se aprofundam em relatórios planos e filmagens de vídeo.
Onde está o tempo para a análise? Da mesma forma, os cientistas esportivos sentem que precisam passar grande parte do tempo lidando com dados brutos, o que deixa menos tempo para análise e orientação.
Em segundo lugar, não há orientação para aqueles que tentam interpretar os números. Simplesmente, as ferramentas que fornecem os resultados dos dados não oferecem análises interativas que permitam aos analistas, técnicos e gerentes entender melhor o estilo de jogo do adversário e o impacto do estilo de sua própria equipe. Isso permitiria uma melhor tomada de decisão em relação à seleção de equipes, táticas e regimes de treinamento.
No entanto, os dados podem ser segmentados com base em situações táticas e fornecer uma compreensão de como o estilo de uma equipe afetará os requisitos físicos da oposição. Isso pode ser feito usando um método chamado análise de componentes principais.
A análise de componentes principais, no caso do futebol, pega oito incidentes em campo, como um drible para frente, e os reduz a "estilos de jogo" para cada equipe. Essas percepções permitem que os analistas classifiquem as equipes em estilos de jogo específicos, por exemplo, pressão alta, contra-ataque ou ameaças sustentadas. Reduzir a análise a estilos de jogo ajuda a economizar tempo e fornece dados acionáveis contextualizados. A simplificação dos dados e o acréscimo de contexto podem ajudar os cientistas de dados e os técnicos a entender como os estilos de jogo de um adversário afetarão os requisitos de seus jogadores. Isso permite que cientistas do esporte, técnicos e jogadores criem sessões de treinamento tático baseadas em evidências e capturem a carga de trabalho tático para cada posição.
Será que o fato de o Manchester United ou o Chelsea terem dado o maior número de chutes a gol nesta temporada realmente fornece informações valiosas para um técnico adversário desenvolver uma estratégia para impedir que esse time chute a gol? A resposta é não. Em vez disso, os insights no clima competitivo de hoje devem levar todos os fatores em consideração para fornecer um quadro claro e preciso do que aconteceu e, o mais importante, por que aconteceu.
Em média, durante um jogo, um jogador de futebol passa 97% do tempo sem a bola. Por isso é tão importante saber não apenas o que está acontecendo com a bola. É fundamental saber o que está acontecendo em todo o campo. Só é possível obter a vantagem da vitória quando os números fornecem o contexto. Com o contexto em vigor e algoritmos que abordam pontos de dados em vários níveis em um jogo inteiro, cientistas, técnicos e jogadores terão uma previsão mais precisa do que é necessário para vencer e ter um desempenho de alto nível.
