[討論] 大數據分析來襲 足球會越來越難看嗎?

[minnesota (mn)]

這5~10年, 因為科技進步
足球也開始請科學家做數據分析
分析當然是好事, 可以球迷看到更多面向
但球隊的最終目的就是增加贏球機會

會不會分析到最後搞得像
NBA的三分球大賽, 或 MLB只剩全壘打跟三振
以為得更多分就能贏更多比賽, 這很直觀吧
=====================================
大數據主宰足球決策！
未來比賽勝負將愈來愈容易被掌握？
楊晨欣  2021年7月6日

預測仍無法主導足球走向
整體來說，結合數據與人工智慧技術，是職業足球產業目前最熱門的科技投資。

某些足球隊偏好針對守門員或其他專職位置的球員，搜集與分析數據，再進一步利用演算
法來自動偵測比賽中一些下意識動作模式。

另外，數據的搜集與分析更可能幫助預測未來。舉例來說，在其他運動上，象棋選手能利
用人工智慧系統與演算法來模擬不同的下棋類型與每一步棋決策的可能結果，用在職業足
球上，預測科技可能對教練的執教、對上不同球隊的事先演練與隊形交換、球員轉隊交易
市場等，都有更大的決策影響。

不過，一篇 2021 年的研究結果指出，約 46% 的足球進球其實都有一定的隨機因素影響
，即使人工智慧能夠幫助球隊建立長期的競爭力與表現，但是，這個隨機因素與環境複雜
性，還是會讓足球運動維持相對高程度的未知與刺激，觀眾的期待與驚奇，仍然不會被數
據分析與預測科技奪走。

最強履歷資料數據家加盟
今年年初，天體物理學家、英國財政部前政策顧問 Laurie Shaw 宣布加入曼城足球隊（
Manchester City），在職業足球界掀起一場熱烈討論。

Laurie Shaw 將成為曼城旗下資料數據團隊的領導者，透過資料數據來分析各個球員的表
現，及與各個球隊的對戰狀況，利用分析結果來擬定更佳的作戰策略，最終目標是幫助球
隊創下更多的勝場數據。

Laurie Shaw 的經歷與能力，使其成為職業足球隊業界最強履歷數據資料專家，並反映了
職業足球隊對數據資料愈加重視。

另外，除了具備較高資產與較多資源的名門球隊開始利用數據分析促進球員與球隊表現，
一些小型的球隊雖然沒有自己的數據分析團隊，但也引進相關軟體系統，導入數據分析的
助力。

多元化數據應用
足球隊能夠搜集與分析的數據相當多元，光是與球相關的數據如傳球數、射球數、誤傳數
、助攻數等，配對球員與傳球位置，就能產出多樣的分析結果；光學追蹤技術則可用來對
準球員的位置，其每秒能夠傳回 25 次數據，來分析短時間內這位球員與球、隊友等之間
的距離變化；在日常訓練期間，穿戴式裝置則用來測量球員的熱量消耗、心跳數、疲勞程
度等身體指數，來管理球員的體適能狀態。

同一時間，每個球隊也正以不同的方式運用著各式數據。擁有理論物理博士學位的利物浦
（Liverpool）球隊研究部門總監 Ian Graham，就選擇專注在利用數據尋找可能躲過人眼
的特定趨勢，並且打造了一個內部平台，讓分析師透過進球數、球權比率等各項數據，打
造數據模型，進一步找出「潛在的危險狀況（對方進球或失去球權）」。

同樣團隊中還有天體物理學家 Tim Waskett 與哲學博士 Will Spearman，專注在球場掌
控。他們把傳球與進球想像成幾何學與機率，並且帶入球場上，試圖找出哪些球場區域比
較可能是自家球隊的控球處、哪種傳球比較有可能創造進球等，進而找出可能增加進球率
的傳球區域。

除了以贏球為目的外，利物浦球隊也與人工智慧公司 DeepMind 研究員們，一起測試了如
何讓 AI 系統幫助人類在個體與個體互動的多人動態環境中，更好地做出複雜且即時的決
策。運用在足球上，則是在困難的危機情況下，如何幫助球員或教練團隊們找出破解困境
的決策方法。

競爭大於合作的現實環境
「很多職業足球隊都或多或少在他們的決策過程中，加入數據元素，」足球分析軟體公司
的分析總監 Jan Van Haaren 在一場對 BBC 的訪問中說道，「是他們使用數據的方式，
依每個球隊的需求而有所不同。......不過，大部分的球隊都傾向將他們使用數據的方式
，當作產業秘密。」

畢竟，球隊之間仍然是競爭大於合作的關係。
另一個挑戰則是，數據分析的導入以及數據團隊的建立，都需要龐大的資源與金錢，對名
門球隊來說，要擁抱這項新興科技不是問題，然而，對小型球隊來說就不是如此。

在這樣的資源差距下，科技的推波助瀾，更可能加深名門球隊與小型球隊之間的表現差異
，讓小型球隊或資源較少的球隊，更難創造勝利的新歷史。


--
2016年MVP Mike Trout, 創造了10個 WAR
意思是74勝88敗的天使, 多贏了10場比賽
選秀也因此從第 2順位, 掉到第10順位
這就是用進階數據來看出球員價值

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 203.73.217.195 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/FAPL/M.1625588048.A.AC7.html
推 nathan4074: 棒球相對足球籃球很容易做統計 每顆球都是獨立的
推 jabari: 嗯啊 大數據顯示法國奪冠機率超高
推 Yunk: 足球不可測的變數太多了 數據分析沒辦法分析到全部
推 micbrimac: 電腦可以分析球員能力 沒辦法預測球員會不會氣氛跟擺
→ micbrimac: 爛XD
推 financial911: 很難啦
→ Yunk: 也沒辦法預測到比賽前一天會不會開放大嫂團去懇親啊XD
推 wpd: 進球隨機性很高 烏龍球就不說了 很多也是解圍解到攻方腳下
→ wpd: 照運動戰系統走位切傳完美搓進去的 真的沒有很高
→ wpd: 精算數據 覺得有可能是可以推出打防反的CP值到底高不高
推 ELF007: 棒球只是看起來相對容易統計  實際上解讀更困難
推 TameFoxx: 棒球的數據分析主要是對季賽勝率影響較大
→ TameFoxx: 畢竟一年162場季賽
→ TameFoxx: 棒球變難看是其他因素
→ ChrisDavis: 老實說我覺得跟其他運動一樣，內部一定有更多我們不知
→ ChrisDavis: 道的數據在影響球員
推 maikxz: 棒球只是發展得很早，大概20年前才開始往其他領域發展
→ shifa: 現在球迷比較熟悉的數據分析模式都是從棒球來的吧
→ shifa: 但如果加入貝式統計方法來看，應該比較容易拓展到其他球類
推 BHrabal: 艾西莫夫表示：以後連未來都可以計算
推 KrisNYC: 木鳥邏輯: 弱隊鐵桶打強隊勝率高 所以任何隊鐵桶最強
→ KrisNYC: 那現在木鳥在幹嘛 呵呵 不用擔心
推 BHrabal: 棒球變難看是生活形態變了 對慢節奏長時間接受度降低
推 micbrimac: 棒球站著不動 當真看了受不了...
推 Alderamin: 數據分析我不敢說那麼武斷 因為這群數學家都是瘋子！