کلان داده (Big Data) چگونه آینده ی ورزش را متحول می‌کند؟
امروزه هدف ما در ورزش این نیست که فقط بدانیم چه کسی برنده می شود، می‌خواهیم بدانیم چگونه می‌توان موفقیت به دست آمده را تکرار کرد و آن را بهبود بخشید. برای انجام این کار، از داده‌ها استفاده می‌کنیم؛ حجم بسیار زیادی از داده. اکنون حوزه تجزیه و تحلیل کلان داده یا طبق مصوبه فرهنگستان «مه داده» با کاربردهای گسترده‌ای که برای ورزش دارد به علم ورزش وارد شده است.
اخیرا انجمن تنیس زنان امکان ثبت لحظ‌ای داده‌ها ا یید کرده است. این سیستم به مربیان این امکان را می‌دهد که در کنار زمین با استفاده از گوشی هوشمند یا تبلت در طول مسابقه بازیکنان خود را در مورد بهترین محل برای زدن ضربه یا جهت مناسب سرویس راهنمایی کنند. می‌توان استدلال کرد که این امر باعث می‌شود بازیکن کمتر از غرایز خود برای تصمیم‌گیری استفاده کند. اما به طرفداران تنیس که بازی را تماشا می‌کنند کمک می‌کند تا راحت‌تر درک کنند که چه چیزی یک بازیکن خوب را عالی می‌کند و چرا حریفش شکست می‌خورد، در حالی که بازیکنان ویژگی‌های رقابتی قوی‌تری دارند.
شاید مشهورترین نمونه تحلیل عملکرد در کتاب مانیبال که در سال 2003 منتشر شد نشان داده شده است. این کتاب در مورد ظهور تیم بیسبال اوکلند اتلتیکس است. تیم اوکلند با استفاده از یک رویکرد مبتنی بر داده برای جذب بازیکنان و ایجاد استراتژی بازی (با بودجه‌ی بسیار کمتری از تیم‌های بزرگتر و موفق‌تر) تصمیم‌های پیشاهنگی یا مدیریتی که مبتنی بر تجربه بود را با تصمیم‌هایی که با استفاده از داده‌های جمع‌آوری‌شده از مسابقه و آمار به دست می‌آمدند جایگزین کرد. این رویکرد آن‌ها را در سال‌های 2002 و 2003 به پلی آف برد و روش اداره‌ی تعداد زیادی از ورزش‌های تیمی را برای همیشه تغییر داد.
استفاده از تجزیه و تحلیل داده‌ها در ورزش پیچیده است. این امر نه تنها به دلیل حجم زیاد داده‌ها است، بلکه یافتن راه‌هایی برای سازمان‌دهی و انتقال اطلاعات پویا به مربی، مدیر یا ورزشکار به منظور اتخاذ تصمیمات استراتژیکی سریع نیز امری دشوار است.
اطلاعات مرتبط جدا از هم
به عنوان مثال، در مسابقات اتومبیل رانی فرمول 1 تصمیم به پیت استاپ، سوخت‌گیری یا تعویض لاستیک‌ها فقط از روی ضرورت نیست. اغلب این گونه تصمیم‌ها برای ایجاد یک مزیت تاکتیکی از نظر خلق موقعیت بهتر نسبت به سایر رقبا نیز گرفته می‌شود. چرا که آن‌ها نیز مجبور به انجام همین کار هستند. این تصمیم که بر اساس داده‌های زیادی در مورد عملکرد خودرو، راننده و رقبا است، باید به سرعت و با بالاترین سطح اطمینان ممکن اتخاذ شود. تجزیه و تحلیل کلان داده نه تنها می‌تواند اطلاعاتی در مورد بسیاری از قطعات و سیستم‌های موجود در خودرو ارائه دهد، بلکه می‌تواند این کار را هم در مسابقه و هم در طراحی و آزمایش برای بهبود عملکرد انجام دهد.
فکر نکنید که چنین اعداد و ارقامی تنها محدود به ورزش‌های مبتنی بر فناوری‌های پیشرفته است. ینس فوگت، دوچرخه‌سوار آلمانی، رکورد معتبر «ساعت جهانی» را که در آن یک دوچرخه‌سوار در یک ولودروم (پیست دوچرخه‌سواری) تلاش می‌کند بیشترین مسافت ممکن را در یک ساعت طی کند شکست. این رویداد مه از تلویزیون پخش می‌شد علیرغم این که به ظاهر تنها ماهیتی چالشی داشت، به وضوح تیمی از تحلیلگران را در حال نظارت و ضبط لحظه‌ای داده‌ها نشان می‌داد. این اطلاعات شامل سرعت دوچرخه‌سواران، توان خروجی و اطلاعات دیگری مانند اندازه‌گیری لحظه‌ای اثرات آیرودینامیکی می‌شد.
برخلاف تنیس، قوانین مسابقات دوچرخه‌سواری مانع از انتقال این اطلاعات در حین مسابقه به خود دوچرخه‌سوار می‌شود. اما تیم او می‌تواند از این اطلاعات برای آماده‌سازی دوچرخه‌سوار برای بهبود عملکرد او در بازی و تمرین استفاده کند.
پوشیدنی‌های مبتنی بر داده
فناوری‌های مبتنی بر داده فقط در برنامه‌های تلویزیونی برای بینندگان یا برای تجزیه و تحلیل توسط تیم‌های ورزشی مورد استفاده قرار نمی‌گیرد، بلکه می‌توان آن‌ها را پوشید. کاهش هزینه و افزایش قدرت و پیچیدگی دستگاه‌هایی مانند تلفن‌های هوشمند به این معنی است که جمع‌آوری داده‌ها از لوکس بودن به چیزی تبدیل شده است که هر کسی می‌تواند در هر جا و هر زمان از آن استفاده کند. به عنوان مثال، کمپین تبلیغاتی آیفون بر قابلیت‌های پایش سلامت خود با استفاده از سنسورهای مختلف متمرکز شده است. بسیاری از ساعت‌های هوشمند نیز ویژگی‌های مشابهی را ارائه می‌دهند.
از یک دهه پیش، لباس‌های هوشمند و پارچه‌هایی که می‌توانستند سلامت و وضعیت احساسی کاربر را کنترل کنند پیشنهاد شده بودند. امروزه چنین فناوری را می‌توان به طور نامرئی در لباسی که یک ورزشکار می‌پوشد ادغام کرد. گرچه ممکن است در ورزش تغییری مشاهده نشود، اما ورزشکاران می‌توانند در طول انجام آن داده‌های زیادی را منتقل کنند که حتی تفاوت‌های ظریف در عملکرد آن‌ها را نیز منعکس می‌کند بدون اینکه حرکت آن‌ها را محدود کند. امروزه تجزیه و تحلیل داده‌ها از آزمایشگاه به زمین بازی منتقل شده است.
از ورزشکاران گرفته تا هواداران
تجزیه و تحلیل کلان داده فقط به خود ورزشکاران محدود نمی‌شود. با توجه به پول هنگفتی که در لیگ‌های ورزشی حرفه‌ای در خطر است، حتی جنبه‌هایی مانند رفتار هواداران نیز اکنون منبع ارزشمندی است.
با درک نحوه تعامل طرفداران با ورزش یا نام تجاری یک تیم، می‌توان در مورد تبلیغات یا محتوای پخش ورزشی مناسب تصمیم گرفت. بنابراین استفاده از رسانه‌های اجتماعی می‌تواند به افزایش بازگشت سرمایه‌‌ی اسپانسرهای تیم کمک کند. این روزها استفاده از تجزیه و تحلیل کلان داده در دنیای ورزش تنها با سرمایه‌گذاری و منابع موجود و توانایی عمل بر روی آن محدود شده است.
اکنون شاید این سوال برای طرفداران ایجاد شود که آیا دانستن این اطلاعات باعث غیرانسانی شدن یا از بین رفتن هیجان ورزش نمی‌شود؟ آیا دانستن احتمال آماری گلزنی یا دانستن اینکه کدام بازیکن احتمالا این کار را انجام می‌هد بخشی از معمای بازی را در هنگام تماشا از بین نمی‌برد؟ یا برعکس، ما را در تجربه بازی و مهارت‌های نمایش داده شده غوطه‌ور می‌کند؟ با توجه به اینکه کلان داده در حال حاضر به طور قاطعی در بازی حضور دارند، این سوالات همچنان ادامه خواهند داشت.
منبع: Livescience.com
ترجمه : علیرضا طوقی
