Carnegie Mellon revolutioneert sportanalyse: pioniers in data-gedreven inzichten voor competitief voordeel

Data-analyse als gamechanger in professionele sport

Tegenwoordig hebben sporteranalisten toegang tot meer en betere data dan ooit. Experts van Carnegie Mellon University (CMU) zetten die data om in inzichten, door statistiek en data science te gebruiken om professionele teams een competitief voordeel te geven.

Rijke trackingdata in grote ligues

"Elke tiende seconde leveren de NFL's Next Gen data-chips informatie over waar elke speler op het veld staat — de richting waarin ze bewegen, de snelheid waarmee ze bewegen," aldus Ron Yurko, Assistant Teaching Professor in CMU's Department of Statistics & Data Science en Directeur van het Carnegie Mellon Sports Analytics Center.

Spelers volgen gaat verder dan alleen de NFL. "De MLB heeft informatie over elke enkele slag in Major League Baseball," zegt Yurko, die ook academisch partner is van de NFL. "In honkbal en basketbal hebben ze wat 'pose skeletdata' heet, waarbij we op elk fractie van een seconde weten waar de elleboog, schouder, knie en andere gewrichten in driedimensionale ruimte zijn."

Interview met Ron Yurko

De vraag die iedereen beantwoord wil hebben — van teameigenaren, managers, coaches tot analisten, weddenaars en fans — is wat te doen met al die data. Lees verder voor een exclusief Tech Briefs interview, bewerkt voor lengte en duidelijkheid, met Yurko.

Technologie voor dataverzameling

Tech Briefs: Wat voor technologie gebruikt u om deze data te verzamelen? En kunt u in eenvoudige termen uitleggen hoe het werkt?

Yurko: We verzamelen de data niet zelf aan Carnegie Mellon; die data komt van de NFL. De NFL heeft chips in de schouderbeschermers van elke speler op het veld. Die registreren hun positie elke tiende seconde; hoe snel ze bewegen; de richting waarin ze bewegen en veranderen; hoe ze versnellen tijdens de speel. Als onderzoekers krijgen we toegang tot die data — of via samenwerkingen met de NFL of datareleases die zij verstrekken — en werken we ermee. Welke nieuwe inzichten kunnen we eruit halen? Onze studenten werken aan deze projecten, doen mee aan de NFL's jaarlijkse Big Data Bowl competitie, wat leidt tot baankansen.

Op college-niveau hebben ze geen chips in de schouderbeschermers, maar ze hebben een enorme hoeveelheid video. Met computer vision AI-technologie kunnen we die video omzetten in vergelijkbare trackingdata als van de NFL-chips. Wat NFL-teams nu gebruiken, is hetzelfde type rijke trackingdata over heel college football; ze gebruiken dat om te bepalen welke spelers ze moeten draften.

Over de chips

Tech Briefs: Kunt u praten over de chips die ze gebruiken?

Yurko: In de NFL zijn dit RFID-chips — infrarood signalen die binnen NFL-stadia worden opgepikt. Het zijn lokale positioneringssystemen die extreem rijke data opleveren. Daarnaast heeft de NFL nu volledige camerasystemen rond het stadion, zoals MLB en NBA al jaren hebben. De NFL gebruikt dit camerastelsel (Hawk-Eye) om de bal te volgen voor eerste-down bepalingen, in plaats van de traditionele kettingmeting.

Van diezelfde technologie heeft de NFL nu toegang tot de positie van handen, ellebogen, knieën van atleten — een volledig skeletrepresentatie van footballspelers op het veld op fracties van een seconde. Die technologie bestaat nu en wordt in de NFL gebruikt. Het is al jaren in gebruik bij MLB en NBA teams, maar we zien het nu ook in andere sporten.

Meest geavanceerde tech

Tech Briefs: Welke liga heeft uw naar de meest geavanceerde technologie?

Yurko: Ik zou zeggen, op dit moment Major League Baseball. Het is waarschijnlijk het meest geavanceerd in het gebruik van technologie en statistiek — "Moneyball" is het beroemde verhaal uit begin jaren 2000 over de Oakland A's gebruik van data.

MLB-teams waren de vroegste adopters van het denken over hoe technologie en statistische modellering, machine learning te integreren om spelers te evalueren. Je ziet het niet alleen bij teams maar ook bij spelers zelf. Spelers gaan naar pitch-labs — ze gebruiken high-speed camera's, begrijpen wat er gebeurt als ze de greep van de bal aanpassen; hoe dat de krachten, vliegpad en beweging verandert; nieuwe worpen ontwerpen. Ze gebruiken al deze technologie en data zelf om betere spelers te worden. Dus honkbal is voorop ten opzichte van andere sporten.

In de NFL, toen de trackingdata van de chips in 2017 begon, leidde dat tot een soort wapenwedloop, waarbij NFL-teams begonnen data scientists en machine learning engineers in te huren om uit te zoeken hoe ze met al die informatie om moesten gaan.

Wat doet u met al die data?

Tech Briefs: U wordt geciteerd als zeggend: "Letterlijk elke tiende seconde leveren de NFL Next Gen Data chips informatie over elke speler's positie, snelheid en richting. De vraag is nu wat te doen met al die data." Wat is het antwoord? Wat doet u met al die data? Wat zijn de volgende stappen?

Yurko: Dat is een goede vraag. Woran we als onderzoekers werken, en wat we weten dat NFL-teams gebruiken, is: hoe karakteriseren we de beweging die we observeren en begrijpen wat hoogwaardige beweging is, hoogwaardige positionering — bijvoorbeeld welke verdedigers de beste dekking spelen tegen ontvangers tijdens hun routes. Dit was een type statistiek waar we voorheen geen toegang toe hadden in traditionele boxscores. Als je een verdediger had die een ontvanger dekte, en ze waren een fantastische verdediger waar een quarterback nooit probeerde naar te gooien, dan zouden ze nooit een interceptie maken, nooit een tackle, ze zouden nooit enige tellingstats hebben.

Transcript highlights

In het transcript benadrukt Yurko dat sportanalyse de "aardappelpuree en saus" is bij het "biefstuk" van scouting en coaching. Het kan een goede maaltijd een geweldige maaltijd maken. CMSAC (Carnegie Mellon Sports Analytics Center) is de hub voor onderzoek, onderwijs en evenementen. CMU-studenten zijn de standaard geworden voor wat professionele sportteams en ligues zoeken. Met toegang tot fracties van seconden data over elke speler, richten ze zich op het bouwen van statistische methodologie, machine learning methoden en AI-tools die leiden tot actionable insights. Binnen een speel kunnen ze voorspellen waar spelers eindigen, hoeveel yards ze winnen, en de kans op een touchdown. Al dit vereist gesofisticeerde methodologie.