Carnegie Mellon zorgt voor een revolutie in sportanalyse:baanbrekende datagestuurde inzichten voor concurrentievoordeel

Andrew Corselli

De sportanalisten van vandaag hebben toegang tot meer – en betere – gegevens dan ooit tevoren. Deskundigen van Carnegie Mellon University zetten die gegevens om in inzichten, waarbij ze statistieken en datawetenschap gebruiken om professionele teams te helpen een concurrentievoordeel te behalen.

“Elke tiende van een seconde geven de Next Gen-datachips van de NFL informatie over waar elke speler zich op het veld bevindt – de richting waarin ze bewegen, de snelheid waarmee ze bewegen”, zegt Ron Yurko, assistent-onderwijsprofessor bij CMU’s Department of Statistics &Data Science en directeur van het Carnegie Mellon Sports Analytics Center.

Het volgen van spelers op het veld reikt verder dan de NFL.

“De MLB heeft informatie over elke swing in de Major League Baseball”, zegt Yurko, die ook een academische partner is bij de NFL. “Bij honkbal en basketbal beschikken ze over zogenaamde ‘pose skeletgegevens’, waarbij we elke fractie van een seconde weten waar de elleboog, de schouder, de knieschijf is, en in de driedimensionale ruimte.”

De vraag die iedereen natuurlijk wil beantwoorden – van teameigenaren, managers en coaches tot analisten, gokkers en fans – is wat ze met al die gegevens moeten doen. Lees verder voor een exclusieve Tech Briefs interview, aangepast voor lengte en duidelijkheid, met Yurko, die precies weet wat hij met de gegevens moet doen.

Technische slips :Wat voor soort technologie gebruikt u om deze gegevens te verzamelen? En kunt u in eenvoudige bewoordingen uitleggen hoe het allemaal werkt?

Yurko :Wij verzamelen de gegevens niet persoonlijk bij Carnegie Mellon; die gegevens zijn afkomstig van de NFL.

De NFL heeft chips in de schoudervullingen van elke speler op het veld. Die gaan elke tiende van een seconde verder waar ze zich op het veld bevinden; hoe snel ze bewegen; de richting waarin ze bewegen en veranderen; hoe ze versnellen in de loop van het stuk. Vervolgens krijgen we als onderzoekers toegang tot die gegevens – of het nu via samenwerkingen met de NFL is of door het vrijgeven van de gegevens die zij verstrekken – en zullen we eraan werken. Welke nieuwe inzichten kunnen we hieruit halen? En onze studenten zullen aan deze projecten werken, ze zullen meedoen aan de jaarlijkse Big Data Bowl-competitie van de NFL, en dan leidt dit tot banen.

En wat er op universitair niveau gebeurt, is dat ze niet de chips in de schoudervullingen van universiteitsvoetballers hebben, maar dat je een verbazingwekkende hoeveelheid video hebt. En met behulp van computer vision AI-technologie kunnen we die video omzetten in zeer vergelijkbare gegevens die afkomstig zijn van de chips in de NFL. Waar NFL-teams nu mee werken zijn hetzelfde soort rijke trackinggegevens voor het hele universiteitsvoetbal; ze gebruiken dat om erachter te komen wie de spelers zijn die ze moeten opstellen.

Technische slips :Kun je iets vertellen over enkele van de chips die ze gebruiken?

Yurko :Bij de NFL zijn dit RFID-chips:infraroodsignalen die worden opgevangen in NFL-stadions. Het zijn lokale positioneringssystemen die echt extreem rijke gegevens opleveren waarover de NFL beschikt. Daarnaast heeft de NFL zich nu aangesloten bij Major League Baseball en de NBA, waar ze volledige camerasystemen rond het stadion hebben. En de NFL heeft het afgelopen jaar dit camerasysteem gebruikt, ik denk dat het Hawkeye is, om op te pikken waar de bal is om de eerste down te markeren – passeert de bal de eerste downlijn – in plaats van met de ouderwetse kettingen om te gaan. Nu kan dat worden geautomatiseerd dankzij de manier waarop ze de voetbal konden oppakken.

Dankzij diezelfde technologie heeft de NFL nu toegang tot waar zich letterlijk de handen, de ellebogen en de knieën van atleten bevinden – een volledige skeletachtige weergave van voetballers op het veld in fracties van een seconde. Die technologie bestaat nu en wordt gebruikt in de NFL. Het wordt al een aantal jaren gebruikt door Major League Baseball-teams en NBA-teams, maar we zien het nu ook in andere sporten voorkomen.

Technische slips :Welke competitie, zou je zeggen, heeft de meest geavanceerde technologie?

Yurko :Ik zou op dit moment zeggen Major League Baseball. Het is waarschijnlijk het meest vooruitstrevend op het gebied van het gebruik van technologie en statistiek. 'Moneyball' is het beroemde verhaal uit het begin van de jaren 2000 over het gebruik van data door Oakland A.

Major League Baseball-teams waren dus zeker de eersten die nadachten over hoe we technologie integreren en statistische modellen en machinaal leren gebruiken om te begrijpen hoe we spelers kunnen evalueren. Je ziet het niet alleen bij teams, maar ook bij de spelers zelf.

Spelers zullen naar deze pitching-labs gaan - ze gebruiken hogesnelheidscamera's en begrijpen wat er gebeurt als ze de grip van het honkbal veranderen; hoe dat de krachten en de vliegbaan en de beweging verandert; het ontwerpen van nieuwe kampeerplaatsen. En ze gebruiken al deze technologie en data letterlijk zelf om betere spelers te worden. Honkbal loopt dus voorop ten opzichte van andere sporten.

Toen in de NFL deze trackinggegevens van de chips in 2017 begonnen, leidde dat tot een kleine wapenwedloop, waarbij NFL-teams nu datawetenschappers en machine learning-ingenieurs begonnen in te huren om er echt achter te komen hoe je met al die informatie werkt.

Technische slips :Je wordt geciteerd in dat artikel dat ik heb gelezen en zei:"Letterlijk elke tiende van een seconde geven de Next Gen Data-chips van de NFL informatie over de positie, snelheid en richting van elke speler. De vraag is nu wat we met al die gegevens moeten doen." Nou, mijn vraag is:wat is het antwoord? Wat doe je met al die gegevens? Wat zijn je volgende stappen? Waar ga je heen vanaf hier?

Yurko :Dat is een goede vraag. Waar we als onderzoekers aan hebben gewerkt, en waarvan we weten dat het door NFL-teams wordt gebruikt, is hoe we de beweging die we waarnemen karakteriseren en begrijpen wat een hoogwaardig type beweging is, een hoogwaardige positionering – bijvoorbeeld welke verdedigers de beste dekking spelen tegen ontvangers terwijl ze routes lopen. Dit was een soort statistiek waar we voorheen geen toegang toe hadden in traditionele boxscores. Als je een verdediger had die een ontvanger dekte, en als hij zo'n geweldige verdediger was die een quarterback nooit in hun richting probeerde te gooien, dan zouden ze nooit een onderschepping krijgen, ze zouden nooit een tackle krijgen, ze zouden nooit enige telstatistieken hebben.

Transcriptie

00:00:02 Als je voetbal beschouwt als een diner, scouting en coaching, dan is dat de biefstuk. Sportanalyses zijn de aardappelpuree. Het is de jus. Het is iets dat van een goede maaltijd een geweldige maaltijd kan maken. Ze scouten al 40 jaar bij de combine. Hoe ver kun jij springen? Hoe lang ben je? Wat is het nieuwe dat we kunnen bedenken? Wanneer verwachten wij dat deze persoon wordt opgeroepen? De analyses zitten achter vrijwel elk aspect van het spel. CMSAC is het CarnegieMellon Sports Analytics Center,

00:00:28, wat ons centrum is voor onderzoek en onderwijs en verschillende evenementen die we organiseren aan de Carnegie Mellon University. Onze studenten zijn echt de norm geworden voor het soort individuen waar professionele sportteams en competities naar op zoek zijn. We hebben nu toegang tot fracties van een seconde waar elke speler zich op het voetbalveld bevindt, dankzij chips die in hun schoudervullingen zitten. We weten dus letterlijk elke tiende van een seconde hoe snel ze bewegen, in welke richting ze bewegen, wat de oriëntatie van hun schouders is. Dus waar we ons als groep op hebben geconcentreerd, is het opbouwen van statistische methodologie,

00:01:02 methoden voor machine learning, AI-tools die tot bruikbare inzichten kunnen leiden. Kunnen we, gegeven deze dataset, creatief genoeg zijn met onze analyse, zodat we nuttige inzichten kunnen identificeren om concurrentievoordelen voor een team te creëren? Binnen een toneelstuk kunnen we letterlijk voorspellen waar ze op het veld terecht zullen komen, hoeveel meter ze zullen winnen. Hoe groot is de kans dat ze een touchdown krijgen? Rechts. Dat alles vereist een behoorlijk geavanceerde methodologie. Sport betekent zoveel voor zoveel mensen. Data bieden gewoon een andere manier om verbinding te maken met de sport.

00:01:35 Het is superlonend om ongestructureerde data te kunnen gebruiken en erin te duiken en een verhaal te vertellen. Het is geweldig om te zien hoe CMU-studenten hun passies omzetten in een carrière die, weet je, de toekomst van het profvoetbal vormgeeft. Als je voetbal beschouwt als een diner, scouting en coaching, dan is dat de biefstuk. Sportanalyses zijn de aardappelpuree. Het is de jus. Het is iets dat van een goede maaltijd een geweldige maaltijd kan maken. Ze scouten al 40 jaar bij de combine. Hoe ver kun jij springen?

01:00:19 Hoe lang ben je? Wat is het nieuwe dat we kunnen bedenken? Wanneer verwachten wij dat deze persoon wordt opgeroepen? De analyses zitten achter vrijwel elk aspect van het spel. CMSAC is het Carnegie Mellon Sports Analytics Center, onze hub voor onderzoek en onderwijs en verschillende evenementen die we organiseren aan de Carnegie Mellon University. Onze studenten zijn echt de norm geworden voor het soort individuen waar professionele sportteams en competities naar op zoek zijn. We hebben nu toegang tot fracties van een seconde waar elke speler

01:00:51 op het voetbalveld vanwege chips in hun schoudervullingen. We weten dus letterlijk elke tiende van een seconde hoe snel ze bewegen, in welke richting ze bewegen, wat de oriëntatie van hun schouders is. Dus waar we ons als groep op hebben geconcentreerd, is het opbouwen van statistische methodologie, machine learning-methoden en AI-tools die kunnen leiden tot bruikbare inzichten. Kunnen we, gegeven deze dataset, creatief genoeg zijn met onze analyse, zodat we nuttige inzichten kunnen identificeren om concurrentievoordelen voor een team te creëren? Binnen een toneelstuk kunnen we letterlijk voorspellen waar ze op het veld terecht zullen komen, hoeveel meter ze zullen winnen.

01:01:25 Hoe groot is de kans dat ze een touchdown krijgen? Rechts. Dat alles vereist een behoorlijk geavanceerde methodologie. Sport betekent zoveel voor zoveel mensen. Data bieden gewoon een andere manier om verbinding te maken met de sport. Het is superlonend om ongestructureerde data te kunnen gebruiken en erin te duiken en een verhaal te vertellen. Het is geweldig om te zien hoe CMU-studenten hun passies omzetten in een carrière die, weet je, de toekomst van het profvoetbal vormgeeft.