Analitik Olahraga: Bagaimana Berbagai Cabang Olahraga Menggunakan Analitik Data

Menurut statistik utama pembuatan data tahun 2022, setiap hari tercipta 2,5 kuintiliun byte data. Dengan jumlah data sebesar itu, semakin banyak orang memiliki akses ke informasi yang membantu mereka membuat keputusan yang lebih baik. Maka tak heran data memainkan peran yang kian penting di hampir setiap industri. Salah satu bidang yang berkembang pesat di era baru ini adalah analitik olahraga. 

Siapa pun yang tertarik pada penyiaran olahraga tahu betapa besarnya peran data dan statistik dalam industri olahraga saat ini. Semakin banyak orang di dunia olahraga yang ingin memanfaatkan kekuatan analitik untuk meraih keunggulan statistik apa pun yang bisa mereka temukan, sehingga melahirkan industri analitik olahraga. 

Apa itu Analitik Olahraga? 

Analitik olahraga adalah studi tentang performa atletik dan kesehatan bisnis untuk mengoptimalkan proses dan kesuksesan organisasi olahraga. Secara garis besar, ada dua komponen dalam analitik olahraga:

• Analitik data di lapangan. Bidang ini melibatkan pelacakan metrik data kunci di lapangan guna memengaruhi metodologi yang dapat digunakan untuk meningkatkan strategi pertandingan, rencana nutrisi, dan area penting lainnya yang secara etis dapat meningkatkan tingkat performa atlet. Tujuannya menjawab pertanyaan terkait performa di lapangan, seperti “siapa pemain sepak bola yang menciptakan peluang terbanyak di Eropa?” atau “siapa pemain yang berlari paling cepat dalam jarak 20 meter?” dan sebagainya. 
• Analitik data di luar lapangan. Fokusnya pada sisi bisnis olahraga. Ini mencakup pemantauan metrik data penting di luar lapangan seperti penjualan tiket, penjualan merchandise, keterlibatan penggemar, dan lain-lain. Jenis analitik data ini bertujuan membantu para pengambil keputusan di tim olahraga membuat keputusan yang lebih baik untuk mendorong pertumbuhan dan profitabilitas. 

Analitik data sangat penting dalam bisnis modern. Banyak perusahaan di berbagai industri telah memanfaatkan analitik data untuk membantu mengoptimalkan kinerja. Dengan menerapkan analitik data ke dalam model bisnis, perusahaan kini memiliki informasi yang cukup untuk membantu mereka membuat keputusan bisnis yang lebih baik dan menekan biaya secara lebih efisien.  

Mengapa Analitik Data dalam Olahraga Bermanfaat? 

Pasar olahraga global tumbuh dari $354,96 miliar pada 2021 menjadi $496,52 miliar pada 2022, menurut riset The Business Research Company, menjadikannya salah satu pasar terbesar di dunia. Seiring meningkatnya belanja di pasar olahraga global, tim olahraga semakin berkomitmen berinvestasi pada analitik data olahraga untuk meraih keunggulan kompetitif, sehingga pasar analitik olahraga diproyeksikan mencapai lebih dari $4,5 miliar pada 2025. 

Beberapa manfaat utama analitik data dalam olahraga antara lain: 

Pengambilan keputusan berbasis informasi

Analitik data olahraga dapat menjadi alat yang berguna untuk membuat keputusan strategis penting. Misalnya, ketika Thomas Tuchel, mantan manajer Chelsea Football Club, ditanya mengapa ia memasukkan kiper Kepa Arrizabalaga di akhir perpanjangan waktu, ia menjawab, “Kami punya beberapa statistik, kami sangat siap, bahwa Kepa adalah yang terbaik secara persentase dalam menyelamatkan penalti.” Ia menambahkan, “Ada bukti bahwa Kepa lebih baik dalam disiplin ini.” Chelsea kemudian memenangkan adu penalti, dengan Kepa menyelamatkan dua tendangan penalti. 

Walau skenarionya bisa saja berbeda, keputusan yang didukung data baik di dalam maupun di luar lapangan umumnya menghasilkan pengambilan keputusan yang lebih kuat dan akurat. 

Contoh lainnya ada di NBA. Beberapa tim, seperti Philadelphia 76ers, memanfaatkan teknik analisis data yang rumit, seperti visualisasi data dan pengujian hipotesis, untuk menganalisis pertandingan NBA guna memengaruhi strategi pelatih. 

Analisis semacam ini berdampak besar pada bola basket. Aksi lebih banyak terjadi di garis tiga angka karena tim menyadari bahwa mengambil lebih banyak tembakan tiga angka sepadan dengan komprominya (tim mungkin lebih sering gagal tembak, tetapi ketika masuk, poin yang didapat lebih banyak). 

Pendapatan meningkat 

Secara umum, perusahaan yang berinvestasi pada data dan analitik dapat mengalami peningkatan finansial yang signifikan. Menurut riset yang dilakukan oleh McKinsey & Company, rata-rata peningkatan awal laba dari big data adalah enam persen, yang meningkat menjadi sembilan persen untuk investasi selama lima tahun. 

Salah satu area di mana tim olahraga menggunakan analitik data untuk meningkatkan pendapatan adalah penjualan tiket. Menentukan harga tiket secara efektif adalah bagian penting namun rumit dalam penjualan. Dengan analisis data, organisasi olahraga dapat memperoleh wawasan yang lebih baik terhadap aspek finansial kunci, sehingga memungkinkan mereka menentukan harga terbaik bagi pelanggan dan organisasi. 

Contohnya, Houston Astros menggunakan analitik data untuk menjalankan skenario “bagaimana-jika” guna memahami pembeli tiket pertandingan tunggal dengan harapan mengonversi mereka menjadi pemegang tiket musiman sekaligus mempertahankan pemegang tiket musiman saat ini. 

Dalam contoh lain, analisis digunakan untuk memahami kompromi yang dibuat penggemar antara variabel seperti lokasi kursi, pilihan makanan & minuman, dan alternatif lain di area klub. Gagasannya adalah memahami penggemar dengan lebih baik agar waralaba dapat menyesuaikan penawaran tiket yang paling sesuai dengan kebutuhan penggemar di suatu bagian tertentu.

Analitik data dalam olahraga juga sangat baik untuk mengoptimalkan pendapatan ritel olahraga online. Tim olahraga menerapkan teknik seperti manipulasi, agregasi, pembersihan data, dan lainnya untuk menganalisis data produk demi mengoptimalkan pendapatan.  

Perkembangan Industri Analitik Olahraga 

Olahraga dan analitik data telah lama terkait erat. Baseball adalah salah satu pelopor adopsi analitik olahraga, dengan Earnshaw Cook menerbitkan Percentage Baseball pada 1964. Namun, beberapa ahli statistik kemungkinan mengaitkan popularisasi analitik olahraga dengan Billy Beane, manajer umum Oakland Athletics dari 1997 hingga 2016.

Hingga 2002, pelatih dan atlet di baseball cenderung menutup mata terhadap analitik data yang lebih mendalam dan lebih mengandalkan intuisi, estetika pemain, atau statistik dangkal seperti batting average. Billy Beane, yang dibatasi anggaran minimalis, menyadari bahwa menempatkan pelari di base sangat penting untuk mencetak lebih banyak run. Dengan pemahaman ini, Beane memfokuskan strateginya pada perekrutan pelempar awal yang kurang diperhatikan – biasanya dengan harga sebagian kecil dari pelempar terkenal – yang memiliki on-base percentage tinggi, dengan gagasan bahwa tim dengan on-base percentage lebih tinggi lebih mungkin mencetak run. 

Keberhasilan Beane bersama Oakland Athletics membuat tim-tim Major League Baseball (MLB) lain memperhatikan. Pada 2003, Boston Red Sox menjadi MLB berikutnya yang mengadopsi pendekatan serupa. Strateginya mengoptimalkan tim dengan analitik data olahraga dikenal sebagai “Moneyball.” Namun, baru pada 2011, ketika film Moneyball dirilis, istilah “analitik olahraga” populer di budaya olahraga arus utama.

Sejak saat itu, setiap cabang olahraga utama mengalami evolusi analitiknya sendiri. Banyak tim olahraga ingin meraih keunggulan kompetitif melalui analitik data dan berinvestasi besar-besaran untuk merekrut ilmuwan data olahraga guna menganalisis data di dalam dan di luar lapangan secara objektif.   

Bagaimana Berbagai Cabang Olahraga Menggunakan Analitik

Walaupun tujuan mendasar analitik data olahraga bersifat universal – meraih keunggulan kompetitif melalui statistik dan analisis data – tiap cabang olahraga menerapkan metode yang berbeda untuk mengumpulkan dan menganalisis data secara efisien sesuai kebutuhan olahraganya. 

Sepak bola

Analitik data olahraga menjadi bagian integral pengambilan keputusan di luar lapangan dalam sepak bola. Klub-klub di seluruh dunia banyak berinvestasi pada sains data dan teknologi terkait untuk membantu meningkatkan performa pemain di lapangan dan memperbaiki pengambilan keputusan di luar lapangan. Ini melibatkan pelacakan dan pemantauan data seperti posisi pemain saat pertandingan, kelelahan saat latihan, jarak tempuh, dan data lain yang dapat memberikan wawasan lebih tentang kondisi pemain. 

Statistik lain dapat dikumpulkan untuk menyelidiki performa pemain individu, seperti dribel sukses, umpan, dan intersepsi. Analisis data ini memberikan pelatih dan pemain wawasan lebih baik tentang kekuatan dan kelemahan permainan mereka, yang berguna untuk pengembangan. Anda dapat membaca lebih lanjut tentang bagaimana sains data mengubah sepak bola dalam artikel terpisah. 

Baseball

Sebagai salah satu cabang olahraga pertama yang merangkul analitik, baseball telah menetapkan tolok ukur selama bertahun-tahun. Beberapa pemikir tercerdas dalam permainan, seperti Theo Epstein, bahkan tidak pernah menginjakkan kaki di pertandingan liga utama atau liga kecil sebagai pemain. Sebaliknya, mereka mengandalkan pendidikan tinggi dan hasrat mengolah angka untuk membantu membuat keputusan di dalam dan di luar lapangan.

Berkat pengumpulan statistik yang sangat mendalam dalam baseball selama waktu yang lama, semakin banyak orang seperti Theo Epstein yang bergabung ke komunitas analitik data olahraga baseball. Beragam statistik dilacak untuk membantu pengambilan keputusan tim MLB, seperti:

• Batting average: Statistik yang dihitung dengan membagi jumlah pukulan (hits) dengan jumlah kesempatan memukul (at-bats) pemain tersebut. Statistik ini mengungkap kecenderungan pemain dan pitch mana yang cenderung membuat mereka strike out. Tujuannya membantu pemain mengidentifikasi jenis pitch yang menjadi kelemahannya – ini juga statistik yang paling sering dibahas dalam baseball. 
• On-base percentage: Salah satu statistik ofensif terpenting; menunjukkan seberapa sering seorang pemukul berhasil menghindari out di plate dan didefinisikan sebagai persentase saat pemain mencapai base melalui pukulan, walk, atau terkena lemparan.  
• Slugging average: Slugging average mengukur kekuatan pukulan seorang pemain. Ini mengukur jumlah base yang diperoleh pemain dari pukulan. Semakin tinggi slugging average, semakin besar kemungkinan pemain memukul untuk extra bases.

Anda dapat menerapkan pengetahuan Baseball, Python, dan visualisasi data dengan Matplotlib dan Seaborn dalam proyek Membandingkan Statistik Pemain Baseball Menggunakan Visualisasi.    

Bola basket 

Daryl Morey adalah salah satu manajer umum NBA pertama yang menerapkan metrik statistik lanjutan sebagai bagian penting dari evaluasi pemain. Kini, sebagian besar tim NBA memiliki analis data olahraga sebagai staf. Peran mereka adalah mendukung pelatih dan pemain dengan data untuk membantu memaksimalkan performa di lapangan dan mengidentifikasi pemain yang undervalued. 

Di level bola basket paling elit, tim menggunakan kamera pelacak data dari segala sudut arena untuk melacak setiap gerakan yang dilakukan tiap pemain di lapangan. Data ini kemudian disinkronkan dengan statistik pemain untuk memberikan rincian lengkap performa pemain.

Apa yang Dilakukan Analis Olahraga? 

Seorang analis olahraga biasanya menonton ajang olahraga yang menjadi tanggung jawabnya, menyiapkan komentar, dan menyampaikan komentar tersebut di udara atau dalam tulisan. Karena itu, mereka harus memiliki keterampilan analitis dan komunikasi yang sangat kuat karena hal ini mencakup porsi besar dari tanggung jawab harian mereka. Selain itu, analis olahraga memiliki pengetahuan mendalam tentang olahraga pilihannya, termasuk pemahaman konteks historis dan statistik kunci yang mendefinisikan kompetisi. 

Cara Menjadi Analis Olahraga

Seiring pertumbuhan industri olahraga berlanjut, dampak alaminya adalah melimpahnya peluang kerja. Individu yang piawai dalam analitik data dan memiliki minat kuat pada olahraga dapat memadukan bakat dan hobinya untuk membangun karier yang memuaskan sebagai analis olahraga. 

Menjadi analis olahraga umumnya mencakup tiga komponen utama: mendapatkan pendidikan, mengembangkan keterampilan, dan meraih pengalaman. Jika Anda bertanya-tanya bagaimana memulai di analitik olahraga, langkah-langkah ini dapat membantu Anda. 

Mengenyam pendidikan

Sebagian besar analis olahraga berawal sebagai penggemar olahraga pada umumnya. Namun, setelah memutuskan tujuan Anda menjadi analis olahraga, Anda harus menyerap sebanyak mungkin informasi tentang olahraga. Analis olahraga sering diharapkan menjadi semacam ensiklopedia olahraga berjalan.

Selain itu, pengetahuan statistik sangat penting. Statistik adalah bahasa yang digunakan dalam analitik olahraga. Secara umum, perhatikan dengan saksama hasil pertandingan terkini, seperti statistik pemain, rekor menang-kalah, dan informasi statistik lain yang tersedia, untuk memperkaya kosakata statistik Anda sambil mempelajari metrik apa yang penting bagi performa olahraga.

Dalam jangka panjang, pendidikan di dua area ini akan membantu Anda membuat penilaian dan prediksi yang berwibawa berdasarkan model statistik.

Banyak analis olahraga menempuh semacam gelar sains data olahraga, baik yang berfokus terutama pada sisi olahraga maupun sisi sains data. Tentu, jenis pendidikan lain juga dapat membantu, baik di bidang olahraga, statistik, sains data, atau bidang terkait.     

Mengembangkan keterampilan

Banyak keterampilan soft dan hard yang diperlukan untuk menjadi analis olahraga: 

Keterampilan soft 

Berpendidikan dalam statistik dan olahraga pilihan hanyalah satu bagian dari proses. Bagian lainnya adalah memanfaatkan pengetahuan statistik dan menggabungkannya dengan informasi kontekstual dari olahraga pilihan Anda untuk menghasilkan wawasan. Memiliki hubungan baik dengan pemangku kepentingan sangat membantu, karena analis olahraga diharapkan memahami kebutuhan pemangku kepentingan (mis., pelatih, direktur, dll.) dan menyampaikan wawasan yang akurat secara tepat waktu. 

Cara penyampaian wawasan juga penting. Pemangku kepentingan kemungkinan kurang teknis dibanding analis olahraga, artinya wawasan harus dilaporkan dalam format yang mudah dipahami dan berguna untuk menyederhanakan proses perencanaan dan pengambilan keputusan mereka.

Keterampilan hard

Siapa pun yang bekerja dengan data harus melek data dan sadar data – ikuti kursus Understanding Data Science kami untuk mempelajari lebih lanjut. Elemen kunci pekerjaan profesional data adalah memastikan data akurat dan andal, yang memerlukan pengetahuan yang baik tentang bagaimana data dikumpulkan, disimpan, dan diambil. Ini juga mencakup memastikan data bersih: sering diperkirakan 80% waktu ilmuwan data didedikasikan untuk pembersihan data. 

Anda dapat menguji keterampilan pembersihan data dalam proyek Menjelajahi Tren Pasar Airbnb ini, yang berfokus pada mengimpor dan membersihkan data serta keterampilan manipulasi data untuk mengeksplorasi data Airbnb New York City. 

Selain kemampuan membaca, menulis, berkomunikasi, dan bernalar dengan data, analis olahraga juga harus dibekali pengetahuan teknis yang signifikan tentang berbagai alat analitik dan bahasa pemrograman. Alat analitik olahraga ini meliputi lembar kerja Excel, SQL, R, Python, dan Tableau.