Analisi sportive: come gli sport usano i dati

Secondo le principali statistiche sulla creazione di dati per il 2022, ogni giorno vengono creati 2,5 quintilioni di byte di dati. Con quantità simili, sempre più persone hanno accesso a informazioni che consentono di prendere decisioni migliori. Non sorprende quindi che i dati giochino un ruolo sempre più centrale in quasi ogni settore. Uno degli ambiti che prospera in questa nuova era è l’analisi dei dati sportivi. 

Chiunque sia interessato al mondo del broadcasting sportivo conosce bene l’ampiezza del ruolo dei dati e delle statistiche nell’industria sportiva di oggi. Un numero sempre maggiore di professionisti nello sport è pronto ad abbracciare la potenza dell’analisi per ottenere qualsiasi vantaggio statistico possibile, dando vita all’industria della sports analytics. 

Che cos’è la Sports Analytics? 

La sports analytics è lo studio della performance atletica e della salute del business con l’obiettivo di ottimizzare i processi e il successo di un’organizzazione sportiva. In sostanza, comprende due componenti:

• Analisi dei dati in campo. Quest’area prevede il tracciamento di metriche chiave in campo per influenzare metodologie utili a migliorare strategie di gioco, piani nutrizionali e altre leve in grado di aumentare eticamente il livello di performance degli atleti. Cerca di rispondere a domande legate alla prestazione in campo, come “quale calciatore ha creato più occasioni in Europa?” o “chi ha fatto registrare la velocità più alta sui 20 metri?”, ecc. 
• Analisi dei dati fuori dal campo. Qui l’attenzione si sposta sul lato business dello sport. Si monitorano metriche importanti come vendite dei biglietti, merchandising, engagement dei fan, ecc. Questo tipo di analisi aiuta i decisori delle squadre a prendere decisioni migliori orientate a crescita e redditività. 

L’analisi dei dati è fondamentale nel business moderno. Molte aziende di vari settori hanno sfruttato i dati per ottimizzare le proprie performance. Integrando l’analisi nel proprio modello, oggi dispongono di informazioni sufficienti per prendere decisioni più efficaci e ridurre i costi in modo più efficiente.  

Perché l’analisi dei dati nello sport è utile? 

Il mercato globale dello sport è passato da 354,96 miliardi di dollari nel 2021 a 496,52 miliardi nel 2022, secondo le ricerche de the business research company, rendendolo uno dei mercati più grandi al mondo. Con l’aumento della spesa, le squadre sportive investono sempre di più nella sports analytics per ottenere un vantaggio competitivo: per questo il mercato è stimato superare i 4,5 miliardi di dollari entro il 2025. 

Tra i principali vantaggi dell’analisi dei dati nello sport ci sono: 

Decisioni informate

La sports analytics può essere uno strumento prezioso per prendere decisioni strategiche importanti. Per esempio, quando all’ex allenatore del Chelsea Thomas Tuchel è stato chiesto perché avesse inserito in porta Kepa Arrizabalaga a fine tempi supplementari, ha risposto: “Avevamo delle statistiche, eravamo ben preparati, Kepa è il migliore in percentuale nel parare i rigori.” E ha aggiunto: “C’è la prova che Kepa è più bravo in questa disciplina.” Il Chelsea ha poi vinto ai rigori, con Kepa che ne ha parati due. 

Anche se lo scenario avrebbe potuto avere un esito diverso, decisioni supportate dai dati, in campo e fuori, tendono in genere a portare a scelte più efficaci e accurate. 

Un altro esempio riguarda la NBA. Diverse squadre, come i Philadelphia 76ers, sfruttano tecniche avanzate di analisi, come la visualizzazione dei dati e il test d’ipotesi, per analizzare le partite e influenzare la strategia di coaching. 

Questo tipo di analisi ha avuto un impatto profondo sul basket. Sempre più azioni si sviluppano dalla linea da tre punti, da quando le squadre hanno capito che prendere più tiri da tre ripaga i compromessi (si può sbagliare di più, ma quando entra, vale più punti). 

Aumento dei ricavi 

In generale, le aziende che investono in dati e analytics possono ottenere ritorni economici significativi. Secondo una ricerca di McKinsey & Company, l’aumento medio iniziale dei profitti dovuto al big data è stato del sei per cento, salito al nove per cento per investimenti nell’arco di cinque anni. 

Un’area in cui le squadre usano l’analisi per aumentare i ricavi è la vendita dei biglietti. Definire i prezzi in modo efficace è importante ma complesso. Con la data analysis, le organizzazioni sportive ottengono una migliore comprensione delle variabili economiche chiave, così da determinare il miglior prezzo per i clienti e per l’organizzazione. 

Per esempio, gli Houston Astros hanno usato l’analisi per eseguire scenari “what-if” e capire i comportamenti degli acquirenti di biglietti per singole partite, con l’obiettivo di convertirli in abbonati e al contempo trattenere gli abbonati esistenti. 

In un altro caso, l’analisi è stata impiegata per comprendere i compromessi che i fan fanno tra variabili come posizione del posto, opzioni food & beverage e altre alternative nella club section. L’idea era conoscere meglio i tifosi, così che le franchigie potessero adattare le offerte per rispondere alle esigenze dei fan in una determinata sezione.

L’analisi dei dati nello sport è utile anche per ottimizzare i ricavi dell’e-commerce sportivo. Le squadre applicano tecniche come manipolazione, aggregazione, pulizia dei dati e altro per analizzare i prodotti e massimizzare i ricavi.  

Lo sviluppo dell’industria della sports analytics 

Sport e analisi dei dati sono legati da tempo. Il baseball è stato tra i primi ad adottarla, con Earnshaw Cook che nel 1964 pubblicò Percentage Baseball. Tuttavia, molti statistici attribuirebbero la popolarità della sports analytics a Billy Beane, general manager degli Oakland Athletics dal 1997 al 2016.

Fino al 2002, allenatori e atleti nel baseball tendevano a ignorare le analisi più approfondite, preferendo l’istinto, l’estetica del giocatore o statistiche superficiali come la media battuta. Con un budget ridotto, Billy Beane notò che portare corridori in base era vitale per segnare più punti. Con questa consapevolezza, concentrò la sua strategia sull’acquisto di lanciatori sottovalutati – spesso a una frazione del prezzo delle star – con un’alta percentuale di arrivo in base, partendo dall’idea che squadre con percentuali più alte avessero maggiori probabilità di segnare. 

Il successo di Beane con gli Oakland Athletics spinse altre squadre della Major League Baseball (MLB) a prenderne atto. Nel 2003, i Boston Red Sox furono i successivi in MLB ad adottare un approccio simile. La sua strategia di ottimizzazione della squadra mediante sports analytics divenne nota come “Moneyball”. Ma fu solo nel 2011, con l’uscita del film Moneyball, che il termine “sports analytics” divenne popolare nella cultura sportiva mainstream.

Da allora, ogni grande sport ha vissuto una propria evoluzione analitica. Molte squadre cercano un vantaggio competitivo grazie ai dati e investono molto nell’assunzione di data scientist sportivi per analizzare in modo oggettivo dati in campo e fuori.   

Come i diversi sport usano l’analisi

Sebbene lo scopo fondamentale dell’analisi nello sport sia universale – ottenere un vantaggio competitivo tramite statistiche e analisi – i diversi sport adottano metodi differenti per raccogliere e analizzare i dati in modo efficiente per la propria disciplina. 

Calcio

L’analisi dei dati è parte integrante delle decisioni fuori dal campo nel calcio. I club di tutto il mondo hanno investito molto in data science e tecnologie correlate per migliorare la performance in campo dei giocatori e le decisioni manageriali. Ciò include il tracciamento di dati come il posizionamento in gara, l’affaticamento in allenamento, la distanza percorsa e altri indicatori utili a comprendere meglio la condizione dei giocatori. 

Si raccolgono anche statistiche per indagare la performance del singolo, come dribbling riusciti, passaggi e intercetti. L’analisi di questi dati offre a tecnici e giocatori una visione più chiara dei punti di forza e delle aree di miglioramento, utile per lo sviluppo. Puoi leggere di più su come la data science sta cambiando il calcio in un articolo dedicato. 

Baseball

Essendo stato tra i primi sport ad abbracciare la sports analytics, il baseball ha fatto da riferimento per anni. Alcune delle menti più brillanti del gioco, come Theo Epstein, non hanno nemmeno mai giocato a livello professionistico. Piuttosto, si affidano alla propria formazione avanzata e alla passione per i numeri per supportare le decisioni in campo e fuori.

Grazie alla raccolta approfondita di statistiche in baseball per un lungo periodo, molte persone come Theo Epstein si sono avvicinate alla comunità della sports analytics del baseball. Si tracciano numerose statistiche per supportare le decisioni delle squadre MLB, come:

• La media battuta (batting average): statistica calcolata dividendo il numero di valide per il numero di turni alla battuta di un giocatore. Rivela le tendenze del battitore e quali lanci tendono a eliminarlo. L’obiettivo è aiutare i giocatori a identificare i tipi di lancio che rappresentano una debolezza – è anche la statistica più discussa nel baseball. 
• Percentuale di arrivo in base (on-base percentage): una delle statistiche offensive più importanti; indica quanto spesso un battitore evita di essere eliminato al piatto ed è definita come la percentuale di volte in cui il giocatore raggiunge la base con una valida, una base su ball o venendo colpito da un lancio.  
• Media slugging (slugging average): misura la potenza in battuta di un giocatore. Calcola il numero di basi guadagnate con le valide. Più alta è la media slugging, più è probabile che il giocatore colpisca per basi extra.

Puoi mettere in pratica le tue conoscenze di baseball, Python e visualizzazione dati con Matplotlib e Seaborn nel progetto Confrontare le statistiche dei giocatori di baseball con visualizzazioni.    

Basket

Daryl Morey è stato uno dei primi general manager NBA a implementare metriche statistiche avanzate come parte chiave della valutazione dei giocatori. Oggi, la maggior parte delle franchigie NBA ha analisti dei dati nello staff. Il loro ruolo è supportare allenatori e giocatori con dati utili a massimizzare la performance in campo e identificare giocatori sottovalutati. 

Ai massimi livelli, le squadre usano telecamere di tracciamento dati da ogni angolazione dell’arena per registrare ogni movimento di ciascun giocatore. Questi dati vengono poi sincronizzati con le statistiche individuali per fornire un quadro completo della performance.

Cosa fanno gli analisti sportivi? 

Un analista sportivo in genere guarda l’evento assegnato, prepara un commento e lo presenta in onda o per iscritto. Per questo servono eccellenti capacità analitiche e di comunicazione, che costituiscono gran parte delle responsabilità quotidiane. Inoltre, gli analisti sportivi possiedono una profonda conoscenza della disciplina scelta, compreso il contesto storico e le principali statistiche che definiscono la competizione. 

Come diventare analista sportivo

Con la crescita del settore sportivo, aumentano naturalmente le opportunità di lavoro. Chi ha talento per i dati e una forte passione per lo sport può unire competenze e interessi per costruire una carriera appagante come analista sportivo. 

Diventare analista sportivo richiede in genere tre elementi chiave: formazione, sviluppo delle competenze ed esperienza. Se ti stai chiedendo come entrare nella sports analytics, questi passaggi possono aiutarti. 

Formazione

La maggior parte degli analisti comincia come semplice tifoso. Tuttavia, una volta deciso l’obiettivo di diventare analista, devi assorbire quante più informazioni possibili sullo sport. Agli analisti spesso si chiede di essere una sorta di enciclopedia sportiva ambulante.

Inoltre, la conoscenza della statistica è essenziale. La statistica è la lingua preferita nella sports analytics. In generale, è utile seguire con attenzione gli esiti delle partite, come statistiche dei giocatori, bilanci vittorie-sconfitte e altre informazioni disponibili, per arricchire il tuo vocabolario statistico e capire quali metriche contano per la performance.

Nel lungo periodo, la formazione in questi due ambiti ti aiuterà a creare valutazioni e previsioni autorevoli basate su modelli statistici.

Molti analisti intraprendono percorsi di laurea o master in data science applicata allo sport, con focus più marcato sul lato sportivo o su quello dei dati. Naturalmente, anche altre tipologie di formazione possono essere utili, che riguardino sport, statistica, data science o campi affini.     

Sviluppo delle competenze

Per diventare analista sportivo servono molte competenze soft e hard: 

Soft skill 

Formarsi in statistica e in una disciplina sportiva è solo una parte del percorso. L’altra è saper sfruttare le conoscenze statistiche combinandole con il contesto sportivo per generare insight. Avere un buon rapporto con gli stakeholder fa la differenza, perché agli analisti si chiede di comprendere le esigenze di allenatori, dirigenti, ecc., e fornire insight accurati in tempi rapidi. 

Conta anche il modo in cui si comunicano gli insight. Gli stakeholder sono spesso meno tecnici degli analisti, quindi i risultati vanno riportati in un formato comprensibile e utile per semplificare pianificazione e decisioni.

Hard skill

Chi lavora con i dati deve essere alfabetizzato e consapevole rispetto ai dati – segui il nostro corso Understanding Data Science per saperne di più. Un elemento chiave del lavoro di un professionista dei dati è garantire che i dati siano accurati e affidabili, il che richiede una buona conoscenza di come vengono raccolti, archiviati e recuperati. Questo include anche assicurarsi che i dati siano puliti: spesso si stima che l’80% del tempo di un data scientist sia dedicato alla pulizia. 

Puoi mettere alla prova le tue abilità di data cleaning in questo progetto Esplorare i trend del mercato Airbnb, che si concentra su importazione e pulizia dei dati e tecniche di manipolazione per esplorare i dati Airbnb di New York City. 

Oltre a saper leggere, scrivere, comunicare e ragionare con i dati, gli analisti sportivi devono essere dotati di una solida conoscenza tecnica di vari strumenti e linguaggi. Tra questi strumenti ci sono i fogli di calcolo Excel, SQL, R, Python e Tableau.