Phân tích thể thao: Cách các môn thể thao khác nhau sử dụng phân tích dữ liệu

Theo các thống kê then chốt về tạo dữ liệu năm 2022, mỗi ngày có 2,5 tỷ tỷ byte dữ liệu được tạo ra. Với khối lượng dữ liệu khổng lồ như vậy, nhiều người hơn có quyền truy cập vào thông tin giúp họ đưa ra quyết định tốt hơn. Do đó, không có gì ngạc nhiên khi dữ liệu đóng vai trò ngày càng lớn trong hầu như mọi ngành. Một lĩnh vực đang phát triển mạnh trong kỷ nguyên mới này là phân tích thể thao. 

Bất kỳ ai quan tâm đến phát thanh truyền hình thể thao đều hiểu vai trò rộng lớn của dữ liệu và thống kê trong ngành thể thao ngày nay. Số lượng người trong lĩnh vực thể thao sẵn sàng đón nhận sức mạnh của phân tích để giành lấy mọi lợi thế thống kê đang không ngừng gia tăng, làm nảy nở ngành phân tích thể thao. 

Phân tích thể thao là gì? 

Phân tích thể thao là việc nghiên cứu hiệu suất thi đấu và sức khỏe kinh doanh nhằm tối ưu hóa quy trình và thành công của một tổ chức thể thao. Về cơ bản có hai thành phần trong phân tích thể thao:

• Phân tích dữ liệu trong sân. Lĩnh vực này liên quan đến việc theo dõi các chỉ số dữ liệu then chốt trên sân để tác động đến các phương pháp có thể được sử dụng nhằm cải thiện chiến lược thi đấu, kế hoạch dinh dưỡng và các lĩnh vực quan trọng khác có thể nâng cao hiệu suất vận động viên một cách hợp đạo đức. Mục tiêu là trả lời các câu hỏi liên quan đến hiệu suất trên sân, chẳng hạn như “cầu thủ bóng đá nào tạo ra nhiều cơ hội nhất ở châu Âu?” hoặc “cầu thủ nào chạy nhanh nhất trong 20 mét?” v.v. 
• Phân tích dữ liệu ngoài sân. Ở đây, trọng tâm là khía cạnh kinh doanh của thể thao. Nó bao gồm việc theo dõi các chỉ số dữ liệu quan trọng ngoài sân như doanh số bán vé, doanh thu hàng lưu niệm, mức độ gắn kết của người hâm mộ, v.v. Dạng phân tích dữ liệu này nhằm hỗ trợ các nhà ra quyết định trong các đội thể thao đưa ra lựa chọn tốt hơn hướng đến tăng trưởng và lợi nhuận. 

Phân tích dữ liệu rất quan trọng trong kinh doanh hiện đại. Nhiều doanh nghiệp ở nhiều ngành khác nhau đã tận dụng phân tích dữ liệu để giúp họ tối ưu hóa hiệu quả hoạt động. Bằng cách triển khai phân tích dữ liệu vào mô hình kinh doanh, các doanh nghiệp hiện có đủ thông tin để đưa ra quyết định tốt hơn và cắt giảm chi phí hiệu quả hơn.  

Tại sao phân tích dữ liệu trong thể thao lại hữu ích? 

Thị trường thể thao toàn cầu đã tăng từ 354,96 tỷ đô la năm 2021 lên 496,52 tỷ đô la năm 2022, theo nghiên cứu của The Business Research Company, khiến đây trở thành một trong những thị trường lớn nhất thế giới. Khi chi tiêu trong thị trường thể thao toàn cầu tăng lên, các đội thể thao càng cam kết đầu tư vào phân tích dữ liệu thể thao để có lợi thế cạnh tranh, do đó thị trường phân tích thể thao được dự báo sẽ đạt trên 4,5 tỷ đô la vào năm 2025. 

Một số lợi ích chính của phân tích dữ liệu trong thể thao bao gồm: 

Ra quyết định dựa trên hiểu biết

Phân tích dữ liệu thể thao có thể là công cụ hữu ích để đưa ra các quyết định chiến lược quan trọng. Ví dụ, khi Thomas Tuchel, cựu huấn luyện viên Chelsea Football Club, được hỏi vì sao ông đưa thủ môn Kepa Arrizabalaga vào sân muộn trong hiệp phụ, ông trả lời: “Chúng tôi có một số thống kê, chúng tôi đã chuẩn bị kỹ, rằng Kepa có tỷ lệ cản phá phạt đền tốt nhất.” Ông nói thêm, “Có bằng chứng cho thấy Kepa giỏi hơn ở kỹ năng này.” Chelsea sau đó đã thắng loạt sút luân lưu, với Kepa cản phá thành công hai quả phạt đền. 

Mặc dù kịch bản trên có thể đã diễn ra khác, nhưng các quyết định được hậu thuẫn bởi dữ liệu cả trong và ngoài sân thường dẫn đến việc ra quyết định mạnh mẽ và chính xác hơn. 

Một ví dụ khác là ở NBA. Nhiều đội, như Philadelphia 76ers, đang tận dụng các kỹ thuật phân tích dữ liệu tinh vi như trực quan hóa dữ liệu và kiểm định giả thuyết để phân tích các trận đấu NBA nhằm tác động đến chiến lược huấn luyện. 

Kiểu phân tích này đã có tác động sâu rộng đến bóng rổ. Nhiều pha bóng hiện diễn ra tại vạch ném ba điểm vì các đội nhận ra rằng tăng số cú ném ba là đáng với những đánh đổi (đội có thể bỏ lỡ nhiều cú ném hơn, nhưng khi vào rổ, họ được nhiều điểm hơn). 

Tăng doanh thu 

Nhìn chung, các công ty đầu tư vào dữ liệu và phân tích có thể ghi nhận lợi nhuận tài chính đáng kể. Theo nghiên cứu của McKinsey & Company, mức tăng lợi nhuận ban đầu trung bình từ dữ liệu lớn là 6%, và tăng lên 9% đối với các khoản đầu tư kéo dài năm năm. 

Một lĩnh vực mà các đội thể thao đang sử dụng phân tích dữ liệu để tăng doanh thu là bán vé. Thiết lập giá vé hiệu quả là một phần quan trọng nhưng khó khăn trong bán hàng. Với phân tích dữ liệu, các tổ chức thể thao có thể có cái nhìn sâu hơn về các chỉ số tài chính chủ chốt, từ đó xác định mức giá mang lại giá trị tốt nhất cho khách hàng và cho tổ chức. 

Ví dụ, Houston Astros sử dụng phân tích dữ liệu để chạy các kịch bản “nếu-thì” nhằm hiểu nhóm mua vé lẻ với kỳ vọng chuyển họ thành người mua vé cả mùa, đồng thời giữ chân các khách hàng vé mùa hiện tại. 

Trong một trường hợp khác, phân tích được áp dụng để hiểu các đánh đổi mà người hâm mộ thực hiện giữa các biến số như vị trí ghế, lựa chọn đồ ăn & đồ uống và các phương án khác trong khu vực hạng câu lạc bộ. Mục tiêu là hiểu người hâm mộ tốt hơn để các đội có thể điều chỉnh gói vé phù hợp nhất với nhu cầu của người hâm mộ trong một khu vực cụ thể.

Phân tích dữ liệu trong thể thao cũng rất hữu ích để tối ưu hóa doanh thu bán lẻ thể thao trực tuyến. Các đội thể thao đang áp dụng các kỹ thuật như thao tác dữ liệu, tổng hợp, làm sạch và nhiều kỹ thuật khác để phân tích dữ liệu sản phẩm nhằm tối ưu hóa doanh thu.  

Sự phát triển của ngành phân tích thể thao 

Thể thao và phân tích dữ liệu đã gắn bó chặt chẽ từ lâu. Bóng chày là một trong những môn sớm áp dụng phân tích thể thao, với Earnshaw Cook xuất bản Percentage Baseball năm 1964. Tuy nhiên, nhiều nhà thống kê có lẽ sẽ ghi nhận công lao phổ biến hóa phân tích thể thao cho Billy Beane, tổng giám đốc của Oakland Athletics từ 1997 đến 2016.

Cho đến năm 2002, các huấn luyện viên và vận động viên bóng chày thường làm ngơ trước phân tích dữ liệu chuyên sâu, ưu tiên cảm giác bản năng, yếu tố thẩm mỹ của cầu thủ hoặc các thống kê hời hợt như tỷ lệ đánh bóng. Billy Beane, với ngân sách eo hẹp, nhận thấy việc đưa cầu thủ lên được gôn là tối quan trọng để ghi nhiều điểm hơn. Với nhận thức này, Beane tập trung chiến lược vào việc chiêu mộ các tay ném xuất phát bị xem nhẹ – thường với mức giá chỉ bằng một phần nhỏ so với các tên tuổi lớn – có tỷ lệ lên gôn cao, với ý tưởng rằng các đội có tỷ lệ lên gôn cao hơn sẽ có nhiều khả năng ghi điểm hơn. 

Thành công của Beane với Oakland Athletics đã khiến các đội bóng chày nhà nghề (MLB) khác chú ý. Năm 2003, Boston Red Sox là đội MLB tiếp theo áp dụng cách tiếp cận tương tự. Chiến lược tối ưu hóa đội bóng bằng phân tích dữ liệu thể thao của ông được gọi là “Moneyball.” Nhưng phải đến năm 2011, khi bộ phim Moneyball ra mắt, thuật ngữ “phân tích thể thao” mới trở nên phổ biến trong văn hóa thể thao đại chúng.

Kể từ đó, mọi môn thể thao lớn đều trải qua cuộc cách mạng phân tích của riêng mình. Nhiều đội thể thao khao khát đạt lợi thế cạnh tranh bằng phân tích dữ liệu và đầu tư mạnh mẽ vào việc tuyển dụng các nhà khoa học dữ liệu thể thao để phân tích khách quan dữ liệu trong và ngoài sân.   

Các môn thể thao khác nhau sử dụng phân tích như thế nào

Mặc dù mục đích cơ bản của phân tích dữ liệu thể thao là phổ quát – giành lợi thế cạnh tranh thông qua thống kê và phân tích dữ liệu – nhưng các môn thể thao khác nhau áp dụng những phương pháp riêng để thu thập và phân tích dữ liệu hiệu quả cho môn của họ. 

Bóng đá

Phân tích dữ liệu thể thao là một phần không thể thiếu của việc ra quyết định ngoài sân trong bóng đá. Các câu lạc bộ trên toàn thế giới đã đầu tư mạnh vào khoa học dữ liệu và công nghệ liên quan để nâng cao hiệu suất trên sân của cầu thủ và cải thiện quyết định ngoài sân. Điều này bao gồm theo dõi và giám sát dữ liệu như vị trí thi đấu của cầu thủ trong trận, mức độ mệt mỏi khi tập luyện, quãng đường di chuyển và các dữ liệu khác có thể mang lại hiểu biết sâu hơn về thể trạng của cầu thủ. 

Các thống kê khác có thể được thu thập để điều tra hiệu suất của từng cầu thủ, như số pha qua người thành công, đường chuyền, và cản phá. Phân tích dữ liệu này cung cấp cho huấn luyện viên và cầu thủ cái nhìn rõ hơn về điểm mạnh và điểm yếu trong lối chơi, hữu ích cho quá trình phát triển. Bạn có thể đọc thêm về cách khoa học dữ liệu đang thay đổi bóng đá trong một bài viết riêng. 

Bóng chày

Là một trong những môn đầu tiên đón nhận phân tích thể thao, bóng chày đã đặt ra chuẩn mực trong nhiều năm. Một số bộ óc xuất sắc nhất trong môn này, như Theo Epstein, thậm chí chưa từng đặt chân đến một trận bóng chày chuyên nghiệp hay bán chuyên. Thay vào đó, họ dựa vào nền tảng học vấn cao và niềm đam mê xử lý con số để hỗ trợ đưa ra quyết định trong và ngoài sân.

Do việc thu thập thống kê chuyên sâu trong bóng chày suốt thời gian dài, nhiều người như Theo Epstein đã đổ về cộng đồng phân tích dữ liệu thể thao của bóng chày. Một loạt thống kê được theo dõi để hỗ trợ quyết định của các đội MLB, chẳng hạn như:

• Tỷ lệ đánh bóng (batting average): Chỉ số được tính bằng cách lấy số cú đánh trúng chia cho số lần ra gậy của cầu thủ đó. Chỉ số này cho thấy xu hướng của cầu thủ và loại cú ném nào thường khiến họ bị loại. Mục đích là giúp cầu thủ xác định kiểu ném nào là điểm yếu của họ – đây cũng là thống kê được bàn luận nhiều nhất trong bóng chày. 
• Tỷ lệ lên gôn (on-base percentage): Đây là một trong những thống kê tấn công quan trọng nhất; nó cho thấy mức độ thường xuyên một tay đánh tránh bị loại tại vị trí gôn, được định nghĩa là phần trăm số lần cầu thủ lên gôn nhờ cú đánh trúng, được đi bộ, hoặc bị ném bóng trúng người.  
• Chỉ số sức mạnh đánh (slugging average): Đo lường sức mạnh đánh bóng của một cầu thủ. Nó đo số gôn mà cầu thủ kiếm được từ các cú đánh trúng. Chỉ số càng cao, cầu thủ càng có khả năng đánh ra các cú ghi nhiều gôn hơn.

Bạn có thể áp dụng kiến thức về bóng chày, Python và trực quan hóa dữ liệu với Matplotlib và Seaborn trong dự án So sánh thống kê cầu thủ bóng chày bằng trực quan hóa của chúng tôi.    

Bóng rổ 

Daryl Morey là một trong những tổng giám đốc NBA đầu tiên triển khai các chỉ số thống kê nâng cao như một phần quan trọng của việc đánh giá cầu thủ. Hiện nay, hầu hết các đội NBA đều có nhà phân tích dữ liệu thể thao trong biên chế. Vai trò của họ là hỗ trợ huấn luyện viên và cầu thủ bằng dữ liệu để tối đa hóa hiệu suất trên sân và xác định các cầu thủ bị đánh giá thấp. 

Ở cấp độ bóng rổ đỉnh cao nhất, các đội sử dụng hệ thống camera theo dõi dữ liệu từ mọi góc của nhà thi đấu để theo dõi mọi chuyển động của từng cầu thủ trên sân. Dữ liệu này sau đó được đồng bộ với thống kê của cầu thủ để cung cấp phân tích đầy đủ về hiệu suất.

Các nhà phân tích thể thao làm gì? 

Một nhà phân tích thể thao thường sẽ xem sự kiện thể thao được phân công, chuẩn bị bình luận và truyền tải bình luận đó trên sóng hoặc dưới dạng bài viết. Do đó, họ phải có kỹ năng phân tích và giao tiếp xuất sắc vì đây chiếm phần lớn trách nhiệm hàng ngày. Ngoài ra, các nhà phân tích thể thao có kiến thức sâu về môn thể thao họ chọn, bao gồm bối cảnh lịch sử và các thống kê then chốt định hình giải đấu. 

Cách trở thành nhà phân tích thể thao

Khi ngành thể thao tiếp tục tăng trưởng, hệ quả tự nhiên là vô số cơ hội việc làm. Những cá nhân có năng khiếu về phân tích dữ liệu và đam mê thể thao có thể kết hợp tài năng với sở thích để xây dựng sự nghiệp viên mãn với vai trò nhà phân tích thể thao. 

Trở thành nhà phân tích thể thao thường gồm ba thành tố chính: học tập, phát triển kỹ năng và tích lũy kinh nghiệm. Nếu bạn đang tự hỏi làm sao để bước vào lĩnh vực phân tích thể thao, các bước này có thể giúp bạn. 

Học tập

Phần lớn các nhà phân tích thể thao bắt đầu là những người hâm mộ thông thường. Tuy nhiên, khi quyết định mục tiêu là trở thành nhà phân tích thể thao, bạn phải hấp thụ càng nhiều thông tin về thể thao càng tốt. Các nhà phân tích thể thao thường được kỳ vọng như một “bách khoa toàn thư” về thể thao biết đi.

Thêm vào đó, kiến thức thống kê là điều thiết yếu. Thống kê là ngôn ngữ ưa dùng trong phân tích thể thao. Nhìn chung, việc chú ý kỹ đến kết quả thi đấu hiện tại, như thống kê cầu thủ, thành tích thắng-thua và các thông tin định lượng khác có sẵn, sẽ giúp bạn mở rộng vốn từ vựng thống kê đồng thời học được những chỉ số nào quan trọng đối với hiệu suất thể thao.

Về lâu dài, học vấn trong hai lĩnh vực này sẽ giúp bạn đưa ra các đánh giá và dự đoán có cơ sở dựa trên mô hình thống kê.

Nhiều nhà phân tích thể thao sẽ theo học một hình thức bằng cấp về khoa học dữ liệu thể thao, có thể thiên về mảng thể thao hoặc mảng khoa học dữ liệu. Dĩ nhiên, các loại hình giáo dục khác cũng hữu ích, dù là về thể thao, thống kê, khoa học dữ liệu, hay các lĩnh vực liên quan.     

Phát triển kỹ năng

Để trở thành nhà phân tích thể thao cần có nhiều kỹ năng mềm và cứng: 

Kỹ năng mềm 

Học về thống kê và môn thể thao đã chọn chỉ là một phần của quy trình. Phần còn lại là tận dụng kiến thức thống kê và kết hợp với bối cảnh từ môn thể thao bạn chọn để tạo ra insight. Xây dựng mối quan hệ tốt với các bên liên quan chắc chắn rất quan trọng, vì các nhà phân tích thể thao được kỳ vọng hiểu nhu cầu của các bên liên quan (ví dụ: huấn luyện viên, giám đốc, v.v.) và cung cấp insight chính xác kịp thời. 

Cách thức truyền tải insight cũng quan trọng. Các bên liên quan thường kém chuyên môn kỹ thuật hơn nhà phân tích thể thao, nghĩa là insight phải được báo cáo dưới định dạng dễ hiểu và hữu ích để đơn giản hóa quá trình lập kế hoạch và ra quyết định của họ.

Kỹ năng cứng

Bất kỳ ai làm việc với dữ liệu đều phải hiểu biết và thận trọng với dữ liệu – hãy tham gia khóa Understanding Data Science của chúng tôi để tìm hiểu thêm. Một yếu tố then chốt trong công việc của chuyên gia dữ liệu là đảm bảo dữ liệu chính xác và đáng tin cậy, điều này đòi hỏi kiến thức tốt về cách dữ liệu được thu thập, lưu trữ và truy xuất. Điều này cũng bao gồm đảm bảo dữ liệu được làm sạch: thường ước tính rằng 80% thời gian của nhà khoa học dữ liệu dành cho việc làm sạch dữ liệu. 

Bạn có thể kiểm tra kỹ năng làm sạch dữ liệu của mình trong dự án Khám phá xu hướng thị trường Airbnb, tập trung vào kỹ năng nhập và làm sạch dữ liệu cùng thao tác dữ liệu để khám phá dữ liệu Airbnb tại Thành phố New York. 

Vượt ra ngoài khả năng đọc, viết, giao tiếp và suy luận với dữ liệu, các nhà phân tích thể thao cũng cần được trang bị kiến thức kỹ thuật đáng kể về nhiều công cụ phân tích và ngôn ngữ lập trình. Các công cụ phân tích thể thao này bao gồm bảng tính Excel, SQL, R, Python và Tableau.