互联网时代，数据是最珍贵的资源，大数据技术也因此成为了各行各业争相合作的焦点，体育就是其中之一。如今，在各种万众瞩目的职业体育比赛中，数据之争越来越激烈，大数据正在成为赛场之外的又一个赛场。

　　“职业体育已经提前进入了数字化竞赛时代，仅靠球员天赋和教练经验的年代已经渐行渐远。”国家体育总局竞技司训练处处长袁守龙在不久前结束的第八届北京体能大会上这样表示。大数据服务，包括运动员运动表现、健康数据、比赛数据的采集和分析，正在成为那些职业俱乐部发现优势和不足，赢取胜利不可或缺的手段。

　　袁守龙介绍，以美国男篮职业联赛（NBA）为例，2014赛季NBA 所有球场中都安装了包括6 个摄像头和专门软件的SportVU 球员追踪系统。该系统会提供持续的数据流和创新的统计数据，将所有运动员的运动情况，包括速度、距离、急停、变向、加速、队员间的动态距离、运动员各个关节动作模式，以及控球情况，如得分、篮板、助攻、盖帽、抢断、失误、犯规等一系列场上数据翔实而细致地进行统计分析，提供每一个运动员突破其局限和破解他人优势的建议。

　　球队围绕一项生理指标，就有几十家大数据公司同时为他们提供分析服务。一个科学的数据分析结果，可能就是一大技战术优势。比如，到底是投三分球还是两分球更利于球队获胜？这个问题在没有数据支撑的时代，教练员都是依靠经验来作决策。引入比赛数据分析后，教练员直接得到了答案——投三分。这样的分析结果也最终反馈到了有针对性的训练和比赛中。

　　此外，足球运动中产生的数据量更是远远超出人们想象。10 名球员用3 个球进行训练，10分钟就能产生出700万个可供分析的数据点。

　　德国队是全球首支在比赛中使用大数据的国家足球队。凭借软件巨头SAP研发的“MatchInsights”系统，通过球员身上以及训练场、比赛场地的大量传感器，得以捕捉球员的各种动作细节与位置变化，由此产生的海量数据经过迅速处理，会实时传送到平台，供教练进行决策。德国队为迎战世界杯制定了更有针对性的训练计划，并改进了战略和战术。在世界杯期间，德国队也用它来进行赛后分析。

　　在中国，数字体育正处于跨越式发展的阶段。“以体能训练为例，数字化已经成为体能训练质量把控的关键。”国家体育总局体育科学研究所研究员闫琪提到。

　　闫琪解释道，一个运动员的竞技能力包括了专项技能、专项智能、体能以及心理品质。尤其对于专项智能和专项技能都已经达到相当高度的优秀运动员来说，体能对他们运动生涯的影响可能是关键性的。好的体能训练，可以帮助他们不断去接近运动能力的极限，还能有效防止运动损伤。因此，现代竞技体育对体能训练提出了更高的要求。

　　不过，体能训练是一个非常复杂的系统工程。它涉及力量训练、恢复与再生、身体功能训练、训练计划设计、专项特征分析、运动能力评估、周期性安排等等。“如何让这样一项系统工程变得更加理性、可控，就必须依赖科学的数字化监控。”闫琪强调。

　　从现有的比赛中提取最优战术，分析人类策略并加以利用，规避运动员训练和体育赛事的某些不足，人工智能技术正在为体育行业开辟出一条崭新的道路。

　　从2006年起，澳大利亚创业公司Catapult Sports就开始监控和记录运动员的跳跃能力、打击力及睡眠质量等，希望凭借这些数据确定是否替换人员、如何避免运动员受伤及组织训练等。

　　一直以来，教练们为寻找运动员赛场失误、研究对手“战法”，借助的手段是反复播放比赛视频片段，当360度视频与VR技术走近赛场后，更多的细节可以被记录、发现，并形成一个相当庞大而丰富的数据库，借助AI进行分类分析和匹配查找，可以为运动员训练和赛场策略制定提供更科学的手段。

　　2010年世界杯，章鱼“保罗”因为“预测”比赛结果，成为章鱼界的网红，世界杯赛场上，AI技术广泛应用，AI取代保罗开始预测比赛结果，虽然预测未必精准，但人工智能时代的第一届世界杯，让人们看到，AI已经是体育行业相关数据分析最值得信赖的伙伴。

　　AI快速进入体育产业，意味着人类可以藉由科技突破更多体育极限，但也让很多人感到困惑。许多行业，人工智能一旦出现，人类将难以望其项背，而体育被认为是“机器换人”最难波及的领域之一。一些体育联盟、球队大胆尝试应用AI等新技术进行的变革，让教练员喊出的每个指令，运动员的每个动作，都成为可以回溯的痕迹。

　　当人工智能不断地观察人类，调试、训练、提升自己的能力时，并非所有的人都对未来满怀期待。

　　科技公司及组织正热情万分地将AI用于体育赛事，虽然短时间内人工智能对体育的影响还难称颠覆，但技术如何利用、分寸如何把握、那些没有条件使用先进技术的国家或团队是否面临不公平等问题已被摆上了桌面。

　　游戏规则已遭挑战，科技监管还是空白，九游体育进化的AI与曾经的竞赛公平原则该怎样科学调整？或许，这主要取决于人们想从体育赛事中得到什么。

　　体育分析中的数据挖掘是由三块不同的建模方式组成的：描述型建模（Deive Modeling），预测型建模（Predictive Modeling）以及决策型建模（Preive Modeling）。

　　通过对历史数据的挖掘与分析探寻模式与相关度，帮助球队识别划分不同的消费者群体，理解其群体特点与消费习惯。具体使用的分析技术包括：

　　聚类分析（Clustering Analysis）将相似的对象聚合在一起，总结其差异性与相似性。在此需要与判别分析（Discrimination Analysis）相区分，聚类是将每类相似的消费者（事物）组合成一个聚类的过程（不知道有多少类），判别是在已知一系列反映消费者（事物）群体特性的数量变量值的情况下对组群进行分析获取分类规则。

　　异常检测（Anomoly Detection）在数据集中搜索与预期模式或行为不匹配的数据项，比如球迷针对性的投诉或抱怨，异常的消费行为等。

　　关联规则学习（Association Rule Learning）在数据库中发现不同记录之间相关度的方法，比如狩猎许可和捐赠，啤酒和尿布等等。

　　主成分分析（Principal Component Analysis）通过减少数据集的维度来分析、简化数据集的技术，有效的发现变量之间的联系，同时还能保护数据集中对方差贡献最大的变量特征。

　　关联分组（Affinity Grouping）将消费者依据消费习惯与其他特征进行分组，归结出可以使用同种市场战略的群体。（例如年收入超过 $100,000 的季票持有者可能更关注球队汽车赞助商的宣传）

　　在既有的描述型模型下，可以通过数据去预测未来比赛的上座率与收益，赞助商的潜在收益回报，乃至球队市场策略的效果。具体的分析技术包括：

　　回归分析（Regression Analysis）研究因变量和自变量（一个或多个）的依赖关系，是进行预测分析的基准盘。

　　人工神经网络（Neural Networks）通过模仿生物神经网络结构和功能构建的计算模型，是一种非线性统计性数据建模自适应系统。在规定的学习规则下，可以完成识别模式，做出预测与自主学习，具体应用便是帮助球队完成对球迷的视觉识别与语音识别。（PS. 勇士队就是在违规使用这项技术“窃听”球迷通话记录而被告的）

　　决策树（Decision Trees）由一个决策图和可能的结果（包括资源，成本和风险）组成， 用来创建到达目标的规划。具体应用诸如比赛的风险管理与赞助商赞助收益评估。

　　支持向量机（SVM）是一种监督式学习的方法，可广泛地应用于统计分类以及回归分析。

　　决策型模型的使用是基于（包含）前两种模型的，基于历史数据的描述型模型球队管理者可以发现异常，模式与相关度，预测型模型帮助战略制定者预测可能的状况，而决策型模型，在二者基础上超越了对未来的预测和判别，给出基于预测所应采取的行动与战略建议，以及可能涉及的每种决策下所关联产生的结果。

　　用一个例子简化来表述，通过历史数据分析【描述型模型】球队发现多个不同的消费群体对于球场内的热狗定价产生抵触情绪（价格过高/产品质量不理想），影响了销量；通过与热狗相关的种种变量的引入回归分析，决策树【预测型模型】预测消费者对于热狗的预期与产品的利润空间。有了这些结论是不够的，球队还需要【决策型模型】来针对不同热狗定价与产品改良策略下所带来的不同影响进行有效的识别，找到最佳的解决办法。这个解决办法，才是管理者最关心的。

　　描述型模型与预测型模型对于战略制定当然具有一定的参考借鉴价值，但远没有决策型模型来的“解渴”。同时决策型模型在一定程度上还拓宽了数据库的空间，将非结构化数据（球迷的评论、语音、图片、视频等等）纳入了分析之中，将其过滤转化成为可供预测借鉴的有效数据。

　　决策型模型具体分析技术包括：预测分析（Predictive Analysis + Rules）大数据分析方法中最有价值的一种分析方法，可以预测消费者未来的行为，进而识别风险和机遇。优化分析（Optimization Analysis）依靠算法来实现的产品/市场策略优化过程，继而满足预期值（ROI，上座率，观赛体验等）

　　无论是赛场上运动员的表现、教练的战术布置、裁判的执法，还是场内外球迷的体验，先进的科技都在扮演着关键角色。从运动器械上的传感器、运动员身上的可穿戴设备、比赛场地内的摄像头到教练、媒体和球迷手中的终端设备，以及社交网络，数据被广泛地采集应用，显示出大数据的强大分析能力。

　　一些体育赛事公司，专注于赛事数据的分析，核心的技术团队能将每场比赛，进行秒级数据切片，采用分布式计算平台对云端的数据进行多维度统计。在搜索、社交和电商之后，全民健身的运动健康，有望成为互联网大数据最具价值的第四极，也是消费者和互联网的新连接点，实现体育产业与体育间的更好互动。这一点尤其可以体现在体育游戏方面，体育数据支持可以为用户带来更为个性化、更符合喜好的游戏产品服务，使用户从视频赛事观看到下载体育游戏转化大幅度提升，进而提高了游戏的分发量。

　　目前，每场体育比赛的场内场外，大数据分析被充分地体现出来。体育成绩的不断刷新，离不开科技创新，离不开智能计算。从交通、金融、医疗以及电信等与生活息息相关的领域看，大数据分析更是扮演着越来越重要的角色。凭借着创新的计算技术，英特尔正在致力于让大数据技术变得更加强大，并借助计算的创新，为大众带来更丰富的生活体验。

　　从业务链条和商业模式来看，目前体育产业发达的欧美顶尖数据服务商基本运营形式：从赛事版权方那里拿到数据开发的相关代理权，接下来对比赛和球员进行数据采集，对数据进行建模、加工，通过产品化打包，分发给俱乐部、体育媒体、品牌商、游戏厂商这样的 B 端用户，也有彩民、普通球迷等 C 端用户。

　　一般情况下，体育大数据企业提供给 B 端用户的数据服务是收费的，对C 端用户则是免费，这是大多数数据公司采用的主要盈利方式。对 C端用户的服务虽然免费，但在流量至上的移动互联网时代，庞大的球迷、彩民基础，反而使数据体育拥有更大的商业想象空间。

　　免责声明：图文来自于网络，是出于传递更多信息之目的，版权归著作权人或机构所有，如有侵犯您的正当权益，请联系我们，我们将在最短时间内删除，并致以歉意。

　　【生态体育】分享群体和竞技赛事版权资源，共享场馆小镇园区综合体资源，畅享体育培训健身旅游资源，提供体育小镇场馆园区综合体规划，全民健身数字化服务提升、场馆智慧运营管理系统建设、赛事活动运营管家服务、体育培训健身运营系统指导，打造全方位全产业链体育文化产业信息化智慧创新发展平台。