Станут ли большие данные лучшим другом игрока

3 лучших онлайн казино на русском языке за 2020 год:
  • JOY Казино
    JOY Казино

    1 место по бонусам и скорости выплат!

  • Казино Х
    Казино Х

    Большие бонусы и высокая отдача со слотов!

  • SOL Казино
    SOL Казино

    Надежное казино с моментальным выводом денег!

Проиграна ли битва за приватность? Как решить проблему больших данных

«Что делать с Big Data?» — очень по-русски, но точно сформулированный глобальный цифровой вызов для всего человечества, не имеющий до сих пор ясного решения. Сбор, владение и возможность оперирования огромными базами данных — колоссальное конкурентное преимущество в цифровой экономике, порождающее, однако, массу спорных вопросов, потенциальных и реальных конфликтов. В этой совершенно нормальной для быстро растущего рынка ситуации на первый план выходит необходимость поиска максимально простых и эффективных решений, удовлетворяющих не только бизнес и государство, но и общество.

Информация стала настолько значимым ресурсом, что крупнейшие операторы стремятся к сотрудничеству и объединению своих баз. Еще в 2020 году аналитики IBM говорили об олигополизации рынка, сейчас этот тренд по-прежнему актуален. В интернете находится только 20% данных, остальные 80% хранятся в компаниях. При этом, по данным McKinsey, с 2020 года доля компаний, создающих партнерства по обмену данными, выросла почти в два раза, а в 2020 году экономический эффект от объединения данных может составить $3 трлн.

Простые люди — фактические собственники персональных данных — зачастую не осознают их важности, ежедневно условно-легально отчуждая персональную информацию в пользу государства и корпораций в обмен на необходимый или дополнительный комфорт. Сегодня на этой информации законно зарабатывают брокеры данных, корпорации, незаконно — киберпреступники. Но только не сами граждане. К примеру, прошедшим летом отечественные банки начали собирать биометрические данные клиентов для оказания дистанционных услуг, обсуждая потенциальную выгоду от продажи таких баз третьей стороне. А где выгода первоначального собственника данных?

Очевидно, что вместе с личными данными люди приносят в жертву свою безопасность. В последние полгода только в России произошла кража информации из трех крупнейших банков страны (1, 2, 3). Из-за утечек клиентских баз ежегодно растет объем хищений средств физических лиц, появляются все новые схемы мошенничества. Сегодня роль человека сводится к донорству информации, он не участвует в распределении прибыли, не имеет отношения к обеспечению сохранности собственных данных и лишен гарантий того, что предоставленные им сведения не будут использованы против него в результате действий мошенников. Это реальные угрозы.

Дискуссии вокруг возможности со стороны государства или корпораций недобросовестно использовать личные данные также небезосновательны. Современные технологии без проблем деанонимизируют данные, а значит, возможно идентифицировать любого человека, имея лишь несколько параметров. Обладание данными — бесконечный соблазн получить безграничный контроль. И совершенно неважно, кто будет конечным бенефициаром — условный Китай или условный Google.

Российское законодательство в сфере обращения с персональными данными находится в стадии формирования. С одной стороны, это понятно: быстрое развитие всегда опережает правовое регулирование, с другой — этот разрыв не должен стать критическим. Поэтому о необходимости снятия нормативных барьеров и налаживания современного регулирования оборота больших данных уже говорит президент. Пока что большинство инициатив звучит однобоко, направлено на упрощение использования анонимизированных сведений в интересах бизнеса и по-прежнему игнорирует интересы человека. К примеру, максимальный штраф за обработку персональных данных без согласия их субъекта сейчас составляет 75 000 рублей, а средний размер штрафа — всего 500 рублей.

Между тем рынку уже сегодня в том или ином виде необходимы ответы, если мы не хотим, чтобы данные окончательно превратились в теневой товар. Возможно, эти ответы необходимо искать в технологической плоскости?

Технологии распределенного реестра (в том числе блокчейн) представляются универсальным решением, хотя в последнее время из-за «затасканности» в технологическом и публичном поле блокчейн был несколько дискредитирован. Технологии позволяют удовлетворить интересы максимального числа участников рынка, не отчуждая при этом право собственности на информацию у конкретного человека и оставляя за ним решение, насколько открытыми и публичными должны быть его персональные данные. Каждый сам сможет решать, с кем он готов сотрудничать и кому в каком объеме дать доступ к своим данным. Криптографическое шифрование гарантирует их защиту, а архитектура реестров данных обеспечит прозрачность их использования.

Рейтинг надежности онлайн казино с лицензией:
  • JOY Казино
    JOY Казино

    1 место по бонусам и скорости выплат!

  • Казино Х
    Казино Х

    Большие бонусы и высокая отдача со слотов!

  • SOL Казино
    SOL Казино

    Надежное казино с моментальным выводом денег!

К примеру, потребители, продающие информацию о себе на платформах, использующих подобные технологии, получают вознаграждение в виде токенов, выполняющих функцию цифрового заменителя ценных бумаг. Токены одновременно являются и внутренней валютой системы, и обеспечивают ее безопасность, при этом пользователь может обменять их на традиционные, так называемые фиатные, деньги.

Технология распределенного реестра (DLT) дает возможность относительно безопасной интеграции с другими технологиями — интернетом вещей и искусственным интеллектом. Когда при условии согласия пользователей поставщики продуктов и услуг могут видеть раскрытие запроса пользователя. Например, я записываю ребенка в школу, информацию об этом я могу позволить видеть продавцам и производителям детской одежды, канцелярии и пр.

Перспективность данных технологий осознается как гигантами IT-индустрии (Microsoft, Accenture, IBM и др.), так и локальными игроками, решающими конкретные потребительские задачи. Например, хранение медицинских данных (Medicalchain), хранение документов, подтверждающих личность (SecureKey, Civic), создание персональных идентификаторов (Sovrin Foundation). Государству технологии распределенного реестра позволят избежать проблем с собственниками персональных данных, но при этом стандартизировать цифровые документы и значительно ускорить все документарные процессы. При этом оно в полной мере будет осуществлять свою функцию регулятора. Корпорации же смогут запрашивать и покупать достоверные данные у пользователей под конкретные задачи, что значительно уменьшит издержки по верификации, обработке и хранению больших массивов информации.

Конечно, этот сценарий тоже имеет свои проблемы и риски. Ни общество, ни государство, ни бизнес в силу своей инертности не готовы к прорывным технологиям, особенно в социально значимых сферах. Самые простые пути — не всегда самые успешные и безопасные. Реализация этого сценария зависит от самих проектов, базирующихся на этой технологии, а также от поддержки со стороны фондов и других инвесторов. Однако если такой сценарий реализуется, рынок данных сможет стать прозрачнее и безопаснее, а собственники данных получат возможность принимать ответственные и соответствующие их интересам решения.

Что такое Big data: собрали всё самое важное о больших данных

Что такое Big data, как это работает и почему все носятся с данными как с писаной торбой: Rusbase объясняет на пальцах для тех, кто немного отстал от жизни.

Что такое Big data

Только ленивый не говорит о Big data, но что это такое и как это работает — понимает вряд ли. Начнём с самого простого — терминология. Говоря по-русски, Big data — это различные инструменты, подходы и методы обработки как структурированных, так и неструктурированных данных для того, чтобы их использовать для конкретных задач и целей.

Неструктурированные данные — это информация, которая не имеет заранее определённой структуры или не организована в определённом порядке.

Термин «большие данные» ввёл редактор журнала Nature Клиффорд Линч ещё в 2008 году в спецвыпуске, посвящённом взрывному росту мировых объёмов информации. Хотя, конечно, сами большие данные существовали и ранее. По словам специалистов, к категории Big data относится большинство потоков данных свыше 100 Гб в день.

Читайте также: Как зарождалась эра Big data

Сегодня под этим простым термином скрывается всего два слова — хранение и обработка данных.

Big data — простыми словами

В современном мире Big data — социально-экономический феномен, который связан с тем, что появились новые технологические возможности для анализа огромного количества данных.

Читайте также: Мир Big data в 8 терминах

Для простоты понимания представьте супермаркет, в котором все товары лежат не в привычном вам порядке. Хлеб рядом с фруктами, томатная паста около замороженной пиццы, жидкость для розжига напротив стеллажа с тампонами, на котором помимо прочих стоит авокадо, тофу или грибы шиитаке. Big data расставляют всё по своим местам и помогают вам найти ореховое молоко, узнать стоимость и срок годности, а еще — кто, кроме вас, покупает такое молоко и чем оно лучше молока коровьего.

Кеннет Кукьер: Большие данные — лучшие данные

Технология Big data

Огромные объёмы данных обрабатываются для того, чтобы человек мог получить конкретные и нужные ему результаты для их дальнейшего эффективного применения.

Читайте также: Big data: анализ и структурирование

Фактически, Big data — это решение проблем и альтернатива традиционным системам управления данными.

Техники и методы анализа, применимые к Big data по McKinsey:

  • Data Mining;
  • Краудсорсинг;
  • Смешение и интеграция данных;
  • Машинное обучение;
  • Искусственные нейронные сети;
  • Распознавание образов;
  • Прогнозная аналитика;
  • Имитационное моделирование;
  • Пространственный анализ;
  • Статистический анализ;
  • Визуализация аналитических данных.

Технологии:

Читайте также: Big data: семантический анализ данных и машинное обучение

Для больших данных выделяют традиционные определяющие характеристики, выработанные Meta Group ещё в 2001 году, которые называются «Три V»:

  1. Volume — величина физического объёма.
  2. Velocity — скорость прироста и необходимости быстрой обработки данных для получения результатов.
  3. Variety — возможность одновременно обрабатывать различные типы данных.

Big data: применение и возможности

Объёмы неоднородной и быстро поступающей цифровой информации обработать традиционными инструментами невозможно. Сам анализ данных позволяет увидеть определённые и незаметные закономерности, которые не может увидеть человек. Это позволяет оптимизировать все сферы нашей жизни — от государственного управления до производства и телекоммуникаций.

Например, некоторые компании ещё несколько лет назад защищали своих клиентов от мошенничества, а забота о деньгах клиента — забота о своих собственных деньгах.

Сюзан Этлиджер: Как быть с большими данными?

Решения на основе Big data: «Сбербанк», «Билайн» и другие компании

У «Билайна» есть огромное количество данных об абонентах, которые они используют не только для работы с ними, но и для создания аналитических продуктов, вроде внешнего консалтинга или IPTV-аналитики. «Билайн» сегментировали базу и защитили клиентов от денежных махинаций и вирусов, использовав для хранения HDFS и Apache Spark, а для обработки данных — Rapidminer и Python.

Читайте также: «Большие данные дают конкурентное преимущество, поэтому не все хотят о них рассказывать»

Или вспомним «Сбербанк» с их старым кейсом под названием АС САФИ. Это система, которая анализирует фотографии для идентификации клиентов банка и предотвращает мошенничество. Система была внедрена ещё в 2020 году, в основе системы — сравнение фотографий из базы, которые попадают туда с веб-камер на стойках благодаря компьютерному зрению. Основа системы — биометрическая платформа. Благодаря этому, случаи мошенничества уменьшились в 10 раз.

Big data в мире

По данным компании IBS, к 2003 году мир накопил 5 эксабайтов данных (1 ЭБ = 1 млрд гигабайтов). К 2008 году этот объем вырос до 0,18 зеттабайта (1 ЗБ = 1024 эксабайта), к 2020 году — до 1,76 зеттабайта, к 2020 году — до 4,4 зеттабайта. В мае 2020 года глобальное количество данных превысило 6,5 зеттабайта (подробнее).

К 2020 году, по прогнозам, человечество сформирует 40-44 зеттабайтов информации. А к 2025 году вырастет в 10 раз, говорится в докладе The Data Age 2025, который был подготовлен аналитиками компании IDC. В докладе отмечается, что большую часть данных генерировать будут сами предприятия, а не обычные потребители.

Аналитики исследования считают, что данные станут жизненно-важным активом, а безопасность — критически важным фундаментом в жизни. Также авторы работы уверены, что технология изменит экономический ландшафт, а обычный пользователь будет коммуницировать с подключёнными устройствами около 4800 раз в день.

Рынок Big data в России

В 2020 году мировой доход на рынке big data должен достигнуть $150,8 млрд, что на 12,4% больше, чем в прошлом году. В мировом масштабе российский рынок услуг и технологий big data ещё очень мал. В 2020 году американская компания IDC оценивала его в $340 млн. В России технологию используют в банковской сфере, энергетике, логистике, государственном секторе, телекоме и промышленности.

Читайте также: Как устроен рынок Big data в России

Что касается рынка данных, он в России только зарождается. Внутри экосистемы RTB поставщиками данных выступают владельцы программатик-платформ управления данными (DMP) и бирж данных (data exchange). Телеком-операторы в пилотном режиме делятся с банками потребительской информацией о потенциальных заёмщиках.

15 сентября в Москве состоится конференция по большим данным Big Data Conference. В программе — бизнес-кейсы, технические решения и научные достижения лучших специалистов в этой области. Приглашаем всех, кто заинтересован в работе с большими данными и хочет их применять в реальном бизнесе. Следите за Big Data Conference в Telegram, на Facebook и «ВКонтакте».

Обычно большие данные поступают из трёх источников:

  • Интернет (соцсети, форумы, блоги, СМИ и другие сайты);
  • Корпоративные архивы документов;
  • Показания датчиков, приборов и других устройств.

Big data в банках

Помимо системы, описанной выше, в стратегии «Сбербанка» на 2020 гг. говорится о важности анализа супермассивов данных для качественного обслуживания клиентов, управления рисками и оптимизации затрат. Сейчас банк использует Big data для управления рисками, борьбы с мошенничеством, сегментации и оценки кредитоспособности клиентов, управления персоналом, прогнозирования очередей в отделениях, расчёта бонусов для сотрудников и других задач.

«ВТБ24» пользуется большими данными для сегментации и управления оттоком клиентов, формирования финансовой отчётности, анализа отзывов в соцсетях и на форумах. Для этого он применяет решения Teradata, SAS Visual Analytics и SAS Marketing Optimizer.

Читайте также: Кто делает Big data в России?

«Альфа-Банк» за большие данные взялся в 2020 году. Банк использует технологии для анализа соцсетей и поведения пользователей сайта, оценки кредитоспособности, прогнозирования оттока клиентов, персонализации контента и вторичных продаж. Для этого он работает с платформами хранения и обработки Oracle Exadata, Oracle Big data Appliance и фреймворком Hadoop.

«Тинькофф-банк» с помощью EMC Greenplum, SAS Visual Analytics и Hadoop управляет рисками, анализирует потребности потенциальных и существующих клиентов. Большие данные задействованы также в скоринге, маркетинге и продажах.

Big data в бизнесе

Для оптимизации расходов внедрил Big data и «Магнитогорский металлургический комбинат», который является крупным мировым производителем стали. В конце прошлого года они внедрили сервис под названием «Снайпер», который оптимизирует расход ферросплавов и других материалов при производстве. Сервис обрабатывает данные и выдаёт рекомендации для того, чтобы сэкономить деньги на производстве стали.

Читайте также: Как заставить большие данные работать на ваш бизнес

Большие данные и будущее — одна из самых острых тем для обсуждения, ведь в основе коммерческой деятельности лежит информация. Идея заключается в том, чтобы «скормить» компьютеру большой объем данных и заставить его отыскивать типовые алгоритмы, которые не способен увидеть человек, или принимать решения на основе процента вероятности в том масштабе, с которым прекрасно справляется человек, но который до сих пор не был доступен для машин, или, возможно, однажды — в таком масштабе, с которым человек не справится никогда.

Читайте также: 6 современных тенденций в финансовом секторе

Чтобы оптимизировать бизнес-процессы,«Сургутнефтегаз» воспользовался платформой данных и приложений «in-memory» под названием SAP HANA, которая помогает в ведении бизнеса в реальном времени. Платформа автоматизирует учёт продукции, расчёт цен, обеспечивает сотрудников информацией и экономит аппаратные ресурсы. Как большие данные перевернули бизнес других предприятий — вы можете прочитать здесь.

Big data в маркетинге

Благодаря Big data маркетологи получили отличный инструмент, который не только помогает в работе, но и прогнозирует результаты. Например, с помощью анализа данных можно вывести рекламу только заинтересованной в продукте аудитории, основываясь на модели RTB-аукциона.

Читайте также: Чем полезны большие данные для рекламного бизнеса?

Big data позволяет маркетологам узнать своих потребителей и привлекать новую целевую аудиторию, оценить удовлетворённость клиентов, применять новые способы увеличения лояльности клиентов и реализовывать проекты, которые будут пользоваться спросом.

Сервис Google.Trends вам в помощь, если нужен прогноз сезонной активности спроса. Всё, что надо — сопоставить сведения с данными сайта и составить план распределения рекламного бюджета.

Читайте также: Большие данные должны приносить практическую пользу бизнесу – или умереть

Биг дата изменит мир?

От технологий нам не спрятаться, не скрыться. Big data уже меняет мир, потихоньку просачиваясь в наши города, дома, квартиры и гаджеты. Как быстро технология захватит планету — сказать сложно. Одно понятно точно — держись моды или умри в отстое, как говорил Боб Келсо в сериале «Клиника».

А что вам интересно было бы узнать о больших данных? Пишите в комментариях 🙂

Материалы по теме:

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Как анализ данных победил в спорте

25 октября 2020

Существует не так много занятий, которые вызывают меньше ассоциаций с данными и статистикой, чем спорт. Никто не становится футболистом от избытка любви к цифрам. Это делает наметившийся симбиоз спорта и науки о данных особенно интересным.

Профессиональный спорт давно превратился в серьёзный бизнес. Годовые бюджеты спортивных команд измеряются сотнями миллионов долларов, а их стоимость может превышать миллиард. Доход английской Премьер-лиги в 2020 году, согласно прогнозам, составит $4,8 млрд. Даже гольф — далеко не самый народный вид спорта — приносит около $75 млрд в год, причём речь идёт лишь о Соединённых Штатах. Для сравнения: суммарная касса мирового кинематографа в 2020 году достигла $34,7 млрд, и это считалось совсем не плохим результатом.

Когда на кону такие деньги, все средства хороши. Даже настолько противоречащие традиционным представлениям о спорте, как статистика.

В 2008 году математик Стивен Строгац смоделировал историю бейсбола и доказал, что удача так же важна, как умения игрока. Модель показала, что лавры легендарного бейсболиста Джо Ди Маджо, 56 игр подряд делавшего удал на базу, могли достаться и другому. Первыми силу цифр оценили любители бейсбола. Это не случайность. В бейсболе игра распадается на множество обособленных стадий. Это отличает его от многих других командных видов спорта. Учитывать и оценивать события в ходе бейсбольного матча гораздо проще, чем следить за хаотичными передвижениями футболистов по полю.

Основоположником современной бейсбольной статистики считается канзасский болельщик по имени Билл Джеймс. Около сорока лет назад, работая ночным сторожем на консервной фабрике, он начал собирать и анализировать информацию о каждом заслуживающем внимания бейсбольном матче. Раз в год Джеймс публиковал итоги своих изысканий.

Одержимость, с которой он изучал данные, принесла плоды. Джеймс обнаружил, что многие общепринятые идеи о том, что важно, а что нет, не находят статистического подтверждения. Например, одним из важнейших качеств бейсболиста считалась его скорость и частота контакта (этот показатель зависит от того, часто ли игрок с битой входит в контакт с мячом). Расчёты Джеймса показывали, что связь между этими качествами и исходом матча не так уж сильна. Зато на результаты команды заметно влияют совсем не очевидные факторы — такие, например, как размер поля, на котором проходят тренировки. Кроме того, статистика свидетельствовала, что разница в уровне между игроками Главной и Низшей лиг куда меньше, чем принято считать.

В конце девяностых наблюдения Джеймса заинтересовали руководство команды «Окленд Атлетикс». Её дела шли хуже некуда, и тот факт, что соперники были многократно богаче, практически лишал её шансов на успех. Лучшие игроки достаются тем, кто готов платить больше. У «Окленд Атлетикс» такой возможности не было.

Команда сделала ставку на статистику. Её менеджер заметил корреляцию между положительным исходом матча и некоторыми характеристиками спортсменов, которые редко интересуют тренеров и болельщиков. Вычисления показывали, что бэттеры, которые чаще занимают базу, и спортсмены с высоким процентом отбивания заметно повышают шансы команды на победу, но не особенно высоко ценятся. Это значит, что они по карману даже «Окленд Атлетикс».

В 2002 году команда, укомплектованная и обученная «по цифрам», выиграла двадцать матчей подряд. При этом её бюджет был едва ли не самым низким во всей Главной лиге и в два–три раза уступал лидерам. Спустя год журналист Майкл Льюис описал историю успеха «Окленд Атлетикс» в книге «Moneyball. Как математика изменила самую популярную спортивную лигу в мире», которая быстро стала бестселлером. Не так давно по ней сняли фильм под названием «Человек, который изменил всё». Менеджера команды сыграл Брэд Питт.

Кадр из фильма «Человек, который изменил всё».

«Moneyball» стала последней каплей, которой не хватало для того, чтобы убедить консервативных менеджеров и тренеров в том, что цифры сильнее чутья. Бейсбольная статистика обрела такую популярность, что эта дисциплина получила особое наименование — «сейберметрика», образованное от сокращённого названия Общества исследования американского бейсбола. Последователи «Окленд Атлетикс» подходят к делу серьёзно: вместо кустарных методов, не менявшихся десятилетиями, команда «Нью-Йорк Янкиз» потратила солидные средства на внедрение системы предиктивной аналитики, разработанной SAP.

Существует несколько серьёзных научных журналов, целиком посвящённых анализу спортивных данных. Специалисты в этой области проводят регулярные конференции; одна из них недавно закончилась в Праге и была посвящена применению технологий машинного обучения и Data Mining в спорте.

Название типичного доклада или научной статьи об анализе спортивных данных соединяет несовместимые на первый взгляд вещи: «Использование алгоритма random forest для предсказания вероятности победы в матчах NFL [профессиональная лига американского футбола в США]», «Прогноз исхода голосования в кубке Гейсмана при помощи байесовского анализа». «Оценка в реальном времени ожидаемой выгоды от обладания мячом в баскетбольных матчах NBA при помощи модели пространственно-временных переходов и данных слежения за игроками»…

Возьмём последнюю работу — ту, в которой упоминаются пространственно-временные переходы баскетбольных мячей. Это хороший пример того, какой путь проделала спортивная статистика со времён Билла Джеймса. Модель, которую разработали в Гарварде, основана на измерениях, выполняемых автоматически с помощью анализа видео и распознавания образов.

Систему отслеживания перемещений игроков разработала компания SPORTS, специализирующаяся на предоставлении СМИ информации о спортивных матчах. С помощью шести видеокамер, установленных на стадионе, она «на лету» определяет координаты каждого игрока, судьи и мяча, а затем пересчитывает их в десятки показателей. Например, во время баскетбольных матчей она, среди прочего, вычисляет скорость передвижения каждого игрока, расстояние, которое он преодолел с мячом, дальность бросков, излюбленные места на поле, долю результативных передач и общей темп игры команды.

Схемы и диаграммы, построеннные на основе данных системы, которую разрабатывают в SPORTS, многие, вероятно, видели по телевизору: их время от времени вставляют в спортивные трансляции. Кроме телевизионщиков, эта технология представляет интерес для самих спортсменов. В США её приобретают профессиональные команды для того, чтобы изучать игру во время тренировочных занятий. Кроме того, NBA планирует оснастить этой системой все свои стадионы.

Специалисты из Гарварда анализировали 800 миллионов измерений, собранных с помощью системы SPORTS в течение 515 матчей. Они представили обладание мячом в виде движения системы в конечном пространстве состояний, где вероятность перехода между состояниями зависит от истории расположений игроков и мяча на поле. Знание вероятности перехода системы из состояния в состояние позволяет выяснить, стоит ли ждать броcка в корзину, или, к примеру, определить, как различные баскетболисты справляются с принятием решений во время игры.

Иллюстрация из презентации гарвардских специалистов, показывающая точки броска для разных игроков.

Анализ спортивных данных давно не ограничивается бейсболом. Футбольные команды Английской премьер-лиги пытаются использовать статистику во время тренировок, при выработки стратегии игры и поиске новых игроков. Год назад футбольный клуб «Ливерпуль» нанял для анализа данных доктора биофизики.

Для оценки перспектив начинающих футболистов Премьер-лига сотрудничает с такими компаниями, как Prozone или Opta, работающими в той же сфере, что и SPORTS. Несколько аналитиков Opta тщательно отсматривают каждую игру и выделяют «события» — каждый гол, каждый пас, каждый отобранный мяч и так далее. В течение матча накапливается несколько тысяч «событий». Затем собранные данные можно сличить с исторической статистикой, которой обладают те же компании.

Тем временем тренеры по американскому футболу неохотно, но всё же начинают использовать численные оценки работы игроков. Для измерения эффективности квотербеков выработана замысловатая формула, учитывающая массу факторов: частота перехватов, общее количество передач, количество удачных передач, количество передач, закончившихся тачдауном, и так далее. Кроме того, команды применяют аналитику, чтобы отыскивать хороших, но не очень дорогих спортсменов.

Инженеры McLaren Group следят за телеметрией во время гонок (фото: McLaren Group).

В технических видах спорта сбор и анализ данных — ещё более естественное занятие. Гоночные автомобили McLaren Group напичканы датчиками, непрерывно сообщающими инженерам, что происходит во время заезда. Телеметрию на ходу прогоняют через предиктивные модели, учитывающие архивные данные, и используют результаты для быстрого принятия решений.

Причина успеха науки о данных в спорте, в сущности, та же, что и в любом другом бизнесе. Далеко не всё можно заметить невооружённым взглядом. Далеко не всегда опыт и здравый смысл правы. Закономерности, которые можно различить только при помощи анализа данных, позволяют «срезать» углы и хоть немного, но увеличить эффективность. В спорте это «немного» может означать разницу между победой и поражением. Такую разницу трудно игнорировать.

ТОП Онлайн Казино по бонусам и Джекпотам:
  • JOY Казино
    JOY Казино

    1 место по бонусам и скорости выплат!

  • Казино Х
    Казино Х

    Большие бонусы и высокая отдача со слотов!

  • SOL Казино
    SOL Казино

    Надежное казино с моментальным выводом денег!

Добавить комментарий