Gabay sa Karera sa Sports Data Analysis: Paano Makapasok sa Industriya na Ito Mula sa Wala

Ilang taon na ang nakararaan, may isang estudyante ng Computer Science sa National Taiwan University (NTU) ang nagtanong sa akin: "Gusto ko talagang gumawa ng sports data analysis, pero parang walang ganitong trabaho sa Taiwan?"

Ang sagot ko: Meron, pero kakaunti, at ang pasukan ay hindi tulad ng iniisip mo.

Gusto kong ilahad sa artikulong ito ang tunay na hitsura ng landas na ito—kabilang ang mga bagay na hindi isinusulat sa mga job description.

Ano ba talaga ang ginagawa sa trabahong ito?

Alisin muna natin ang isang maling akala: Ang sports data analyst ay hindi basta nakaupo sa harap ng computer para mag-run ng models at tapusin ito sa pagpapasa ng magagandang charts.

Ang aktwal na trabaho ay nahahati sa tatlong bahagi:

Paghahanda bago ang laro: Suriin ang mga tendensiya ng susunod na kalaban. Saan ba madalas pinapadala ang mga set-piece? Saan gustong mag-cut sa loob ng isang partikular na manlalaro? Dapat ihanda ang mga ito bago magmiting ang coaching staff, at kailangang ibahin sa tatlo hanggang limang pwedeng gawing prayoridad—hindi tatlumpung pahinang ulat.

Suporta habang may laro: Agarang panonood sa data, pagre-record ng mga key events, at pagbibigay ng isang pirasong papel sa coach habang half-time. Napakataas ng pressure sa oras.

Pagkatapos ng laro at pangmatagalan: Pagsusuri, pagsubaybay sa pag-unlad ng manlalaro, at pagtatasa sa pag-recruit. Ang bahaging ito ng recruitment ay ang pinaka-may impluwensyang bahagi ng analyst sa ibang bansa—ang paggamit ng data para mahanap ang mga undervalued na manlalaro ay pinagmumulan ng competitive advantage ng maraming koponan.

Sa tatlong bahaging ito, mas malaki ang porsyento ng komunikasyon kaysa sa inaasahan ng karamihan. Kahit gaano pa kaganda ang iyong model, kung hindi ito maintindihan o paniwalaan ng coach, para bang wala ito.

Anong mga kakayahan ang kailangan?

Ang pundasyon sa panig ng teknolohiya:

• Python: paggamit ng pandas para sa data processing, matplotlib o plotly para sa visualization
• SQL: ang data ay kadalasang nakaimbak sa mga database
• Pundasyon sa Statistics: pag-alam kung ano ang ibig sabihin ng maliit na sample size at regression to the mean. Ang dami ng sample sa sports data ay kadalasang nakakadismaya sa liit; sa apatnapung laro sa isang season, may mahigpit na limitasyon sa kung anong mga konklusyon ang maaari mong makuha
• Kakayahan sa Visualization: ang pagguhit ng spatial information (heatmaps ng court, passing networks) ay pangunahing kakayahan sa industriyang ito

Sa panig ng larangan (domain knowledge):

• Talagang naiintindihan ang partikular na isport. Walang shortcut dito, kailangang manood ng maraming laro
• Pag-alam sa mga assumption sa likod ng iba't ibang metrics. Bakit ganito kinakYula ang xG (Expected Goals)? Sa anong mga sitwasyon ito nagiging hindi tumpak?

Ang pinaka-underestimated:

• Pagpapaliwanag ng analysis sa paraang madaling maintindihan ng tao. Walang gustong makinig sa "Ang kanyang xG ay overperformed ng 0.4," kundi ang "Ang mga naitala niyang goal sa season na ito ay apat na higit sa kung ano ang ma-score ng isang karaniwang manlalaro sa parehong pagkakataon, at kadalasang hindi ito nagtatagal sa buong season."

Paano magsanay: Magsimula sa libreng data

Ang magandang balita ay libre ang mga materyales para makapagsimula sa industriyang ito.

Ang StatsBomb ay matagal nang naglalabas ng bahagi ng buong event datasets ng ilang mga laban para sa layunin ng pananaliksik, na detalyado hanggang sa posisyon ng goalkeeper sa mismong sandali ng pag-shoot. Ang halaga ng datang ito ay nasa antas ng pamantayan ng industriya—ang pagsusuring ginawa mo gamit ito ay nasa parehong ispesipikasyon ng hawak ng mga analista sa propesyonal na koponan.

Inirerekomendang landas ng pagsasanay:

1. Gayahin muna ang pagsusuri ng iba. Maghanap ng pampublikong artikulo ng pagsusuri, at gumamit ng parehong data para gumawa ng parehong tsart. Pipilitin ka ng hakbang na ito na intindihin ang istruktura ng data
2. Magtanong naman ng sarili mong mga tanong. Pumili ng pamilyar na koponan, magtanong ng tiyak na tanong (tulad ng "Nausog ba sa unahan ang pressing position nila pagkatapos nilang magpalit ng coach?"), at tapusin ito mula simula hanggang wakas
3. Isulat ito bilang isang artikulo para sa mga non-technical na mambabasa. Ang hakbang na ito ang pinakamahirap, ngunit ito rin ang pinakamahalaga. Mapagtatanto mo na hindi mo pala ito lubos na naiisip nang malinaw

Kapag natapos mo ang tatlong siklong ito, ang iyong portfolio ay mas magiging maganda kaysa sa karamihan ng mga naghahanap ng trabaho.

Ang tunay na kalagayan ng merkado sa Taiwan

Pag-usapan naman natin ang medyo hindi magagandang bagay ngayon.

Kakaunti ang mga bakanteng trabaho. Limitado ang saklaw ng propesyonal na isport sa Taiwan; kakaunti lamang sa mga koponan sa CPBL, P.League, at T1 ang may full-time data analysts, at kadalasan ay ginagawa nila ito kasabay ng ibang trabaho. May pangangailangan sa mga sports science research lab sa mga unibersidad, ngunit kadalasang nasa anyo ito ng mga research project at hindi matatag na trabaho.

Hindi ideyal ang istruktura ng suweldo. Ang suweldo para sa parehong kasanayan sa industriya ng pananalapi o teknolohiya ay karaniwang mas mataas kaysa sa industriya ng palakasan. Karaniwang penomenon ito sa buong mundo, hindi lamang sa Taiwan—maraming tao ang nabubuhay dahil sa hilig (passion).

Ang pasukan ay kadalasang hindi "pag-apply bilang analyst." Ang mga nakita kong mas matagumpay na landas ay kadalasang ganito: unang gumawa ng ibang bagay sa koponan (internship, administrative, o kasama sa team), pagkatapos ay kusang gumawa ng pagsusuri at ipakita ito sa coach para patunayan ang halaga, bago unti-unting lumitaw ang posisyon. Napaka-depende ng industriyang ito sa "ikaw muna ang gagawa ng produkto."

Kaya nasaan ang mga pagkakataon? Sa tingin ko ay may tatlong direksyon na karapat-dapat tingnan:

Una, mga sports tech startup. Ang mga kumpanyang tulad ng image analysis, wearable devices, at sports medicine ay nangangailangan ng mga taong nakakaunawa sa isport at sa data, at mas malusog ang istruktura ng suweldo kaysa sa mga sports team.

Pangalawa, pagtaya (gaming) at media. Ang dalawang sektor na ito ang pinakamalaking mamimili ng sports data sa buong mundo. Ang saklaw ng negosyo ng mga kumpanyang tulad ng Sportradar at Stats Perform ay mas malaki kaysa sa alinmang indibidwal na koponan. Ang mga taga-Taiwan ay maaaring lumahok sa mga internasyonal na proyekto nang malayuan (remote), at mas praktikal ang landas na ito kaysa sa paghanap ng trabaho sa mga koponan sa Taiwan.

Pangatlo, gawin itong pangalawang kasanayan. Ang pangunahing trabaho ay data engineering o analysis, at gumamit ng bakanteng oras sa paggawa ng sports analysis, pagpapatakbo ng nilalaman (content), at pakikilahok sa komunidad. Ang landas na ito ay may matatag na kita, at sino ang nakakaalam, baka balang araw ay kumatok ang pagkakataon.

Tatlong payo para sa mga gustong pumasok sa industriya

Una, pumili ng isang isport at palalimin ito, huwag subukan ang lahat. Ang ecosystem ng data sa football (soccer) ang pinaka-mature, sumusunod ang basketball, at ang baseball ay may malalim na tradisyon sa Estados Unidos. Para sa Taiwan, ang komunidad at pagkakaroon ng data sa baseball ay medyo mas maganda.

Pangalawa, ilabas sa publiko ang iyong mga gawa. Bukas ang kultura ng komunidad sa industriyang ito, at ang unang trabaho ng marami ay nagmula sa pagkaka-notice ng kanilang inilathalang pagsusuri sa internet. Ang kulang sa Taiwan ay hindi ang talento, kundi ang pagkakataong mapansin.

Pangatlo, matutong makipag-usap sa mga coach. Pangatlong beses ko nang sinasabi ito dahil ito ang pinakamahalaga. Ang teknolohiya ay maaaring pag-aralan, ngunit napakakaunti ng mga taong handang maupo sa gilid ng court para pakinggan ang mga hinaing ng coach at unawain kung ano ang talagang gusto nilang lutasin.

Buod at Puna ng TheAI Academy

Ang sports data analysis ay napakaliit na bilog pa rin sa Taiwan—napakaliit na kung seryosohin mo itong gawin sa loob ng dalawang taon, makikilala ka na ng mga tao sa loob. Limitasyon ito, ngunit pagkakataon din.

Puna: Hindi nagkukulang ang industriyang ito sa mga taong marunong mag-run ng models, kundi sa mga taong kayang isalin ang mga numero sa wikang naiintindihan ng coach at talagang nauunawaan ang isport na iyon. Ang teknolohiya ay tiket sa pagpasok, ngunit ang pag-unawa ang moog (moat) mo.

Tiyak na payo sa mga mambabasa sa Taiwan: I-download ang isang pampublikong dataset ngayong buwan, gumawa ng isang tsart, at isulat ito sa isang artikulong maiintindihan maging ng iyong tiyahin. Hindi na kailangang hintayin na maging perpekto ang iyong mga kasanayan; ang paggawa ng unang produkto ay mas mahalaga kaysa sa anupaman. Gumawa ng tatlo sa loob ng tatlong buwan, at mayroon ka nang portfolio.

Karagdagang pagbabasa: Workflow ng AI video analysis para sa mga grassroots team, Pamamahala sa load at pinsala ng atleta gamit ang AI. Maaaring magsimula ang mga kasanayan sa data mula sa Gabay sa AI Data Analysis, habang para sa mga tool, pumunta sa Prompt Template Library para maghanap ng mga handa nang gamitin na utos sa pagsusuri.

Pinagmulan ng Data

• Opisyal na Website at Pampublikong Data ng StatsBomb
• Opisyal na Website ng Stats Perform

(Ang artikulong ito ay isinaayos batay sa pampublikong impormasyon at mga panayam sa industriya. Ang mga bakanteng trabaho at suweldo ay nagbabago ayon sa merkado at para sa sanggunian lamang.)