運動數據分析職涯指南：台灣人怎麼從零進入這個行業
運動分析師在國外已是成熟職業，台灣才剛起步。這篇拆解這行到底在做什麼、需要哪些技能、有哪些免費資料可以練手，以及台灣市場的真實機會與限制——包含一個很少人講的殘酷現實。
幾年前有位台大資工的學生問我：「我很想做運動數據分析，但台灣好像沒有這種工作？」
我的回答是：有，但不多，而且入口跟你想的不太一樣。
這篇想把這條路的真實樣貌講清楚——包括那些招募文案不會寫的部分。
這行到底在做什麼
先破除一個誤解：運動分析師不是坐在電腦前跑模型，然後把漂亮的圖表交出去就結束。
實際的工作大致分三塊：
賽前準備：分析下一個對手的傾向。他們的定位球都往哪裡送？某位球員習慣往哪邊切入？這些要在教練團開會前準備好，而且必須濃縮成三到五個可執行的重點——不是三十頁報告。
賽中支援：即時看數據、記錄關鍵事件，中場休息時給教練一張紙。時間壓力極大。
賽後與長期：檢討、球員發展追蹤、招募評估。招募這塊在國外是分析師最有影響力的地方——用數據找出被低估的球員，是很多球隊的競爭優勢來源。
這三塊裡面，溝通佔的比重遠高於多數人想像。你的模型再漂亮，如果教練聽不懂或不相信，它就不存在。
需要什麼技能
技術面的基本盤：
- Python：pandas 處理資料、matplotlib 或 plotly 做視覺化
- SQL：資料多半躺在資料庫裡
- 統計基礎：知道什麼叫做樣本不足、什麼叫做迴歸到平均。運動資料的樣本量常常小到讓人絕望，一個球季四十場比賽，你能得出什麼結論其實有嚴格限制
- 視覺化能力：把空間資訊畫出來（球場熱圖、傳球網絡）是這行的基本功
領域面的：
- 真的看得懂那項運動。這件事沒有捷徑，要看很多比賽
- 知道各種指標背後的假設。xG（預期進球）為什麼這樣算、它在什麼情況下會失真
最被低估的：
- 把分析講成人話。「他的 xG 過度表現 0.4」沒有人要聽，「他這球季進的球比一般球員在同樣機會下會進的多四球，這通常撐不住一整季」才有人聽
怎麼練：從免費資料開始
好消息是，這行的入門素材是免費的。
StatsBomb 長期釋出部分賽事的完整事件資料集供研究使用，顆粒度細到射門當下的守門員位置都有。這份資料的價值在於它是業界標準等級的東西——你用它做的分析，跟職業球隊分析師手上的資料是同一個規格。
建議的練習路徑：
- 先重現別人的分析。找一篇公開的分析文章，用同一份資料做出同樣的圖。這一步會逼你搞懂資料結構
- 再問自己的問題。挑一支你熟悉的球隊，問一個具體問題（例如「他們換教練後的壓迫位置有沒有前移」），從頭做到尾
- 把它寫成給非技術讀者看的文章。這一步最痛苦，也最有價值。你會發現自己其實沒想清楚
三個循環做完，你的作品集就比多數求職者強了。
台灣市場的真實狀況
現在講一些比較不好聽的。
職缺很少。 台灣的職業運動規模有限，中職、P.League、T1 的球團編制裡有專職資料分析的不多，且多半兼著其他工作。大專院校的運動科學研究室有需求，但多以研究計畫的形式存在，不是穩定職缺。
薪資結構不理想。 同樣的技能在金融業或科技業拿到的薪水，通常明顯高於運動產業。這是全球普遍現象，不只台灣——很多人是靠熱情在撐。
入口常常不是「應徵分析師」。 我看過比較成功的路徑，多半是這樣：先在球隊做別的事（實習、行政、隨隊人員），然後主動做出一份分析給教練看，證明有價值，職位才慢慢長出來。這行很吃「你先做出東西」。
那機會在哪裡？我覺得有三個方向值得看：
第一，運動科技新創。 像影像分析、穿戴裝置、運動醫療這類公司，需要懂運動又懂資料的人，而且薪資結構比球團健康。
第二，博弈與媒體。 這兩塊在國際上是運動資料最大的買家。Sportradar 與 Stats Perform 這類公司的業務規模遠大於任何單一球隊。台灣人可以遠端參與國際專案，這條路比在台灣找球團職缺實際。
第三，把它當第二專長。 本業做資料工程或分析，用業餘時間做運動分析、經營內容、參與社群。這條路收入穩定，而且說不定哪天機會就找上門。
給想入行的人的三個建議
一、選一個項目做深，不要什麼都碰。 足球的資料生態最成熟，籃球次之，棒球在美國有極深的傳統。台灣的話，棒球的社群與資料可得性相對好。
二、公開你的作品。 這行的社群文化很開放，很多人的第一份工作來自於在網路上發表的分析被看到。台灣缺的不是人才，是被看見的機會。
三、學會跟教練說話。 這句話我講第三次了，因為它真的最重要。技術可以學，但願意蹲在球場邊聽教練抱怨、理解他真正想解決什麼問題的人，非常少。
TheAI學院 總結與評語
運動數據分析在台灣還是一個很小的圈子，小到你認真做兩年，就會被圈內人認識。這既是限制，也是機會。
評語：這行不缺會跑模型的人，缺的是能把數字翻譯成教練聽得懂的話、而且真的懂那項運動的人。技術是入場券，理解是護城河。
給台灣讀者的具體建議：這個月下載一份公開資料集，做出一張圖，然後寫成一篇給你阿姨也看得懂的文章。 不用等到技能完美，做出第一個東西比什麼都重要。三個月做三個，你就有作品集了。
延伸閱讀：基層球隊的 AI 比賽影片分析流程、用 AI 管理訓練負荷，資料技能可以從 AI 資料分析指南 開始，工具則到 提示詞範本庫 找現成的分析指令。
資料來源
（本文依公開資訊與業界訪談整理，職缺與薪資狀況隨市場變動，僅供參考。）
常見問題
沒有體育背景可以做運動分析嗎？
可以，但要補足對該項運動的理解。實務上懂資料的人學運動，比懂運動的人學資料快，不過如果你連比賽都看不懂，做出來的分析會很難說服教練團。兩邊都需要。
要學什麼工具？
Python（pandas、視覺化）與 SQL 是基本，加上一套視覺化工具。更關鍵的是「把分析講給不看程式碼的人聽」的能力——教練不會看你的 notebook。
哪裡有免費資料可以練習？
StatsBomb 長期釋出部分賽事的免費足球資料集供研究與非商業使用，是目前最完整的入門素材之一。使用前請確認其授權條款。
台灣有這個職缺嗎？
有但很少，且多集中在職業球團、少數大專院校與運動科技新創。務實的路徑通常是先在其他產業做資料分析、以運動分析為副業累積作品，而不是一畢業就找專職。