လမ်းညွှန်ការងារវិភាគទិន្នន័យកីឡា៖ តើជនជាតិតៃវ៉ាន់អាចចូលបម្រើការងារក្នុងវិស័យនេះដោយរបៀបណាពីចំណុចសូន្យ

កាលពីប៉ុន្មានឆ្នាំមុន មាននិស្សិតវិទ្យាសាស្ត្រកុំព្យូទ័រម្នាក់នៅมหาวิทยาลัย台大 (NTU) បានសួរខ្ញុំថា៖ «ខ្ញុំពិតជាចង់ធ្វើការផ្នែកวิเคราะห์ទិន្នន័យកីឡាណាស់ ប៉ុន្តែនៅតៃវ៉ាន់ហាក់ដូចជាគ្មានការងារបែបនេះទេ?»

ចម្លើយរបស់ខ្ញុំគឺ៖ មាន ប៉ុន្តែមិនសូវច្រើនទេ ហើយច្រកចូលក៏ខុសពីអ្វីដែលអ្នកគິດដែរ។

អត្ថបទនេះចង់ពន្យល់ពីទិដ្ឋភាពជាក់ស្តែងនៃផ្លូវមួយនេះឱ្យបានច្បាស់លាស់—រួមទាំងផ្នែកទាំងនោះដែលការផ្សាយពាណិជ្ជកម្មជ្រើសរើសបុគ្គលិកមិនបានសរសេរផងដែរ។

আদୌ តើវិស័យនេះធ្វើអ្វីខ្លះ?

ដំបូងត្រូវបំបាត់ការយល់ច្រឡំមួយ៖ អ្នកវិเคราะห์កីឡាមិនមែនអង្គុយមុខកុំព្យូទ័ររត់ម៉ូដែល រួចហើយដាក់ស្នើ ચાર્ට් ស្អាតៗជាការស្រេចនោះទេ។

ការងារជាក់ស្តែងអាចបែងចែកជាបីផ្នែកសំខាន់ៗ៖

ការរៀបចំមុនការប្រកួត៖ วิเคราะห์ ពីនិន្នាការរបស់គូប្រកួតបន្ទាប់។ តើបាល់ຕาย (Set pieces) របស់ពួកគេច្រើនតែបញ្ជូនទៅណា? តើកីឡាករជាក់លាក់ណាម្នាក់មានទម្លាប់អូសបាល់ចូលទៅទិសដៅណា? สิ่งเหล่านี้ ត្រូវរៀបចំឱ្យរួចរាល់មុនពេលក្រុមគ្រូបង្វឹកបើកកិច្ចប្រជុំ ហើយត្រូវតែបង្រួមចូលទៅក្នុងចំណុចសំខាន់ៗដែលអាចយកទៅปฏิบัติបានចំនួនបីទៅប្រាំ—មិនមែនជារបាយការណ៍សាមសិបទំព័រទេ។

การគាំទ្រអំឡុងពេលប្រកួត៖ មើលទិន្នន័យក្នុងពេលជាក់ស្តែង (Real-time) កត់ត្រាព្រឹត្តិការណ៍សំខាន់ៗ និងផ្ដល់ក្រដាសមួយសន្លឹកដល់គ្រូបង្វឹកនៅពេលសម្រាកពាក់កណ្តាលតង់។ សម្ពាធពេលវេលាគឺខ្ពស់ខ្លាំងណាស់។

หลังการแข่งขันและระยะยาว៖ การពិនិត្យឡើងវិញ ការតាមដានការអភិវឌ្ឍរបស់កីឡាករ និងการประเมินការជ្រើសរើសបុគ្គលិក (Recruitment)។ ផ្នែកជ្រើសរើសបុគ្គលិកនេះគឺជាកន្លែងដែលអ្នកវិเคราะห์មានឥទ្ធិពលបំផុតនៅต่างประเทศ—ការប្រើប្រាស់ទិន្នន័យដើម្បីស្វែងរកកីឡាករដែលត្រូវបានគេមើលរំលង គឺជាប្រភពនៃអត្ថប្រយោជន៍ប្រកួតប្រជែងសម្រាប់ក្រុមជាច្រើន។

ក្នុងចំណោមផ្នែកទាំងបីនេះ ការទំនាក់ទំនងមានចំណែកធំជាងអ្វីដែលមនុស្សភាគច្រើនគິດ។ ម៉ូដែលរបស់អ្នកទោះបីជាស្អាតយ៉ាងណាក៏ដោយ បើគ្រូបង្វឹកស្តាប់មិនយល់ ឬមិនជឿ នោះវាមិនមានតម្លៃនោះទេ។

လိုအပ်သောជំនាញអ្វីខ្លះ?

មូលដ្ឋានគ្រឹះផ្នែកបច្ចេកទេស៖

• Python: ប្រើ pandas ដើម្បីจัดการข้อมูล និង matplotlib ឬ plotly เพื่อทำแผนภาพ визуаライゼーション
• SQL: ទិន្នន័យភាគច្រើនស្ថិតនៅក្នុងមូលដ្ឋានទិន្នន័យ (Database)
• មូលដ្ឋានគ្រឹះស្ថិតិ: ដឹងថាអ្វីជាទំហំគំរូមិនគ្រប់គ្រាន់ (Sample size) និងអ្វីជាការវិលត្រឡប់មករកមធ្យមភាគ (Regression to the mean)។ ទំហំគំរូនៃទិន្នន័យកីឡាតែងតែតូចរហូតដល់គួរឱ្យអស់សង្ឃឹម ដោយរដូវកាលមួយមានការប្រកួតសែសិបដង តើអ្នកអាចទាញសេចក្តីសន្និដ្ឋានបែបណា គឺមានការកំណត់យ៉ាងតឹងរ៉ឹង
• សមត្ថភាពធ្វើภาพข้อมูล (Visualization)៖ ការគូសបង្ហាញព័ត៌មានលំហ (ផែនទីកំដៅទីលាន បណ្តាញបញ្ជូនបាល់) គឺជាជំនាញพื้นฐานក្នុងវិស័យនេះ

ផ្នែកជំនាញឯកទេស៖

• មើលកីឡានោះយល់ពិតប្រាកដ។ រឿងនេះមិនមានផ្លូវកាត់ទេ គឺត្រូវមើលការប្រកួតឱ្យបានច្រើន
• ដឹងពីការសន្មត់នៅពីក្រោយសន្ទស្សន៍ផ្សេងៗ។ ហេតុអ្វីបានជា xG (Expected Goals) ត្រូវបានគណនាតាមរបៀបនេះ និងក្នុងលក្ខខណ្ឌណាដែលវាអាចបាត់បង់ភាពត្រឹមត្រូវ

អ្វីដែលត្រូវបានគេមើលរំលងជាងគេ៖

• ការបកស្រាយការវិភាជន៍ទៅជាភាសាមនុស្សធម្មតា។ គ្មាននໍ្យាកណាចូលចិត្តស្តាប់ពាក្យថា "xG របស់គាត់ហარបលើស 0.4 នោះទេ" ប៉ុន្តែពួកគេនឹងស្តាប់យល់ប្រសិនបើនិយាយថា "គ្រាប់បាល់ដែលគាត់ស៊ុតបញ្ចូលទីក្នុងរដូវកាលនេះគឺច្រើនជាងកីឡាករធម្មតាដែលស្ថិតក្នុងឱកាសដូចគ្នាបួនគ្រាប់ ដែលជាទូទៅវាមិនអាចទ្រាំទ្របានពេញមួយរដូវកាលនោះទេ"។

วิธีฝึกฝน៖ เริ่มต้นจากข้อมูลฟรี

ข่าวดีគឺว่า សម្ភារៈเริ่มต้นសម្រាប់វិស័យនេះគឺឥតគិតថ្លៃ។

StatsBomb បានចេញផ្សាយជាបន្តបន្ទាប់នូវชุดข้อมูลเหตุการณ์ كاملของการแข่งขันមួយចំនួនសម្រាប់គោលបំណងស្រាវជ្រាវ ដោយមានកម្រិតលម្អិតរហូតដល់ទីតាំងអ្នកចាំទីនៅពេលស៊ុតបាល់បញ្ចូលទី។ តម្លៃនៃទិន្នន័យនេះគឺវាជាកម្រិតស្តង់ដារឧស្សាហកម្ម—ការវិភាគដែលអ្នកធ្វើដោយប្រើវាគឺមានលក្ខណៈស្តង់ដារដូចគ្នានឹងអ្វីដែលអ្នកវិភាគក្រុមអាជីពមាននៅក្នុងដៃ។

ផ្លូវអនុវត្តដែលបានណែនាំ៖

1. ធ្វើការវិភាគរបស់ผู้อื่นឡើងវិញជាមុនសិន។ រកមើលអត្ថបទវិភាគជាសាធារណៈ ប្រើชุดข้อมูลเดียวกันដើម្បីបង្កើតដ្យាក្រាមដូចគ្នា។ ជំហាននេះនឹងบังคับឱ្យអ្នកយល់ពីโครงสร้างទិន្នន័យ
2. បន្ទាប់មកសួរសំណួរផ្ទាល់ខ្លួន។ ជ្រើសរើសក្រុមដែលអ្នកស្គាល់ច្បាស់ សួរសំណួរជាក់លាក់មួយ (ឧទាហរណ៍៖ «តើទីតាំងចុចសម្ពាធ [Pressing] របស់ពួកគេត្រូវបានជំរុញទៅមុខបន្ទាប់ពីប្តូរគ្រូបង្វឹកដែរឬទេ») ហើយធ្វើវាចាប់ពីដើមដល់ចប់
3. សរសេរវាទៅជាអត្ថបទសម្រាប់អ្នកអានដែលមិនមែនជាបច្ចេកទេស។ ជំហាននេះឈឺចាប់បំផុត ប៉ុន្តែមានតម្លៃបំផុត។ អ្នកនឹងរកឃើញថាខ្លួនឯងពិតជាមិនទាន់បានគិតគូរឱ្យបានច្បាស់លាស់នោះទេ

នៅពេលដែលវដ្តទាំងបីនេះត្រូវបានបញ្ចប់ ផលប័ត្រ (Portfolio) របស់អ្នកគឺប្រសើរជាងអ្នកស្វែងរកការងារភាគច្រើនទៅទៀត។

ស្ថានភាពពិតប្រាកដនៃទីផ្សារតៃវ៉ាន់

ឥឡូវនេះសូមនិយាយអំពីការពិតដែលមិនសូវជាល្អស្តាប់។

កន្លែងទំនេរការងារមានតិចតួចណាស់។ ទំហំនៃកីឡាអាជីពរបស់តៃវ៉ាន់មានកម្រិតកំណត់ ក្នុងចំណោមក្រុមបាល់ទាត់អាជីព CPBL, P.League, T1 មានតិចតួចណាស់ដែលមានអ្នកវិភាគទិន្នន័យ專職 ហើយភាគច្រើនធ្វើការងារផ្សេងទៀតផងដែរ។ មន្ទីរពិសោធន៍វិទ្យាសាស្ត្រកីឡានៅតាមមហាវិទ្យាល័យនិងសាកលវិទ្យាល័យមានតម្រូវការ ប៉ុន្តែភាគច្រើនស្ថិតក្នុងទម្រង់ជាគម្រោងស្រាវជ្រាវ មិនមែនជាការងារមានស្ថិរភាពនោះទេ។

រចនាសម្ព័ន្ធប្រាក់ខែមិនសូវល្អទេ។ ជំនាញដូចគ្នានៅក្នុងវិស័យហិរញ្ញវត្ថុ ឬវិស័យបច្ចេកវិទ្យាជាទូទៅទទួលបានប្រាក់ខែខ្ពស់ជាងវិស័យកីឡាជាក់ស្តែង។ នេះគឺជាបាតុភូតទូទៅทั่วពិភពលោក មិនមែនគ្រាន់តែតៃវ៉ាន់នោះទេ—មនុស្សជាច្រើនទ្រាំរស់នៅដោយសារតែក្តីស្រឡាញ់។

ច្រកចូលជាញឹកញាប់មិនមែនជា «ការដាក់ពាក្យធ្វើជាអ្នកវិភាគ» នោះទេ។ ផ្លូវដែលខ្ញុំបានឃើញថាទទួលបានជោគជ័យជាងគេ ភាគច្រើនគឺ៖ ធ្វើការងារផ្សេងទៀតនៅក្នុងក្រុមជាមុនសិន (កម្មសិក្សារដ្ឋបាល បុគ្គលិកអមដំណើរ) បន្ទាប់មកចាប់ផ្តើមធ្វើការវិភាគមួយជូនគ្រូបង្វឹក ដើម្បីបញ្ជាក់ពីតម្លៃ ទើបមុខតំណែងនោះค่อยៗកកើតឡើង។ វិស័យនេះពឹងផ្អែកខ្លាំងលើការ «បង្កើតរបស់អ្វីមួយជាមុនសិន»។

តើโอกาสស្ថិតនៅឯណា? ខ្ញុំគິດថាមានទិសដៅបីដែលគួរឱ្យចាប់អារម្មណ៍៖

ទីមួយ סטาร์ทอัพเทคโนโลยีกีฬา (Sports Tech Startups)។ ក្រុមហ៊ុនដូចជាការវិភាគរូបភាព ឧបករណ៍ពាក់ (Wearables) និងវេជ្ជសាស្ត្រកីឡា ត្រូវការអ្នកដែលយល់ពីកីឡា និងយល់ពីទិន្នន័យ ហើយរចនាសម្ព័ន្ធប្រាក់ខែមានសុខភាពល្អជាងក្រុមបះបោរ។

ទីពីរ វិស័យល្បែងស៊ីសង និងប្រព័ន្ធផ្សព្វផ្សាយ (Gambling & Media)។ ផ្នែកទាំងពីរនេះគឺជាអ្នកទិញទិន្នន័យកីឡាធំបំផុតនៅលើពិភពលោក។ ទំហំអាជីវកម្មរបស់ក្រុមហ៊ុនដូចជា Sportradar និង Stats Perform គឺធំជាងក្រុមណាមួយដាច់ខាត។ ប្រជាជនតៃវ៉ាន់អាចចូលរួមក្នុងគម្រោងអន្តរជាតិពីចម្ងាយ ផ្លូវនេះមានលក្ខណៈជាក់ស្តែងជាងការស្វែងរកការងារនៅក្នុងក្រុមនៅតៃវ៉ាន់។

ទីបី ចាត់ទុកវាជាជំនាញទីពីរ។ ការងារស្នូលរបស់អ្នកធ្វើផ្នែកវិស្វកម្មទិន្នន័យ ឬការវិភាគ ហើយប្រើពេលទំនេរដើម្បីធ្វើការវិភាគកីឡា ដំណើរការមាតិកា និងចូលរួមក្នុងសហគមន៍។ ផ្លូវនេះមានប្រាក់ចំណូលមានស្ថិរភាព ហើយប្រហែលជាថ្ងៃណាមួយโอกาสនឹងមករកអ្នក។

คำแนะนำสามข้อสำหรับผู้ที่ต้องการเข้าสู่วິស័យនេះ

ទីមួយ ជ្រើសរើសកីឡាមួយហើយធ្វើវាឱ្យស៊ីជម្រៅ កុំប៉ះអ្វីៗទាំងអស់។ ប្រព័ន្ធអេកូឡូស៊ីទិន្នន័យរបស់បាល់ទាត់គឺ mature បំផុត បាល់បោះបន្ទាប់មក ហើយបេសប៊ុលមានប្រពៃណីជ្រាលជ្រៅណាស់នៅសហរដ្ឋអាមេរិក។ សម្រាប់តៃវ៉ាន់ សហគមន៍បេសប៊ុល និងលទ្ធភាពទទួលបានទិន្នន័យគឺល្អប្រសើរជាង។

ទីពីរ បង្ហាញผลงานរបស់អ្នកជាសាធារណៈ។ វប្បធម៌សហគមន៍ក្នុងវិស័យនេះគឺបើកចំហខ្លាំងណាស់ ការងារដំបូងរបស់មនុស្សជាច្រើនគឺមកจากการវិភាគដែលបានបោះពុម្ពផ្សាយនៅលើអ៊ីនធឺណិតហើយត្រូវបានគេមើលឃើញ។ អ្វីដែលតៃវ៉ាន់ខ្វះខាតមិនមែនជា人材ទេ ប៉ុន្តែជាโอกาสដែលត្រូវគេមើលឃើញ។

ទីបី រៀននិយាយភាសាដែលគ្រូបង្វឹកស្តាប់យល់។ ខ្ញុំនិយាយប្រយោគនេះជាលើកទីបីហើយ ព្រោះវាពិតជាសំខាន់បំផុត។ បច្ចេកទេសអាចរៀນបាន ប៉ុន្តែអ្នកដែលមានឆន្ទៈអង្គុយនៅមាត់ទីលានស្តាប់គ្រូបង្វឹកត្អូញត្អែរ និងយល់ពីអ្វីដែលគាត់ពិតជាចង់ដោះស្រាយ គឺមានតិចតួចណាស់។

TheAI學院 ꜞសេចក្តីសន្និដ្ឋាននិងមតិយោបល់

ការវិភាគទិន្នន័យកីឡានៅតៃវ៉ាន់នៅតែជាวงกลมតូចមួយ តូចរហូតដល់អ្នកធ្វើវាដោយយកចិត្តទុកដាក់រយៈពេលពីរឆ្នាំ នឹងត្រូវស្គាល់ដោយអ្នកក្នុងวงกลมនោះ។ នេះគឺជាข้อจำกัด និងជាโอกาสផងដែរ។

មតិយោបល់៖ វិស័យនេះមិនខ្វះខាតអ្នកដែលចេះរត់ម៉ូដែលនោះទេ ប៉ុន្តែខ្វះខាតអ្នកដែលអាចបកប្រែលេខទៅជាភាសាដែលគ្រូបង្វឹកស្តាប់យល់ និងអ្នកដែលពិតជាយល់ពីកីឡានោះ។ បច្ចេកទេសគឺជាសំបុត្រចូលទស្សនា ប៉ុន្តែការយល់ដឹងគឺជាបនាំងការពារ។

คำแนะนำเฉพาะសម្រាប់អ្នកអានតៃវ៉ាន់៖ ខែនេះ ទាញយកชุดข้อมูลសាធារណៈមួយ បង្កើតแผนภาพមួយ រួចសរសេរវាទៅជាអត្ថបទដែលសូម្បីតែមីងរបស់អ្នកក៏អាចមើលយល់ដែរ។ មិនចាំបាច់រង់ចាំរហូតដល់ជំនាញល្អឥតខ្ចោះនោះទេ ការបង្កើតអ្វីដំបូងគឺសំខាន់ជាងអ្វីទាំងអស់។ ធ្វើបីដងក្នុងរយៈពេលបី месяцев អ្នកនឹងមានផលប័ត្រ (Portfolio) ហើយ។

អានបន្ថែម៖ ขั้นตอนการวิเคราะห์วิดีโอการแข่งขันกีฬา AI สำหรับทีมรากหญ้า, การจัดการภาระการฝึกอบรมด้วย AI ជំនាញទិន្នន័យអាចចាប់ផ្តើមពី คู่มือการวิเคราะห์ข้อมูล AI ហើយសម្រាប់ឧបករណ៍ សូមទៅកាន់ คลังแม่แบบ Prompts ដើម្បីស្វែងរកคำสั่งวิเคราะห์ที่มี sẵn។

ប្រភពទិន្នន័យ

• เว็บไซต์ทางการและข้อมูลสาธารณะរបស់ StatsBomb
• เว็บไซต์ทางการของ Stats Perform

(អត្ថបទនេះត្រូវបានចងក្រងឡើងផ្អែកលើព័ត៌មានសាធារណៈ និងការសម្ភាសន៍ក្នុងឧស្សាហកម្ម ស្ថានភាពការងារ និងប្រាក់ខែប្រែប្រួលតាមទីផ្សារ សម្រាប់ជាឯកសារយោងប៉ុណ្ណោះ។)