Panduan Kerjaya Analisis Data Sukan: Cara Rakyat Taiwan Menceburi Industri Ini Daripada Sifar

Beberapa tahun lalu, seorang pelajar Sains Komputer NTU pernah bertanya kepada saya: "Saya sangat berminat dengan analisis data sukan, tetapi nampaknya tidak ada pekerjaan sebegitu di Taiwan?"

Jawapan saya ialah: Ada, tetapi tidak banyak, dan pintu masuknya mungkin tidak sama seperti yang anda bayangkan.

Artikel ini ingin merungkai rupa sebenar laluan kerjaya ini — termasuk bahagian yang tidak akan ditulis dalam iklan jawatan kosong.

Sebenarnya Apakah yang Dilakukan oleh Bidang Ini?

Pertama sekali, mari kita buang satu tanggapan salah: Penganalisis sukan bukanlah duduk di hadapan komputer menjalankan model, dan kemudian menyerahkan carta yang cantik.

Kerja sebenar terbahagi kepada tiga bahagian utama:

Persiapan Pra-perlawanan: Menganalisis kecenderungan pihak lawan seterusnya. Ke mana arah sepakan percuma mereka dihantar? Ke sebelah mana pemain tertentu gemar memotong masuk? Perkara ini perlu disediakan sebelum mesyuarat kejurulatihan, dan mesti diringkaskan kepada tiga hingga lima isi penting yang boleh dilaksanakan — bukannya laporan setebal 30 halaman.

Sokongan Semasa Perlawanan: Melihat data secara langsung, merekodkan insiden penting, dan menghantar sehelai kertas kepada jurulatih semasa separuh masa. Tekanan masa adalah amat tinggi.

Pasca-perlawanan dan Jangka Panjang: Penilaian semula, memantau perkembangan pemain, dan penilaian pengambilan bakat. Bahagian pengambilan bakat ini adalah tempat di mana penganalisis mempunyai pengaruh paling besar di luar negara — menggunakan data untuk mencari pemain yang dipandang rendah merupakan sumber kelebihan daya saing bagi banyak pasukan.

Dalam ketiga-tiga bahagian ini, aspek komunikasi mengambil peratusan yang jauh lebih tinggi daripada yang dibayangkan oleh kebanyakan orang. Tidak kira betapa cantik model anda, jika jurulatih tidak faham atau tidak percaya, ia ibarat tidak wujud.

Kemahiran yang Diperlukan

Asas dari segi teknikal:

• Python: pandas untuk memproses data, matplotlib atau plotly untuk visualisasi
• SQL: Kebanyakan data tersimpan di dalam pangkalan data
• Asas Statistik: Mengetahui apa itu saiz sampel yang tidak mencukupi dan apa itu regresi kepada min (regression to the mean). Saiz sampel data sukan selalunya terlalu kecil sehingga mengecewakan; dengan hanya 40 perlawanan semusim, apa kesimpulan yang anda boleh buat sebenarnya mempunyai had yang ketat.
• Keupayaan Visualisasi: Melukis maklumat ruang (peta haba padang, rangkaian hantaran) adalah kemahiran asas dalam bidang ini.

Dari segi bidang sukan (Domain Knowledge):

• Benar-benar faham tentang sukan tersebut. Tiada jalan pintas untuk ini; anda perlu menonton banyak perlawanan.
• Mengetahui andaian di disebalik pelbagai metrik. Mengapa xG (jangkaan gol) dikira sebegitu, dan dalam situasi yang manakah ia akan menjadi terpesong.

Kemahiran yang paling dipandang rendah:

• Menerangkan analisis dalam bahasa mudah. Tiada siapa yang mahu mendengar "xG beliau berprestasi berlebihan sebanyak 0.4", tetapi orang akan mendengar "Gol yang dijaringkan musim ini adalah empat biji lebih banyak berbanding apa yang biasa dijaringkan oleh pemain lain dalam peluang yang sama, dan ini biasanya tidak dapat bertahan sepanjang musim."

Cara Berlatih: Bermula dengan Data Percuma

Berita baiknya ialah bahan permulaan untuk bidang ini adalah percuma.

StatsBomb secara konsisten mengeluarkan set data acara lengkap untuk perlawanan tertentu bagi tujuan penyelidikan, dengan perincian sekecil kedudukan penjaga gol semasa rembatan dilakukan. Nilai data ini terletak pada tarafnya yang bertaraf piawaian industri — analisis yang anda buat dengannya adalah spesifikasi yang sama dengan data di tangan penganalisis pasukan profesional.

Cadangan laluan latihan:

1. Ulang semula analisis orang lain terlebih dahulu. Cari artikel analisis awam, dan gunakan set data yang sama untuk menghasilkan carta yang sama. Langkah ini akan memaksa anda memahami struktur data.
2. Kemukakan soalan anda sendiri. Pilih pasukan yang anda kenal pasti, tanya soalan yang spesifik (contohnya "adakah kedudukan tekanan (pressing) mereka beralih ke hadapan selepas menukar jurulatih"), dan lakukannya dari mula hingga akhir.
3. Tuliskan ia sebagai artikel untuk pembaca bukan teknikal. Langkah ini adalah yang paling menyakitkan, tetapi juga paling bernilai. Anda akan mendapati bahawa sebenarnya anda sendiri masih belum memikirkan sesuatu perkara itu dengan jelas.

Setelah menyelesaikan ketiga-tiga kitaran ini, portfolio anda akan menjadi lebih kukuh daripada kebanyakan calon kerja yang lain.

Keadaan Sebenar Pasaran Taiwan

Sekarang mari kita bincangkan beberapa perkara yang kurang enak.

Peluang kerja yang sangat sedikit. Skala sukan profesional di Taiwan adalah terhad; tidak banyak kelab dalam CPBL, P.League+, atau T1 yang mempunyai penganalisis data khusus, dan kebanyakan mereka memegang tugas lain secara serentak. Makmal sains sukan di universiti dan kolej mempunyai permintaan, tetapi kebanyakannya wujud dalam bentuk projek penyelidikan dan bukannya jawatan kosong yang stabil.

Struktur gaji yang kurang ideal. Gaji yang diperoleh untuk kemahiran yang sama dalam industri kewangan atau teknologi biasanya jauh lebih tinggi daripada industri sukan. Ini adalah fenomena global yang biasa, bukan hanya di Taiwan — ramai orang bertahan semata-mata atas dasar minat.

Pintu masuk selalunya bukanlah "memohon jawatan penganalisis". Laluan yang saya lihat lebih berjaya kebanyakannya bermula seperti ini: mula-mula lakukan kerja lain di dalam pasukan (seperti pelatih, pentadbir, atau kakitangan pengiring), kemudian secara proaktif hasilkan satu analisis untuk diberikan kepada jurulatih bagi membuktikan nilai anda, barulah jawatan itu perlahan-lahan wujud. Bidang ini sangat mementingkan "anda hasilkan sesuatu terlebih dahulu".

Jadi di manakah peluangnya? Saya rasa ada tiga arah yang wujud untuk diteliti:

Pertama, syarikat permulaan (startup) teknologi sukan. Syarikat seperti analisis imej, peranti boleh pakai (wearable), dan perubatan sukan memerlukan individu yang memahami sukan dan juga data, malah struktur gaji mereka adalah lebih sihat berbanding kelab sukan.

Kedua, industri perjudian dan media. Kedua-dua sektor ini merupakan pembeli data sukan terbesar di peringkat antarabangsa. Skala perniagaan syarikat seperti Sportradar dan Stats Perform jauh lebih besar daripada mana-mana pasukan tunggal. Rakyat Taiwan boleh menyertai projek antarabangsa dari jauh (remote), dan laluan ini adalah lebih realistik berbanding mencari jawatan di dalam kelab di Taiwan.

Ketiga, jadikan ia sebagai kepakaran kedua. Jadikan kerja utama anda dalam kejuruteraan atau analisis data, dan gunakan masa lapang untuk melakukan analisis sukan, menghasilkan kandungan, serta menyertai komuniti. Laluan ini mempunyai pendapatan yang stabil, dan siapa tahu, mungkin suatu hari nanti peluang itu akan datang mengetuk pintu anda.

Tiga Cadangan untuk Mereka yang Ingin Menceburi Bidang Ini

Satu, pilih satu sukan dan selidiki secara mendalam, jangan sentuh semuanya. Ekosistem data bola sepak adalah yang paling matang, diikuti bola keranjang, manakala besbol mempunyai tradisi yang sangat mendalam di Amerika Syarikat. Bagi Taiwan pula, komuniti dan ketersediaan data untuk besbol adalah agak baik.

Dua, pamerkan karya anda kepada umum. Budaya komuniti dalam bidang ini sangat terbuka, dan pekerjaan pertama ramai orang datang daripada analisis yang diterbitkan di atas talian dan dilihat oleh orang yang betul. Apa yang kurang di Taiwan bukanlah bakat, tetapi peluang untuk dilihat.

Tiga, belajar untuk bercakap dengan jurulatih. Saya mengulangi ayat ini buat kali ketiga kerana ia adalah yang paling penting. Kemahiran teknikal boleh dipelajari, tetapi individu yang sanggup duduk di tepi padang mendengar keluhan jurulatih dan memahami masalah sebenar yang ingin mereka selesaikan adalah sangat jarang ditemui.

Rumusan dan Ulasan TheAI學院

Analisis data sukan masih lagi merupakan bulatan yang sangat kecil di Taiwan, begitu kecil sehingga jika anda melakukannya dengan serius selama dua tahun, orang dalam industri akan mengenali anda. Ini adalah satu kekangan, sekaligus satu peluang.

Ulasan: Bidang ini tidak ketandusan orang yang pandai menjalankan model, tetapi yang ketara kekurangan adalah mereka yang mampu menterjemah nombor ke dalam bahasa yang difahami oleh jurulatih dan benar-benar memahami sukan tersebut. Kemahiran teknikal adalah tiket masuk, manakala pemahaman adalah benteng pertahanan (moat).

Cadangan khusus untuk pembaca di Taiwan: Muat turun satu set data awam bulan ini, hasilkan satu carta, dan tuliskannya menjadi artikel yang boleh difahami oleh mak cik anda. Anda tidak perlu menunggu kemahiran anda menjadi sempurna; menghasilkan produk pertama adalah lebih penting daripada apa pun. Buat tiga dalam masa tiga bulan, dan anda sudah mempunyai portfolio.

Bacaan lanjut: Aliran Kerja Analisis Video Perukan AI untuk Pasukan Akar Umbi, Menguruskan Beban Latihan dengan AI. Kemahiran data boleh dimulakan dari Panduan Analisis Data AI, manakala untuk alat (tools), anda boleh dapatkan arahan analisis sedia ada di Pangkalan Data Templat Prompt.

Sumber Data

• Laman Web Rasmi & Data Awam StatsBomb
• Laman Web Rasmi Stats Perform

(Artikel ini disusun berdasarkan maklumat awam dan temu bual industri. Keadaan jawatan kosong dan gaji berubah mengikut pasaran dan adalah untuk rujukan sahaja.)