Hướng dẫn sự nghiệp phân tích dữ liệu thể thao: Người Đài Loan bước vào ngành này từ con số không như thế nào

Vài năm trước, có một sinh viên Khoa Khoa học Máy tính Đại học Quốc gia Đài Loan (NTU) hỏi tôi: "Em rất muốn làm về phân tích dữ liệu thể thao, nhưng hình như ở Đài Loan không có loại công việc này?"

Câu trả lời của tôi là: Có, nhưng không nhiều, và lối vào không giống như bạn nghĩ.

Bài viết này muốn làm rõ diện mạo thực sự của con đường này — bao gồm cả những phần mà văn bản tuyển dụng sẽ không viết ra.

Ngành này rốt cuộc đang làm gì

Trước tiên, hãy xóa bỏ một quan niệm sai lầm: Nhà phân tích thể thao không phải là ngồi trước máy tính chạy mô hình, rồi bàn giao những biểu đồ đẹp đẽ là xong.

Công việc thực tế đại khái chia làm ba mảng:

Chuẩn bị trước trận đấu: Phân tích xu hướng của đối thủ tiếp theo. Các tình huống cố định của họ thường đưa bóng đi đâu? Một cầu thủ nào đó có thói quen rê bóng về hướng nào? Những điều này phải được chuẩn bị trước cuộc họp của ban huấn luyện, và phải cô đọng thành từ ba đến năm điểm trọng tâm có thể thực hiện được — chứ không phải báo cáo ba mươi trang.

Hỗ trợ trong trận đấu: Xem dữ liệu thời gian thực, ghi chép lại các sự kiện quan trọng, đưa cho huấn luyện viên một tờ giấy trong giờ nghỉ giữa hiệp. Áp lực thời gian cực kỳ lớn.

Sau trận đấu và dài hạn: Kiểm tra lại, theo dõi sự phát triển của cầu thủ, đánh giá chiêu mộ. Mảng chiêu mộ ở nước ngoài là nơi nhà phân tích có mấy ảnh hưởng lớn nhất — dùng dữ liệu để tìm ra những cầu thủ bị đánh giá thấp, là nguồn gốc tạo nên lợi thế cạnh tranh của rất nhiều đội bóng.

Trong ba mảng này, tỷ trọng của việc giao tiếp lớn hơn nhiều so với tưởng tượng của hầu hết mọi người. Mô hình của bạn có đẹp đến đâu, nếu huấn luyện viên không hiểu hoặc không tin, thì nó cũng không tồn tại.

Cần những kỹ năng gì

Nền tảng cơ bản về mặt kỹ thuật:

• Python: Dùng pandas để xử lý dữ liệu, matplotlib hoặc plotly để trực quan hóa
• SQL: Dữ liệu phần lớn nằm trong cơ sở dữ liệu
• Nền tảng thống kê: Biết thế nào là thiếu mẫu (sample size), thế nào là hồi quy về mức trung bình. Kích thước mẫu của dữ liệu thể thao thường nhỏ đến mức tuyệt vọng, một mùa giải có bốn mươi trận đấu, bạn thực sự bị giới hạn nghiêm ngặt về những kết luận có thể rút ra
• Khả năng trực quan hóa: Vẽ ra thông tin không gian (bản đồ nhiệt sân đấu, mạng lưới chuyền bóng) là công lực cơ bản của ngành này

Về mặt lĩnh vực chuyên môn:

• Thực sự hiểu được môn thể thao đó. Việc này không có đường tắt, phải xem rất nhiều trận đấu
• Biết các giả định đằng sau các chỉ số khác nhau. Tại sao xG (bàn thắng kỳ vọng) lại được tính như vậy? Nó sẽ bị sai lệch trong những tình huống nào?

Kỹ năng bị đánh giá thấp nhất:

• Biến các phân tích thành ngôn ngữ loài người. Sẽ chẳng có ai muốn nghe câu "chỉ số xG của anh ta vượt mức 0.4", mà họ sẽ nghe câu: "Số bàn thắng anh ta ghi được trong mùa giải này nhiều hơn bốn bàn so với những gì một cầu thủ bình thường ghi được ở các cơ hội tương tự, tình trạng này thường không thể kéo dài suốt cả mùa giải".

Cách rèn luyện: Bắt đầu từ dữ liệu miễn phí

Tin tốt là tài liệu nhập môn cho ngành này hoàn toàn miễn phí.

StatsBomb lâu nay vẫn định kỳ phát hành các tập dữ liệu sự kiện hoàn chỉnh của một số trận đấu để phục vụ nghiên cứu, độ chi tiết thậm chí có cả vị trí của thủ môn vào thời điểm sút bóng. Giá trị của bộ dữ liệu này nằm ở chỗ nó là thứ đạt chuẩn cấp độ ngành — phân tích bạn làm ra bằng nó có cùng thông số kỹ thuật với dữ liệu trong tay các nhà phân tích của các đội bóng chuyên nghiệp.

Lộ trình luyện tập được đề nghị:

1. Tái hiện lại phân tích của người khác trước. Tìm một bài viết phân tích công khai, dùng chính bộ dữ liệu đó để tạo ra biểu đồ giống hệt. Bước này sẽ ép bạn phải hiểu rõ cấu trúc dữ liệu
2. Sau đó đặt câu hỏi của chính mình. Chọn một đội bóng mà bạn quen thuộc, đặt một câu hỏi cụ thể (ví dụ: "Vị trí pressing của họ sau khi đổi huấn luyện viên có dịch chuyển lên phía trước không?"), làm từ đầu đến cuối
3. Viết nó thành một bài báo dành cho độc giả không chuyên kỹ thuật. Bước này đau đớn nhất, nhưng cũng có giá trị nhất. Bạn sẽ phát hiện ra thực ra bản thân mình vẫn chưa suy nghĩ thấu đáo

Sau khi hoàn thành ba chu trình này, danh mục sản phẩm (portfolio) của bạn sẽ mạnh hơn đa số người tìm việc.

Thực trạng thị trường Đài Loan

Bây giờ hãy nói về những điều có phần khó nghe hơn.

Rất ít vị trí tuyển dụng. Quy mô thể thao chuyên nghiệp của Đài Loan có hạn, trong cơ cấu của các câu lạc bộ thuộc CPBL, P.League, T1 không có nhiều nhà phân tích dữ liệu chuyên trách, và phần lớn họ kiêm nhiệm các công việc khác. Các phòng thí nghiệm khoa học thể thao của các trường đại học và cao đẳng có nhu cầu, nhưng chủ yếu tồn tại dưới hình thức các dự án nghiên cứu chứ không phải là việc làm ổn định.

Cấu trúc lương bổng không lý tưởng. Mức lương nhận được với cùng một bộ kỹ năng trong ngành tài chính hoặc công nghệ thường cao hơn rõ rệt so với ngành công nghiệp thể thao. Đây là hiện tượng phổ biến trên toàn cầu, không chỉ riêng ở Đài Loan — rất nhiều người đang duy trì bằng niềm đam mê.

Lối vào thường không phải là "ứng tuyển nhà phân tích". Những con đường thành công hơn mà tôi từng thấy phần lớn là thế này: Làm những việc khác trong đội bóng trước (thực tập sinh, hành chính, nhân viên đi theo đội), sau đó chủ động làm ra một bản phân tích đưa cho huấn luyện viên xem để chứng minh giá trị, thì chức vụ mới dần dần hình thành. Ngành này rất coi trọng việc "bạn làm ra sản phẩm trước".

Vậy cơ hội nằm ở đâu? Tôi thấy có ba hướng đáng chú ý:

Thứ nhất, các startup công nghệ thể thao. Các công ty như phân tích hình ảnh, thiết bị đeo, y tế thể thao cần những người am hiểu thể thao lại hiểu dữ liệu, hơn nữa cấu trúc lương bổng của họ lành mạnh hơn các câu lạc bộ.

Thứ hai, cá cược và truyền thông. Hai mảng này trên trường quốc tế là những bên mua dữ liệu thể thao lớn nhất. Quy mô kinh doanh của các công ty như Sportradar và Stats Perform lớn hơn rất nhiều so với bất kỳ đội bóng đơn lẻ nào. Người Đài Loan có thể tham gia các dự án quốc tế từ xa, con đường này thiết thực hơn việc tìm kiếm việc làm tại câu lạc bộ ở Đài Loan.

Thứ ba, coi nó là chuyên môn thứ hai. Công việc chính làm kỹ thuật hoặc phân tích dữ liệu, dùng thời gian rảnh rỗi để làm phân tích thể thao, vận hành nội dung, tham gia cộng đồng. Con đường này có thu nhập ổn định, và biết đâu một ngày nào đó cơ hội sẽ tự tìm đến cửa.

Ba lời khuyên cho những ai muốn gia nhập ngành

Một, chọn một bộ môn làm cho đến nơi đến chốn, đừng đụng vào cái gì cũng làm. Hệ sinh thái dữ liệu của bóng đá là trưởng thành nhất, bóng rổ xếp thứ hai, bóng chày có truyền thống vô cùng sâu sắc ở Mỹ. Ở Đài Loan thì cộng đồng và khả năng tiếp cận dữ liệu của bóng chày tương đối tốt.

Hai, công khai các tác phẩm của bạn. Văn hóa cộng đồng của ngành này rất cởi mở, công việc đầu tiên của rất nhiều người bắt nguồn từ việc các bài phân tích được đăng tải trên mạng của họ được nhìn thấy. Đài Loan không thiếu nhân tài, cái thiếu là cơ hội được nhìn thấy.

Ba, học cách nói chuyện với huấn luyện viên. Đây là lần thứ ba tôi nói câu này, bởi vì nó thực sự quan trọng nhất. Kỹ thuật có thể học, nhưng người sẵn sàng ngồi xổm bên lề sân cỏ để nghe huấn luyện viên phàn nàn, thấu hiểu những vấn đề thực sự mà họ muốn giải quyết thì cực kỳ ít.

Tổng kết và Nhận xét từ Học viện TheAI

Phân tích dữ liệu thể thao vẫn là một vòng tròn rất nhỏ ở Đài Loan, nhỏ đến mức bạn làm việc chăm chỉ trong hai năm là sẽ được những người trong vòng tròn đó biết đến. Đây vừa là sự hạn chế, vừa là cơ hội.

Nhận xét: Ngành này không thiếu những người biết chạy mô hình, cái thiếu là những người có thể dịch những con số thành ngôn ngữ mà huấn luyện viên hiểu được, và thực sự hiểu rõ môn thể thao đó. Kỹ thuật là vé vào cửa, sự thấu hiểu mới là hào lũy.

Lời khuyên cụ thể cho độc giả Đài Loan: Tháng này hãy tải xuống một tập dữ liệu công khai, tạo ra một biểu đồ, sau đó viết thành một bài viết mà ngay cả dì của bạn cũng có thể hiểu được. Không cần phải đợi kỹ năng đạt đến mức hoàn hảo, tạo ra sản phẩm đầu tiên quan trọng hơn bất cứ điều gì. Làm ba cái trong ba tháng, bạn sẽ có một danh mục sản phẩm (portfolio).

Đọc thêm: Quy trình phân tích video thi đấu bằng AI cho các đội bóng cơ sở, Quản lý tải trọng tập luyện bằng AI, kỹ năng dữ liệu có thể bắt đầu từ Hướng dẫn phân tích dữ liệu AI, còn công cụ thì hãy đến Thư viện mẫu câu lệnh (Prompt) để tìm các lệnh phân tích có sẵn.

Nguồn dữ liệu

• Trang web chính thức và dữ liệu công khai của StatsBomb
• Trang web chính thức của Stats Perform

(Bài viết này được tổng hợp dựa trên thông tin công khai và các cuộc phỏng vấn trong ngành, tình trạng việc làm và mức lương thay đổi theo thị trường, chỉ mang tính chất tham khảo.)