Профессор дает 8 уроков по умной работе со спортивной аналитикой
Профессиональный спорт на передовой анализа данных. По мнению экспертов, спорт опережает бизнес примерно лет на 20 с точки зрения использования big data. Профессор бизнеса и спортивной аналитики Университета Лидса Билл Джеррард в своей статье рассказывает, как использовать данные для повышения эффективности организации. Всю карьеру он занимался оценкой игроков, анализом эффективности команд в разных видах спорта: от футбола до велоспорта.
Урок 1. Конечной целью аналитики должны быть управленческие решения
Аналитика — эффективный способ проникнуть в суть, увидеть недоступное при беглом взгляде. Конечная цель — конкретные управленческие решения.
Часто аналитики выбирают самые сложные методики, максимальные массивы данных и самое современное программное обеспечение, хотя необходимости в этом нет. Средство достижения цели заменяет саму цель.
Аналитики жалуются, что они обработали огромный массив данных, но были отвергнуты тренерами. В отказах нет ничего удивительного. Тренер ориентирован на результат, и ему все равно, какой массив данных обработал аналитик.
Урок 2. Аналитика эффективна лишь в организациях с устоявшейся научно-обоснованной культурой
Аналитика эффективна в организациях с приверженностью к научно-обоснованному подходу. Томас Дэвенпорт, один из гуру аналитики, противопоставлял организации, нацеленные на анализ при принятии решений, организациям с «аллергией к знаниям», где менеджеры привыкли полагаться на инстинкты и ощущения.
Например, в «Сарацинах», одном из самых успешных регбийных клубов Европы, научно-обоснованный подход был введен тренером Бренданом Вентером, бывшим игроком и чемпионом мира 1995 года, а также квалифицированным врачом. Брендан использовал в регби те же принципы, что и в медицине, предпочитая перед решениями собрать максимальное количество данных и только на основании их принимать решения.
Урок 3. Аналитика должна вести к уменьшению количества данных, а не к перегрузу
Методы сбора данных развивались быстрее, чем методы их обработки. В результате накапливались колоссальные массивы информации, с которыми непонятно, что делать. Задача аналитика — отсортировать малозначимую информацию и оставить самое важное.
Заблуждение зеленого леса — когда детали заслоняют глобальную картину
Билл Джеррард помогает одному из европейских футбольных клубов с анализом данных. После каждой игры он получает таблицы с 7000 строк и 200 метриками по каждому игроку. Задача аналитика — свести массив к сути, проиллюстрировав все несколькими графиками и страницей ключевых выводов.
Урок 4. В конце концов, основная задача аналитики — извлечение сигналов
Опытные аналитики обучены выделять только систематические данные, которые имеют тенденцию повторяться («сигналы»). Рандомные данные называют «шумом». У больших клубов мало времени для анализа, поэтому тратить время на второстепенные данные непозволительно.
«Если ты такой умный, то почему такой бедный?» — ученые доказали, что рандом важнее таланта
Урок 5. Самые важные данные — данные, созданные внутри организации
Самые важные данные для организации — экспертные данные ее же управленцев (тренеров), которые лучше всех понимают, насколько люди, которыми они управляют, верно реализуют запланированные стратегии и насколько верно принимают решения в разных ситуациях.
Урок 6. Аналитика — не только анализ массивов информации
Обычно аналитика сконцентрирована на поиске взаимосвязей внутри большого массива данных. Но малые объемы информации тоже требуют внимания. Аналитика — принятие эффективных решений на основании анализа данных независимо от их объема.
Статистики учат, что выборки из менее чем 30 наблюдений малы для получения надежных результатов, но если ждать, пока команда сыграет 30 матчей, будет слишком поздно, чтобы даже идеальный анализ оказал какое-то влияние на результаты.
Урок 7. Аналитика носит исследовательский и объяснительный характер, а не прогностический
Возможно ли на основании спортивной аналитики создать алгоритм, который бы предсказывал исходы игр, чтобы зарабатывать на ставках? Букмекеры сами располагают мощнейшими аналитическими отделами, чтобы формировать близкие к идеальным коэффициенты. К тому же в пользу контор маржа.
Кембриджская модель машинного обучения нашла самые рискованные и безопасные виды ставок
Задача аналитики — понять, что и почему произошло, и на основании этого принять оптимальные решения. Аналитика дает прогнозы лишь в той мере, в какой она способна экстраполировать модели поведения. Если модели поведения меняются, экстраполяция становится бесполезной. Аналитики обнаруживают изменения только постфактум.
Урок 8. Эффективные аналитики — это скромные слуги, которые уважают конечных пользователей
Аналитики должны быть на одной волне с потребителями данных. Недопустимы ситуации, когда аналитики считают себя королями горы из-за своих математических и статистических знаний, недоступных другим.
Аналитики должны уважать конечного пользователя и понимать, что в чем-то они гораздо сильнее, но в чем-то, например, в принятии решений, слабее. Эффективная аналитика — это командная работа, где менеджеры и аналитики дополняют друг друга.
Перевод с сайта business.leeds.ac.u
Читать также:
Далее по теме
Нашли ошибку? Сообщите нам
Комментарии (0)