Com pot ajudar el Big Data en l’adquisició de talent esportiu?

Que l’anàlisi de dades ha arribat per quedar-se, és una realitat. Cada vegada és més comú sentir parlar del Big Data o el Data Science en l’esport. La infinitat d’ estadístiques que es poden obtenir sobre formes i optimització del joc, així com la reducció i prevenció de lesions, fa d’ aquesta disciplina una cosa fonamental per als clubs en l’ actualitat.  Ara bé, si l’estudi de les dades ajuda a predir resultats i jugades, com pot ajudar el Big Data en l’adquisició del talent esportiu?

Això mateix és el que ha investigat el Dr. David López, professor del postgrau en Direcció d’Operacions de l’Euncet Business School, juntament amb Laura Calvet i Rocío de la Torre. En el seu paper “Contribution of data analytics in sports talent acquisition“, presentat el 2020 Online Workshop on “Sports and Health Analytics Research, han analitzat el paper del Big Data en l’adquisició de talent esportiu.

Talent jove, assignatura pendent per als clubs

En l’actualitat, els clubs esportius es deixen guiar pel judici d’experts a l’hora d’apostar pel talent jove. Però, tot i ser una de les tècniques utilitzades històricament, té molts defectes. El judici d’experts comporta un alt índex de fracàs, carreres truncades i pèrdues econòmiques per al club.

I és que, les característiques d’aquestes joves promeses encara no estan formades. Tot allò relacionat amb la seva projecció és purament producte de la imaginació, que més endavant es veurà subjecta a factors com les característiques psicogràfiques i demogràfiques, la cultura organitzativa, etc.

Desafiaments de la indústria de l’esport a causa de la dada

Els resultats històrics parlen per si sols. Pocs són els jugadors de pedrera que acaben en els primers equips. La ineficiència de la captació en les edats primerenques no està funcionant com hauria de ser. Thomas H. Davenport, acadèmic i autor nord-americà especialitzat en analítica, innovació de processos empresarials, gestió del coneixement i intel·ligència artificial, afirma que aquelles empreses que siguin capaces d’atreure i retenir el talent estaran entre les més competitives. El reclutament de talent jove és una activitat crítica que, mitjançant la Big Data, pot revertir la situació.

Autors com Baker, De Bosscher, De Rycke i Hanlon, seguint amb la línia de Davenport, afirmen que existeix un creixent interès a comprendre els costos i beneficis de les iniciatives per a la identificació primerenca de jugadors talentosos, així com a desencadenar els factors que influeixen en el desenvolupament dels atletes.

Així doncs, el punt clau continua sent la identificació primerenca de jugadors talentosos. I, per això, es necessiten tècniques predictives per pronosticar el desenvolupament d’aquests atletes en edats primerenques.

Les anàlisis estadístiques tradicionals se centren en punts anotats, mitjanes i nombre de gols. Les necessitats actuals es van sofisticant i ja no són suficients. La pel·lícula Moneyball (2011) ja va introduir la possibilitat de l’analítica com a estratègia competitiva. Al film es va enfocar equips de mercats petits amb recursos relativament limitats.

Dades sobre hàbits i indicadors de rendiment per avaluar el potencial dels jugadors

Molts entrenadors empren dades sobre hàbits i indicadors de rendiment per avaluar el potencial dels seus jugadors per tal de:

1. Avaluar el seu acompliment
2. Classificar-los
3. Estimar el seu valor
4. Ubicar-los en la millor posició que puguin ocupar

Aquests ajustos poden suposar una manera d’estalviar costos per a alguns clubs.

Data Analytics, reinventant la indústria de l’esport

L’aplicació de l’anàlisi de dades en la indústria de l’ esport està comportant una gran transformació dins del sector:

• Departament de Big Data als clubs. Clubs de futbol com Liverpool, Barcelona o Arsenal ja destinen una àrea en la seva organització per a l’anàlisi de dades. Amb això pretenen millorar el rendiment, analitzar rivals, prevenir lesions, així com optimitzar la gestió del mercat de fitxatges, i l’adquisició de nous talents.
• Noves plataformes per a la gestió i anàlisi de dades. Cada vegada s’està sofisticant més la forma d’obtenir i tractar les dades amb l’aparició de noves plataformes com Wiscout i Scisport.
• Millores en la captació i generació de dades. Companyies com Intel han creat dispositius portàtils d’internet de les coses amb què capturar informació dels jugadors en temps real (streaming).
• Transformació dels professionals de la gestió esportiva. Després de l’impacte i potencial del Big Data en la indústria de l’esport, ja comencen a crear-se titulacions universitàries oficials dedicades a la gestió esportiva, enfocades especialment en la ciència Ondata. Exemple d’això el trobem en el Grau en Ciències i Tecnologies aplicades a l’Esport i al Fitness de l’Euncet Business School, formació pionera a Espanya.
• Canvi d’ hàbits en els aficionats. El consum de dades dels aficionats s’ha sofisticat. Cada vegada es consumeixen dades més complexes, tant per a oci i diversió, com per utilitzar aplicacions de cases d’apostes online.

Cal tenir en compte també el paper que poden jugar les Xarxes Socials, ja que són un predictiu important. En base als histogrames i les citacions es poden predir determinats èxits.

3 tipus d’anàlisi per mesurar eficàcia, eficiència i qualitat del reclutament

Existeixen 3 tipus d’anàlisi utilitzats en l’assistència tècnica i en recursos humans per mesurar l’eficiència, l’eficàcia i la qualitat del reclutament i el seu impacte.

ANÀLISI DESCRIPTIVA

És utilitzat quan un jugador ja té unes característiques preestablertes i s’ha de decidir sobre si juga o en quina posició ho farà. Aquesta anàlisi no se sol utilitzar en els talents joves, ja que encara no han format les seves característiques bàsiques.

ANÀLISI PREDICTIVA

Es basa en l’anàlisi interna (pronosticar el que succeirà en el futur dins de l’equip, quin és el nivell d’acompliment del jugador), i en l’anàlisi externa (veure si hi haurà campanyes d’atracció de nous atletes, etc). Aquest tipus d’anàlisi es focalitza a predir, mitjançant la recerca de patrons, com serà el futur, quines tàctiques s’establiran i com es comercialitzarà.

Existeixen 5 claus en les quals l’anàlisi predictiva pot ajudar RRHH:

• Acceptar perfil i segmentació de l’ atleta o empleat per veure o preveure anàlisis de lleialtat.
• Pronòstic de capacitat i necessitats de contractació.
• Selecció de personal.
• Anàlisi del sentiment, cada vegada més important. El FCB ha creat un equip per al benestar mental de Leo Messi.
• Gestió del risc de frau dels empleats.

ANÀLISI PRESCRIPTIVA

A partir dels patrons descoberts en l’anterior anàlisi, tracta de suggerir millors decisions utilitzant tècniques de dades com el modelatge de decisions, Machine Learning, heurística, simulació, xarxes neuronals.

Intenta avaluar l’efecte i l’impacte de les decisions proporcionades per tal de modificar-les abans de la seva implementació.

Reptes del Big Data i l’esport

1. Encara no es considera l’optimització i aprenentatge sobre l’adquisició de talent esportiu relacionada amb el Big Data.
2. Les tècniques clàssiques d’estadística (com la regressió lineal múltiple) són populars, però el Machine Learning es comença a utilitzar cada vegada més.
3. No s’ha de considerar només les característiques de l’individu, sinó també les característiques de l’equip i la cultura organitzativa del club.
4. Les empreses i governs comencen a ser conscients del valor de les dades i de la necessitat de comptar amb científics de dades, però molts departaments encara no han fet la transició i continuen emprant pràctiques tradicionals basades en intuïcions i rutines.
5. Falta crear un pla de governança de la dada, ja que és la gestió general de la disponibilitat, usabilitat, integritat i seguretat de les dades utilitzades per una organització.
6. S’ha de verificar que els resultats no estiguin esbiaixts per variables com classe social, orientació sexual, raça o nacionalitat, entre d’altres.