IT в спорте. Как Data Science меняет футбол

Всем привет! Меня зовут Самат Галимов и это подкаст «Запуск завтра». Как технический директор я пытаюсь разобраться, как устроены сложные и интересные штуки. Я зову профессионал, с которым можно поговорить простым человеческим языком. Когда мы начинали этот подкаст, я звал своих знакомых или знакомых знакомых и говорил с ними на темы, которые мне близки и понятны. Стартапы, интернет-сервисы, технологии. Потом я начал говорить о вещах, которые просто мне очень интересны. Например, космонавтика или биоинженерия и даже IT в сельском хозяйстве. Сегодня я решил разобраться в теме, которая дальше от меня, чем космос. Это спорт. Чтобы вы понимали, моё представление о футболе – это игра, в которой 20 с чем-то мужиков бегают за одним мячом в течение, кажется, двух часов. Для меня спорт – это про скорость, про выносливость, про силу физическую. Мой хороший знакомый Самер Фатайри – дата-сайентист. Он помог мне увидеть, как технологии меняют спорт. И при чём здесь дата-сайенс. Это подкаст студии Либо-Либо, и мы его сделали вместе с сервисом онлайн-образований Яндекс Практикум. У Практикума есть курсы по разработке, по анализу данных и по английскому языку. Если вы хотите освоить цифровую профессию, переходите на сайт Яндекс Практикум и учитесь. Когда я слышу об онлайн-школах, у меня всегда возникает вопрос, а насколько они эффективны, насколько выпускники хорошо устраиваются на работу, какая у них средняя зарплата. Так вот, высшая школа экономики провела ровно такое исследование про практикум и выяснило, что 78% выпускников практикума устроились по той профессии, на которую они хотели научиться. А медианная зарплата выпускника практикума 87 тысяч рублей. Подробнее о методике исследования, как его проводили, вы можете прочитать в ссылке в описании к этому эпизоду.

Самер Фатаири. Я дата-сайентист и в последнее время очень увлекся футбольной аналитикой.

Мы с тобой уже записывались один раз. Это один из первых наших эпизодов. Мы говорили про машинное обучение.

Тогда ты был... Head of Data Science of Adjust.

Adjust— это атрибуции мобильного трафика, когда рекламодатель пытается понять, откуда пришли установки мобильных приложений. Это такой AdTech, то есть это рекламная индустрия и такая самая технологичная часть. В общем, мне понятно, где там Data Science. Сейчас я тебя позвал поговорить про IT в спорте. Как ты оказался в спортивной индустрии?

Был апрель 2020 года, самый жесткий момент локдауна, и я залипал на ютубе. И почему-то рекомендательные алгоритмы ютуба решили, что мне нужно посмотреть видео нового появившегося канала, где было по 100 просмотров видео. который называется Friends of Tracking, где несколько чуваков из футбольной индустрии, которые занимаются дата-сайенсом в футболе, просто сделали образовательный канал про то, что из себя представляет их работа. Это было суперинтересно. Потом в какой-то момент я решил, что, в принципе, у меня, на самом деле, тоже было бы интересно этим заняться. Я написал паре людей из этого канала просто в LinkedIn, Типа, здрасьте, здрасьте, классно вы вещи занимаетесь, в принципе, я бы тоже хотел. Мне ответил head of data science футбольного клуба Benfica, это главный португальский футбольный клуб, и мы с ним позвонились, и на самом деле в итоге очень подружились. На самом деле классная штука, что он мне ответил, потому что футбольный мир значительно более закрытый, чем мир айтишников. Это не тот мир, где есть вообще вакансии открытые. Их, на самом деле, практически не существует. То есть, их появляется две в год, что-нибудь такое, на континенте на всём. Поэтому, на самом деле, мне очень повезло, что из двух человек мне ответил один.

Он был открытый к миру? Завел YouTube как бы?

Он был ещё открытый к миру, на самом деле, потому что у него немножко другой бэкграунд. Microsoft, где он был консультантом. И, в общем, он довольно айтишного склада человек. И, собственно, так это всё как-то и закрутилось.

Самер. Ты анализируешь большие объемы данных, выявляешь них в паттерны, строишь какие-то модели, которые умеют предсказывать данные в будущем. Спорт сотни лет. Зачем вдруг там появился Data Science?

Здесь нужно начать, наверное, историю с начала 2000-х. И это история про бейсбол. Статистика какая-то базовая. На самом деле я пошла оттуда, и она очень популяризировалась книжкой, которая называется Moneyball.

Я смотрел фильм Moneyball.

По этой книжке снят потом фильм с Брэдом Питтом. Идея такая. Была команда из Окленда. Туда пришел новый генеральный менеджер. И перед началом сезона от них ушли три главные звезды. И бюджет этой команды был сильно-сильно меньше, чем бюджета конкурентов. А это, на самом деле, в спорте главная вещь, которая коррелирует с результатом команды— это ее бюджет. Чем больше у тебя денег, тем лучше у тебя игроки. И что сделал этот чувак? Он первый начал применять статистику при подборе игроков. Здесь еще надо отметить, что бейсбол— это игра, которая состоит из кучи повторений довольно похожих моментов. То есть какой-то чувак бросает, какой-то чувак отбивает биты и какой-то бежит. Что сделал этот чувак? Его идея была в том, чтобы с помощью статистики найти недооцененных игроков, которые очень хорошо умеют делать одно какое-то действие. То есть рынок довольно низко оценивал людей, которые, например, умеют только бегать или умеют только бросать только правой рукой и так далее. А он как бы это все разбил на вот эти стандартные ситуации. И он для ситуации, где надо бегать, брал игрока, который умеет только бегать, где надо бросать правой рукой, где чувака, который может бросать только правой рукой. Собственно, его команда, по-моему, со вторым снизу бюджетом в лиге выступила супер-супер хорошо. По-моему, они не выиграли чемпионат, но они точно побили рекорд по количеству выигранных подряд матчей.

Офигеть. Типа никто до этих людей не пытался собрать команду из узких специалистов?

Нет, нет, смотри, спорт вообще это очень консервативная среда. Человек, который играет в бейсбол, заканчивает карьеру, не знаю, MBA или что-нибудь еще, и начинает руководить командой. Поэтому вот эта идея оценки игроков по какому-то зрительному ощущению, она тянулась бесконечно. Сейчас, например, если посмотреть генеральных директоров клубов для бейсбольной лиги, то они практически все пришли из консалтинга, то есть это люди из KPMG. Игра очень сильно поменялась, бейсбол стал совершенно другой.

Какой это был год?

2002, по-моему.

2002-й год.

То есть вообще аналитика в спорте, по сути, как массовое явление, появилась 20 лет назад. 2004-2005 год— это очень сильное изменение баскетбола. В баскетболе есть трехочковые удары, есть двухочковые удары. То есть издалека трехочковые, а из близких расстояний— двухочковые. Совершенно очевидная идея, что три больше, чем два. Не существует математической идеи проще, чем вот это. И, собственно, то, что начала делать команда из Хьюстона, они посчитали точки, откуда проще всего забивать трехочковые, и стали бросать оттуда. И если ты посмотришь, как поменялось за эти 20 лет распределение точек, откуда люди бросают в баскетболе, оно поменялось драматически. То есть это просто другая игра сейчас.

Ты мне сказал, как работает бейсбол. Там впервые появилась новая стратегия— Moneyball. То есть с помощью алгоритмов научились собирать хорошие команды подходящие. Сказал, как работает в баскетболе, когда провели анализ, научились бросать из правильных точек. А в футболе чему научились?

Футболе пока учатся. Владелец команды из Бостона решил пойти в европейский футбол и купил команду Ливерпуль. И первое, что они захотели там сделать, это внедрить идею вот этого самого манибола в таком же виде в Ливерпуль.

То есть в нормальный человеческий футбол?

То, что мы называем футболом, да. Они купили большого нападающего Энди Кэрролла, который очень хорошо играет головой. И они купили полузащитника Стюарта Даунинга, который очень хорошо умеет навешивать как раз на этого большого нападающего. Что произошло? Это был просто тотальный провал. Потому что футбол значительно более сложная игра. Там нельзя брать людей, которые умеют выполнять одну функцию. Смотри, в футболе есть два ключевых отличия от бейсбола и баскетбола. Первое— это то, что футбол практически не разбивается на стандартные ситуации. То есть футбол очень медленная, очень тягучая игра со значительно меньшим количеством паттернов. Второе ключевое отличие— это то, что голов. То есть в баскетболе ты можешь так или иначе все действия игрока привязать к количеству набранных очков, потому что это количество набранных очков, оно типа 100 может быть за матч. В футболе, если твоя команда забила один гол, то это уже очень-очень хорошо. И в этом голе чаще всего половина команды вообще никак не участвует, поэтому тебе очень сложно ввести какую-то функцию оценки в футболе.

Важно пояснить. функция оценки— это то, как ты оцениваешь положение дел любой задачи машинного обучения, и потом говоришь машине, вот эту функцию надо увеличить. Например, работоспособность компании оцениваем по балансу денег на счету. Чем больше денег, тем лучше. машина увеличивает это число.

Да. Чему точно научились в футболе? Это научились определять так же, как в баскетболе, из каких точек лучше бить, из каких хуже бить. Ученые из Норвегии придумали вещь, которая называется ожидаемые голы. То есть они берут все удары команды, вне зависимости от того, как они закончились. И для каждой точки и положения игры на поле они считали, по историческим данным, вероятность, что этот удар будет гол. И там, на самом деле, эвристика довольно простая. Чем ближе ты к воротам, тем вероятность забить больше.

И ты пытаешься максимизировать количество ситуаций, в которых ты теоретически можешь забить гол с высокой вероятностью.

Да-да-да. То есть, на самом деле, это частично решает проблему того, что голов мало, и голы – это случайная величина во многом.

Слушай, мне сразу возникает вопрос, а как эти данные появились?

Футбольные данные вообще появились довольно давно, просто потому что в трансляции показывают разную базовую статистику. Сколько команды нанесла ударов, сколько из них прилетело в ворота, в какой-то момент появилось, сколько километров пробежал каждый игрок и так далее.

Это всё собирается просто люди сидят и нажимают кнопочку?

Да-да-да, ты совершенно прав. Сейчас данные собираются намного более детально. То есть, кто кому в какую секунду отдал пас, из каких координат в какие координаты.

И это тоже делается руками?

Да, сидят люди. У разных компаний они сидят в разных местах. У одной компании в Египте, у другой в Болгарии, где-то еще. Смотрят футбол, по сути, по телеку и в прямом эфире кодируют всю эту информацию. На самом деле один матч— это пара, тройка тысяч ивентов. То есть этот человек закодировал в прямом эфире 2-3 тысячи событий. У них там какие-то супермодные джойстики, чтобы это делать быстро. А сейчас, на самом деле, появляются новые технологии. То, что называется Broadcast Tracking. По сути, это алгоритмы компьютерного зрения, которые строят проекцию поля по телекартинке и собирают все те же данные. Эти данные пока что несколько хуже, чем собранные людьми, но кажется, что как бизнес-идея это значительно более скейлабл.

Ну конечно, натравить и собрать исторические данные.

Да-да-да. Тут еще на самом деле вопрос не только не только в старых записях, а ещё и в футболе, который происходит прямо сейчас. У многих команд стоят на стадионе по 20-30 камер в разных точках, которые всё снимают в каком-то там Super HD, 4K, что-то такое. И потом какой-то алгоритм как раз по этим камерам из разных точек и проекций создаёт 2D-модель.

Плоскость, но не точки.

Да.

Насколько сложно различить игроков разных на видео?

Это делают определенные компании, то есть никакие клубы это сами не делают, это очень дорого. Там, безусловно, есть ошибки, иногда путают игроков, но во многих случаях ты их испутаешь, если даже очень хорошо их знаешь и сам смотришь в трансляцию. Они разного роста, они разного цвета кожи, чаще всего. У них разные прически, разные номера, разные позиции на поле, что очень хорошая эвристика для определения, кто это. Но, конечно, там иногда путаются. Но с этими данными... Они не идеальные, но с ними уже можно работать.

Скажи, пожалуйста, для чего ещё можно использовать Data Science во футболе?

Смотри, есть три основных направления. Первое направление— это Data Science, связанный с физическим состоянием игроков, то есть как это предотвратить травмы. Какой игрок сейчас физически лучше готов на основе всяких сенсоров пульса, пробега, датчиков сна и так далее. Футболисты обвешаны всякими wearables, сильно больше, чем среднестатистический человек. Второй важный пункт— это скаутинг, то есть как подобрать подходящего игрока себе в команду. Третий пункт— это всякие тактические штуки, как правильно выстроить тактику, как анализировать тактику оппонента, как находить слабые места в игре оппонента, как находить сильные места в своей игре и так далее. То есть это тоже всё потихонечку переходит на анализ данных.

Окей, ты рассказал, что есть три основных вещи. Давай по каждой из них.

Самое простое для восприятия— это здоровье игроков. Игроки, они на огромных контрактах. То есть травма игрока на несколько месяцев— это очень много потерянных денег. Какие данные там есть? Там во время матчей и тренировок собирается пульс игрока и собираются его GPS-координаты. То есть мы знаем, сколько игрок пробежал, сколько у него было рывков, спринтов. И так далее. Как у него менялся пульс в это время, мы узнаем примерно в какой минуте матча этот человек устает. В футбольных клубах люди, которые занимаются этими штуками, они называются sports scientists, то есть это не data scientists, но это люди с околомедицинским бэкграундом, но которые умеют пробовать и которые умеют анализировать данные.

А как это делали, пока не было Data Science? Вы вообще собирались эти данные?

Я думаю, что просто тренер по физподготовке спрашивал у игрока перед матчем «Ну что, готов играть?» Тот говорил «Да, готов» и получал травму.

Окей. Теперь расскажи про тактику и стратегию.

Смотри, что с тактикой и стратегией. У нас для каждой команды есть какое-то количество исторических матчей, из которых мы можем вычленять паттерны. Условным, простым паттерном, может быть, большинство опасных моментов создается из вот этой зоны. И ты понимаешь, что когда ты играешь против них, тебе надо быть очень внимательным к этой зоне. Большинство атак начинаются через этого игрока. Этот игрок в начале атаки находится в этой зоне, а к концу атаки он уже забивает из другой зоны, поэтому за этими спринтами надо следить. дата-сайентисты По сути, они готовят отчет для тренерского штаба с какими-то паттернами соперника. И тренерский штаб уже сам решает, как нейтрализовывать все эти угрозы.

То есть ты собираешь данные о том, как играет твой оппонент, говоришь, обычно они забивают после того, как игрок X передал мяч, а игрок Y после этого забил?

Да-да-да. И тренерский штаб думает, что с этим делать.

Реально выделяются такие паттерны?

Да, конечно, безусловно выделяются. В футболе есть некоторое количество стандартных положений. Угловые, штрафные. Почти во всех командах элитных дивизионов сейчас появились тренеры по стандартным положениям. По сути, они анализируют данные по тому, как соперник подает угловые, в какие зоны. Анализируют даже не соперников, а просто какие-то мировые тренды и так далее. И просто улучшают перформанс команды На угловых. В команде Liverpool, которая на самом деле сейчас мировой фронтмен по работе с данными, есть тренер по ауто. Всегда казалось, что ауто – это очень незначительная вещь в футболе, очень маленькая, но они находят какое-то преимущество даже там.

Значит, этот анализ заказывает клуб перед игрой?

Да.

А как это делали до Data Science?

Слушай, до этого есть и существует до сих пор суперважная профессия видеоаналитика. То есть это человек, который физически просто отсматривает матчи и выделяет какие-то моменты. Сейчас довольно много на самом деле софта для видеоаналитиков. чтобы можно было вырезать видео на них, что-то рисовать, они синхронизируются с этими собранными данными и так далее. И, по сути, этот видеоаналитик выделяет какие-то ключевые фрагменты того, как играет команда, и потом просто вот эти нарезанные видосы показывает футболистам, тренерскому штабу, что вот в таких ситуациях они действуют так, а в таких ситуациях они действуют так. Смотри, какие преимущества есть в Data Science перед видеоаналитиком? Data Scientist, по сути, может просмотреть несколько тысяч матчей за пару минут, то есть просто приближаться по данным, собрать какие-то паттерны не только по команде соперника, а вообще посмотреть, как такая тактика работает против среднестатистической тактики и так далее, и уже сравнивать. То есть на самом деле можно делать в некотором смысле более глубокие какие-то выводы, просто из-за количества просмотренных матчей и из-за количества информации, которая в них есть. Всё-таки время в видеоаналитике довольно сильно ограничено. У видеоаналитика тоже есть преимущества перед датсайенсом. Это человек, который профессионально разбирается в футболе. Это человек, который может увидеть намного более тонкие детали. Это человек, который видит футбол как 3D, а не 2D игру, что тоже очень важно. Но эти вещи не отменяют друг друга, эти вещи работают и будут работать вместе. Data science в футболе это так же как и Data science в бизнесе или в IT или где угодно. На самом деле это не решение проблем, это просто еще один инструмент, еще одна точка зрения.

Если думать о Data Science как об инструменте, как он выглядит для потребителя?

Ну, по сути, это просто дэшборды. Многие из них могут собираться в прямом эфире во время игры, то есть какой-то тренер на iPad может что-то смотреть. Это очень похоже на то, как работает аналитика и Data Science в IT. Просто это про футбол.

Как раз в продуктовых командах есть Data Scientist, который тебе делает дэшборд, в котором ты смотришь на числа и принимаешь решение, как менять что-то в продукте. Я просто думал, что в футболе это работает. Хотя бы типа мы делаем заказ, аналитик возвращается с каким-то анализом, вот это все. А сейчас получается так, что у него прямо есть real-time дэшборд.

И это очень похоже реально на то, как работают продуктовые команды, просто в футболе другие метрики. Важное отличие футбольной аналитики от продуктовой, например, аналитики, что метрики условно e-commerce— это вещь, которая уже несколько лет полностью стабилизировалась, и она вряд ли в ближайшее время сильно поменяется.

Ну ты знаешь, сколько тебе пользователей пришло, до страницы оформления заказа, сколько нажало «оформить».

Ты знаешь, сколько тебе стоил пользователь, чтобы он пришёл. Все эти вещи стали просто каким-то дефолтным знанием для всех. В футболе, во-первых, ещё нет чёткой определённости по поводу того, какие метрики важны, а какие нет. Есть то, что называется метрики первого уровня, просто вытащенные из агрегации данных. Сколько этот игрок отдал пасов за матч? Какой процент из них оказался точным? Сколько он нанес ударов по воротам? Сколько из них попало в ворота? С этими метриками, кажется, какая-то определенность есть, и люди понимают, что когда ты ищешь центрального нападающего, тебя волнует такой-то набор метрик. Дальше начинаются более усложненные метрики уже с machine learning, то есть, например, expected goals как самая простая из них, то есть, как часто этот игрок оказывается в потенциально опасных ситуациях и так далее. Вот они еще не очень большим количеством профессиональных тренеров используются. В этом, наверное, главное отличие от аналитики продуктовой, что нет какой-то пока четкого словаря и четкого понимания того, что надо использовать. То есть многие клубы, которые суперогромные, как бы их аналогом в мире стартапов был бы условно Amazon. Не имеют вообще никакой аналитической команды. То есть там все делается глазами скаутов, разговорами с агентами, то есть очень по старинке.

Слушай, Саня, ты сказал, что есть три главных части футбола, в которых применяется Data Science. Это здоровье, тактика и скаутинг. И мне кажется, скаутинг на самом деле самая straightforward история. Давай попробуем его разобрать, типа, как происходит скаутинг в футболе. Насколько это важно вообще?

Смотри, очень многие футбольные клубы, их бизнес-модель построена на том, что они покупают игроков задешево и продают за дорого.

Показывают, как они умеют играть миру?

По сути, да. Так существуют практически все клубы, кроме самых

высоких, которые вершина пищевой цепочки.

Да-да-да. Какая здесь задача? Нам нужно найти игрока, который недооценен рынком, который оценивается дешевле, чем он может стоить. Или второй вариант, это нам нужно найти игрока, которого сейчас мы купим за одну сумму, он разобьется, то есть нам нужно как-то оценить потенциал, и мы его продадим дороже. У клубов есть огромная сеть скаутов, то есть она может исчисляться десятками, где-то сотнями и так далее. Они ездят на турниры, смотрят игроков, записывают блокнотик, на этого чувака обратить внимание, потом это все как-то стекается в центр, и там принимается решение о покупке или непокупке какого-то игрока. дата-сайенс Data Science меняет то, что мы можем этот этап первоначального просмотра заменить просто на подсчет каких-то метрик. Этот чувак очень хорошо начинает контратаки, этот вратарь очень хорошо отбивает и так далее. То есть нам не нужно для этого смотреть на игрока, это мы можем вытащить из данных. В скаутинге мы заменяем не весь процесс скаутинга, а только какие-то первоначальные шаги. Как из миллиона игроков, которые есть в мире, выбрать 10, которых скаутам надо посмотреть? Тебе на самом деле все равно это суперважная вещь, которая вне данных разных технических оценок. Тебе хочется, чтобы этот футболист был адекватным человеком. Ты же не будешь подбирать себе программиста в команду только по его профилю на гитхабе. Тебе хочется с ним поговорить, посмотреть, как он работает и так далее. Поэтому скауты никуда не денутся. Но вероятно, скаутам нужно будет смотреть сильно меньше игроков, потому что первоначальный просмотр можно делать алгоритмически.

До этого ты строишь из всего миллиона таблицу, в которой написано, сколько бы пасов передал в среднем, сколько голов забил и вот это всё?

Да, да. Что важно в этом случае? В футболе многие события являются шумом. То есть игрок может в одном сезоне забить очень много голов, и это будет не подкреплено статистически, а это будет просто так устроено, что ему в течение сезона везло. И в следующем сезоне он будет играть со статистикой заметно хуже. Поэтому на самом деле многие Data Science модели, они еще нужны для того, чтобы попытаться убрать вот этот фактор случайности. То есть ты не хочешь купить игрока, который в прошлом сезоне забил очень много, чтобы когда он перешел к тебе, он забил очень мало, и его цена упала, потому что это плохая инвестиция. Тебе надо купить кого-то, кто либо продолжит забивать очень много, либо начнет забивать еще больше. Это сложная задача как раз, которую Data Science в футболе пытается решать.

Как это можно решить вообще?

Ну смотри, например, игрок забил много моментов из ситуации, где обычно очень низкая вероятность забить гол. С точки зрения аналитики, мы скорее захотим игрока, который очень часто оказывается в ситуации, откуда легко забить гол. Потому что это будет значить, что он умеет выходить из этой ситуации, а не полагается на какую-то удачу. Другая важная проблема, на самом деле, не решенная задача в футболе. Например, ты скаутишь какой-нибудь второй дивизион чемпионата Латвии.

Даже я знаю, что это не супер дорогие и сильные команды.

Да. Например, ты работаешь в клубе чемпионата Испании, и ты находишь игрока во втором дивизионе чемпионата Латвии, который там играет очень хорошо. Вот задача про то, как переносится... Его

скиллы в Латвии на скиллы в Испании, где футбол гораздо сильнее.

Да. Это одна из самых сложных задач в дата-сайенсе в футболе. Чем слабее чемпионат, тем проще тебе там играть. И когда ты переносишься в более сильный чемпионат, совершенно не факт, что у тебя будет такая же статистика, как в слабом чемпионате. Против тебя будут играть сильнее защитники, против тебя будут играть сильнее команды, игра будет намного быстрее и так далее. То есть это на самом деле вот эта задача, которая одна из самых важных нерешенных в футбольном дата-сайенсе сейчас, это как переносится цифры из одного чемпионата, более слабого, в чемпионат более сильный.

Саммер, у меня есть такой вопрос. Большинство крутых игроков просто попадают в стандартные ситуации и хорошо в них забивают? Или уникальность у них какая-то есть?

Слушай, ну большинство игроков супертоп-уровня, суперзвезд, они, безусловно, умеют очень хорошо оказываться в стандартных ситуациях, очень хорошо их реализовывать, и плюс у них есть какая-то изюминка, которой, скорее всего, нет вообще ни у кого в мире больше. Но это игроки суперзвездного уровня, их не так много.

А основные деньги в футболе это как раз суперзвездные игроки или там длинный хвост?

В футболе большинство денег, безусловно, это супертоп игроки. То есть я думаю, что футбол по распределению денег на самом деле устроен сильно жестче других бизнесов и в длинном хвосте намного меньше денег, чем в топ-клубах.

То есть вся эта система нужна для того, чтобы найти еще одного топового игрока.

Да, то есть ты находишь из длинного хвоста игрока с потенциалом, а топ игрока, то ты просто можешь его продать в 10, 20, 100 раз дороже.

Блин, это звучит как стартап индустрии, в которой много дешевых стартапов, но один есть Facebook, если ты его вовремя определишь, то заработаешь x100.

Да, да, это ровно так и работает. Есть большое количество клубов, например, этим славятся португальские клубы и вообще чемпионат Португалии, что они умеют очень хорошо находить игроков в Латинской Америке и по сути это просто фабрика супер игроков.

А есть кейсы, когда Data Science позволил найти крутого игрока?

Да, есть очень крутые примеры. В чемпионате Англии есть команда Brighton, и владелец Brighton, он человек с математическим бэкграундом, и он в какой-то момент начал работать с главным Data Scientist в очень большом букмекере. А букмекерский бизнес— это просто бизнес, по сути, построенный на статистике и Data Science. Они умеют среднестатистического, который не умеет предсказывать вообще. Вот, и этот человек на этом очень много заработал денег. Купил себе команду из родного города Брайтон. И сейчас это одна из очень видных команд в английском футболе. Это команда, где нет звезд, где довольно низкие зарплаты и довольно маленький бюджет. Но это команда, которая выступает очень хорошо и стабильно покупает игроков сильно дешевле, чем их потом продает. То есть она еще и, скорее всего, самоокупаемая. И эта вещь полностью построена на работе с данными.

А как это работает? Чем его процессы отличаются от процессов клуба обычного?

Как устроены обычные процессы клуба? Они устроены во многом на экспертном знании людей, которые там работают. Это чаще всего либо бывшие игроки, либо люди, которые всю жизнь в футболе, и у них есть какое-то экспертное знание про то, как им выбирать игроков. Не то, что это полностью неправильно, но эти люди могут ошибаться. Как показывает исследование, половина трансферов, которые происходят в футболе, они неудачные.

Есть какая-то метрика удачности?

Да. Она на самом деле очень простая. Это процент минут, которые сыграл этот игрок после перехода.

То есть ты хочешь сказать, что большинство игроков, которые переходят из одного клуба в другой, начинает играть в новом клубе меньше?

Недавно было исследование. Исследовали довольно дорогие трансферы от 15 миллионов евро. И смотрели, как бы люди после перехода, они играют больше половины времени или меньше. И там выяснилось, что примерно половина трансферов люди после перехода не играют. А когда футболист не играет, то он как бы помимо того, что на него тратится зарплата из бюджета, но самое важное, что происходит, пока он не играет, он теряет цену.

Слушай, ты рассказал, что люди, которые на своем экспертном мнении выбирают игроков, довольно часто ошибаются. А что делают по-другому? Brighton.

Она выбирает игроков во многом на основе данных. Получается так, что у них один из самых скромных бюджетов в лиге, но при этом идут в первой десятке. То есть это очень хороший оверперформанс.

То есть это не то, как обычно?

Да-да-да. Корреляция между бюджетом клуба и местом, которое он занимает, она очень-очень сильная. У кого больше денег, тот и выигрывает. И твоя задача, на самом деле, как руководителя клуба, как сотрудника клуба и так далее, тратить меньше, но выступать лучше.

Саммер, раз это так классно, почему все это не делают?

Смотри, если это супербогатый клуб, какой-нибудь там, не знаю, Real Madrid, сколько бы ты не заплатил денег за суперзвезду, они у тебя отобьются просто потому, что потом эта звезда будет рекламировать шампунь. Или просто потому, что когда у тебя играет суперзвезда, там, не знаю, Криштиану Роналду или Месси или кого-то еще, то у тебя будет смотреть больше по телеку, твой стадион и так как бы там sold out всегда, то есть ты будешь зарабатывать просто на любом дорогом трансфере, ты его будешь отбивать просто за счет медиа активности. Если ты клуб поменьше, тебе нужно искать доходы где-то еще, и data science, и вообще применение каких-то передовых штук, это на самом деле история во многом про бизнес. То есть, по сути, этого начинают делать, просто это происходит пока не так быстро, как ожидалось. Во-первых, это довольно дорого. Пока просто не очень очевидно для спортивных функционеров, что ты вложишь туда условно 10 тысяч, а получишь на выходе 100 тысяч. В этом они пока не уверены. И плюс футбол— это очень консервативная среда, с устоявшимися какими-то процессами. и резко и радикально поменять эти процессы, на самом деле, объективно, это больно. Но движение в эту сторону очевидно есть. Сейчас немножко контекста. Намного легче быть богатым клубом в Англии, в Испании, в Германии, в Италии и так далее, когда ты из страны меньше. Например, если ты из клуба из скандинавских стран, Тебе, на самом деле, довольно сложно очень много зарабатывать, потому что несопоставимо, потому что твои матчи не смотрят по всему миру. Зрителей у тебя меньше, просто потому что у тебя страна меньше. И даже при том, что это супербогатые страны, футбол там значительно беднее, чем в Англии, в Испании и так далее. Но это, на самом деле, главным образом происходит из-за того, что матчи испанского чемпионата или английского, или немецкого смотрят по всему миру. за телеправа, за образы футболистов и так далее. С чемпионатами скандинавских стран не совсем так. Но поэтому клубы скандинавских стран одни из самых передовых по части Data Science сейчас. Потому что им надо искать заработок не из телека, не от болельщиков.

Услуги скаутинга – это как раз то, на чем они могут заработать.

Это то, на чем могут зарабатывать на самом деле клубы почти во всем мире. И я думаю, что суперсильно Data Science выстрелят. Скорее всего, возможно, даже не в супертоп-клубах, а в клубах поменьше, которые будут на этом просто зарабатывать.

Саммер, я плохо разбираюсь в футболе, но даже я слышал про то, что все время оценивают тренеров. Обычно российской сборной в новостях появляются всякие новости смешанные про них. Скажи, а тренеров можно оценивать с помощью Data Science?

На самом деле, да. Я видел даже какие-то продукты, созданные для этого. Даже не для оценки тренера, а для того, чтобы подобрать, какой тренер больше всего подходит твоему составу. по его тактическим идеям. Но да. Слушай, на самом деле с тренерами такая история, что их тоже можно оценивать через то, как соотносится выступление команды и ее бюджет. То есть от хорошего тренера ты хочешь, чтобы его команды стабильно выступали лучше, чем сколько они тратят денег. И многие тренеры имеют очень хороший трек-рекорд перевыполнения вот этой нормы.

Вот когда мы говорим про футбол и оцениваем игроков и оцениваем тренеров, у меня как-то, знаешь, спокойненько. Но когда говорят, мы сейчас программистов оценим с помощью Data Science, у меня сразу, знаешь, какая злость поднимается. Вы что, охренели, что ли? Как можно с помощью Data Science оценить программистов? Это совсем другое. Это невозможно. И тем более технических директоров. Знаешь, когда про себя начинаешь думать, то думаешь, как эта машина может меня оценить? Как футболисты к этому относятся?

Я знаю, что футболисты на самом деле сейчас сами начинают пользоваться данными все больше и больше. Недавно футболист Барселоны Фрэнки де Йонг, это причем звездный футболист Барселоны, выступал на аналитической конференции и рассказывал, как он пользуется данными, чтобы улучшать свою игру. Он смотрит после матча аналитические отчеты про то, как он сыграл, Сколько он пробежал, сколько у него было спринтов, как хорошо он отдавал пасы. То есть, на самом деле, для него это тоже важно. Для футболистов это тоже инструмент. К этому просто не нужно относиться так, как будто оценивают тебя. Это просто еще одна точка зрения на то, что ты можешь улучшить. То есть, когда ты показываешь метрики продукта продакт-менеджеру, это не значит, что ты оцениваешь его как профессионала. Это значит, что ты ему показываешь просто объективную картину, как всё работает, он может думать, что с этим делать и это улучшать.

В такую формулировку, конечно, принять гораздо легче.

Слушай, был в прошлом году очень важный вех в аналитике футбола. Есть такой футболист, играет в клубе Manchester City, его зовут Кевин Дебрюина. Это одна из, не знаю, топ-10 суперзвезд футбола. какие-то траблы, и в общем его агент оказался в тюрьме за мошенничество. А Кевину Де Брюйне в этот момент новый контракт со своим клубом. Обычно это все делается через агента, и агент выбивает максимальные условия. Что сделал Кевин Дебрюино, он вообще суперумный чувак, кроме всего, он нанял аналитическое агентство футбольное, чтобы те подготовили ему отчет про то, как его игра влияет на игру команды. Типа как команда играет с ним, как команда играет без него, без всяких эмоциональных вещей, без торгов, агентов и так далее, просто цифрами. И это был реально момент очень важный для аналитической футбольной тусовки, потому что это внешнее очень большое признание.

И он с этой штукой пошёл договариваться о деньгах?

Он с этой штукой пошёл договариваться о деньгах. Типа вот, я супер важный чувак в команде, потому что... Вот просто числа как

бы, сейчас я вам буду рассказывать, просто посмотрите.

Да-да-да. Другой игрок, он играл в Arsenal. У него не очень хорошо ладились дела в Arsenal. Ему нужно было уйти в аренду на один сезон. поиграть где-то еще, и он заказал аналитическому агентству поиск команды, которая больше всего для него подходит, чтобы он там играл максимально хорошо. То есть на самом деле футболисты супертоп уровня. Безусловно, они не считают футбольную аналитику какой-то вражеской сущностью. Для них это просто новый источник знаний. Безусловно, аналитика футболя растет, и она принимается все большее количество сторон, и клубами, и игроками, и федерациями, и так далее. Поэтому этого будет все больше и больше.

Расскажи, а сколько стоит такой анализ? Потому что мы с тобой много его обсуждали. Ну, в смысле, такой анализ, секой анализ. А сколько это стоит? Вот в стартапе я примерно понимаю, сколько стоит Data Science. Платишь зарплату одному хорошему сайентисту, может быть, еще и дата-инженеру, и получится у тебя штука. А здесь как?

Сколько стоит анализ как продукт? Честно говоря, мне сказать сложно, потому что индустрия только зарождается, поэтому четкого ценника нет, все меняется. Но в футболе дата-сайентисту, который хочет устроиться на работу, во-первых, это сделать очень сложно, потому что очень мало вакансий, и еще меньше вакансий открываются публично, то есть многие просто ищутся по нетверку, и там просто адская конкуренция. Если в каком-то футбольном клубе появляется вакансия дата-сайентиста, то 500 откликов— это норма. Причем 500 откликов за 2-3 дня. На самом деле, могу сказать, что в футболе платят сильно меньше, чем в IT-индустрии.—

Серьезно?—

Конечно. В футболе совершенно другой спрос и предложение. Количество людей, которые хотят или думают, что могут работать в футболе, оно просто запредельное.

Саммер, ты сейчас про это рассказываешь, видно, что ты в теме. Чем ты сейчас занимаешься? Я так слышал, что ты на конференции какие-то ездил.

Да, я с коллегами двумя, с Кириллом Серых и Егором Гуменом, мы объединились летом и подали заявку на супер большую и важную конференцию в Лондоне по футбольной аналитике. То есть там среди прочих спикеров, например, был человек, который сделал эту революцию в баскетболе. про точки бросать. Мы сделали исследование про то, как вратари выбирают позицию.

Позицию в смысле где он стоит относительно ворот?

Да, то есть ворота очень большие, а вратарь относительно маленький. То есть ему нужно все время стоять в правильной точке, чтобы он мог отбить удар. То есть мы разработали фреймворк для оценки качества выбора позиции вратаря. Помимо самого исследования мы разработали инструмент, где можно смотреть, как вратарь двигался в реальной жизни и как ему предлагают двигаться алгоритмы.

Типа более оптимально?

Более оптимально, да. На самом деле, по нашему исследованию, некоторые вратари двигались очень близко к оптимальному по алгоритму.

То есть их мозг как раз подсказывал им оптимальное поведение.

Идеально, правильно, да-да-да.

И нейросеть была хорошо обучена.

Ну да.

И вратарей, которые двигаются оптимально.

Безусловно, для этого это и делается. В общем, да, мы это делали и были на этой конференции в Лондоне на стадионе Челси. Это все происходило. И там, на самом деле, очень круто на этой конференции было видеть Какой огромный разрыв между людьми, которые работают в футбольном клубе, как спортивные директора, технические директоры и так далее, и людьми из академии со своими супер нейронками на графах.

Академия – это, значит, университеты, академическая среда?

Ну да. И ты понимаешь, что это на самом деле два мира, один из которых технологически очень далеко ушел от другого, но при этом у клубов безусловно есть интерес. Особенно сейчас, когда это не у ста процентов команд, далеко не у десяти даже процентов команд. Есть Data Science или есть какие-то сложные технологии. Сейчас это огромное преимущество. Я думаю, что на самом деле IT-индустрия проходила очень похожий момент. Потом еще лет 10 назад был какой-то пик с машин-лернингом. То есть люди поняли, что можно довольно дешево строить машин-лернинг модели, их как-то интегрировать и на этом просто начать зарабатывать, пока этого нет у других. То есть какое-то, не знаю, зарождение рекомендательных систем. Сейчас, очевидно, в мире стартапов своей рекомендательной системой ты не удивишь уже никого. То есть она просто как-то из коробки, любой человек может ее подсоединить, и она будет работать. В футболе сейчас ты можешь просто получить очень большое конкурентное преимущество за относительно небольшие деньги по сравнению с бюджетами футбольных клубов, но прямо здесь и сейчас пока этого нет ни у кого.

Саммер, ты как раз где-то посередине. Ты с одной стороны хорошо разбираешь технологию, с другой стороны умеешь думать про бизнес. Как вот эта конференция, на которой ты побывал и выступил, я так понимаю, довольно круто вообще выступить, как это повлияло? Обычно же как делается? Человек выступает, после этого к нему подходит и говорит «слушай, давайте проектик замутим».

Да-да-да, слушай, подходили многие люди. Поскольку это пока что довольно маленькая индустрия, я думаю, что я познакомился с больше, чем половиной людей, которые в ней есть. Очень, кстати, классная фишка, на которую я обратил внимание. Я вначале говорил, что когда ты пишешь футбольным людям в ЛинкдИне, тебя отвечает очень мало людей. После моего выступления на конференции стали отвечать практически все. То есть это, на самом деле, некоторый вход в индустрию, и некоторые супербольшие футбольные клубы европейские хотят созвониться.

А ты пытаешься продавать это исследование, этот инструмент?

Нет, слушай, сейчас я думаю, что я буду рад, если им просто кто-нибудь воспользуется.

Я хочу спросить про Россию. Ты сказал, типа, я съездил в Лондон, крутые европейские клубы хотят встретиться. А что в России?

Слушай, ну, Россия отстает в некотором плане, но в России все озарождается. Вот за буквально последние несколько недель были какие-то контакты и с российскими клубами, В России просто, на самом деле, немножко по-другому построена монетизация клубов. То есть они все, ну не все, но большинство из них квази-государственные, поэтому они не очень думают о том, как оптимально зарабатывать, тратить и так далее. Но в России, да, в России что-то происходит. На самом деле, мне кажется, что у российских клубов есть супер преимущество перед европейскими клубами, особенно из небольших стран, потому что дата-сайенс-тусовка. Поэтому не использовать этот ресурс, мне кажется, немножко даже греховно.

Блин, я надеюсь, что через 10 лет российские футболисты станут суперкрутыми, а получится благодаря российским программистам. Это было бы идеальное окончание этой истории. Через пару лет запишемся еще раз. Ну да, надеюсь. Самер. Посоветуй, что почитать, что посмотреть, как разобраться в Data Science применительных спортов.

Слушай, ну, Friends of Tracking. Там, на самом деле, очень много материалов супер базового уровня из разряда «Как научиться на Python (Пайтоне) с футбольными данными». Есть очень много тематических Telegram-каналов.

Назови какие-то важные.

Telegram-канал Laptop Coach. Это, кстати, футбольный термин. Есть сейчас довольно заметное поколение очень молодых немецких тренеров, которые типа супертехнологические.

То есть тренер, который ходит с ноутбуком.

Тренер, который ходит с ноутбуком, снимает тренировки с дронов и вот это все. Ну, в общем, да. Laptop Coach моего коллеги Кирилла. Серых блокнот. Канал Никиты Васюхина. Он работает в футбольной команде Рубин, Казань. И еще другой мой коллега Егор делает сайт XGLAB с открытой, продвинутой футбольной статистикой.

Супер. Ссылки на все эти ресурсы будут в описании к этому эпизоду. Ох, Саммер, спасибо тебе огромное.

Слушай, спасибо тебе, что позвал. И всем пока.

Это подкаст Студии Либо-Либо. И мы его сделали вместе с сервисом онлайн-образования Яндекс Практикум. На подкастом работали редактор Юлия Яковлева, младший редактор Ира Хан, продюсер Павел Боровков, звукорежиссер Нина Мамотина. За джингл спасибо Алексею Зеленскому.