Números e estatísticas são cada vez mais influentes no mundo dos esportes. Nos Estados Unidos, a paixão pelos dados e pelos números de escalte, isso, a análise do desenvolvimento dos atletas, é tão grande que ganhou as telas, em filmes como “O Homem que mudou o jogo”, com Brad Pitt no elenco. Por isso, usar a revolução proporcionada pelo big data no esporte não se trata apenas de uma boa ideia: é inevitável.
Logo, nada mais equivocado do que a ideia de que o big data é algo que só pode ser usado em processos extremamente tecnológicos, longe dos olhos do público.
No esporte, o volume de dados gerados pelo desempenho dos praticantes das diversas modalidades é uma verdadeira mina de ouro para uma análise qualificada, fornecida pelo big data, produzindo estatísticas extremamente precisas que vão basear o planejamento e as decisões de treinadores, preparadores físicos e dos próprios atletas.
Como as modalidades usam o big data no esporte?
As aplicações do big data no esporte são tantas, que fica difícil a indicação de tudo neste post, mas vamos ver alguns exemplos da sua utilização em modalidades com grandes números de apreciadores no Brasil e no mundo.
Futebol
Os sensores presentes nos uniformes dos jogadores de futebol profissional permitem a criação de mapas de calor, que traduzem as posições que eles mais ocuparam em campo, e de gráficos que apontam os seus padrões de deslocamento e de velocidade, além de dados que podem indicar o seu estado físico ao longo do jogo.
Com esses dados, o treinador pode optar por ampliar ou reduzir a pressão sobre o adversário, ou pode decidir o momento mais adequado para uma substituição.
Fórmula 1
Os carros de corrida são cobertos por centenas de sensores, que geram dezenas de gigabytes de informação, a cada final de semana de provas, para serem analisadas em tempo real pelos engenheiros. Dados sobre o comportamento aerodinâmico do carro, do motor e dos sistemas elétrico e hidráulico orientam as intervenções do piloto e da equipe, indicando a hora certa de parar e as melhores estratégias de corrida.
Basquete
Na NBA, além das informações sobre o desempenho dos atletas, inclusive dos adversários – algo como calcular as probabilidades de acerto de um jogador a uma determinada distância da cesta, em um ângulo X, com ou sem marcação – o big data proporcionou a criação de sites, repletos de vídeos e estatísticas sobre as equipes e jogadores mais populares, aumentando os page views, ano a ano, desde 2014.
As análises de big data são usadas até para orientar o recrutamento de novatos nas ligas universitárias, usando algumas variáveis mais valorizadas pelas equipes como referência para avaliação.
Vôlei
Um dos pioneiros no uso de big data, o vôlei mede o desempenho em fundamentos como saque, recepção e ataques, para avaliar os pontos fortes e as melhores estratégias para os diversos momentos da partida, assim como fatores relacionados ao condicionamento físico.
A Seleção Brasileira, por exemplo, acompanha indicadores como frequência cardíaca, esforço muscular, níveis de impulso, tempo de resposta e movimentação coletiva em quadra.
Dessa forma, o big data no esporte pode mudar as regras do jogo, em diversas modalidades, auxiliando jogadores, técnicos e demais membros da equipe, promovendo vitórias e contribuindo para o sucesso do time.
Quer saber mais sobre como o mundo está mudando com a utilização do big data no esporte e em outros setores de nossas vidas? Siga a gente nas redes sociais. Estamos no Facebook, no Linkedin e no Google+.
Olá Leandro.
Acredito que o potencial da área de Business Intelligence dentro das empresas pode ser maior do que se imagina hoje.
Trabalho com consultoria de B.I. para agencias e empresas, e enfrentamos diariamente dois grandes problemas.
1- Padronização dos dados: Como utilizamos muitas fontes de dados, todo o processo, desde o que a implementação, até a parte operacional, precisa ser muito bem estruturada. Sem o padrão das informações perde-se muito tempo com “correção”, sendo que “tempo” não é o que temos para identificar um padrão, pois no dia seguinte ele pode mudar se não o tratarmos.
2- Pessoas que não sabem o que querem: Corporações não sabem o que querem, logo querem tudo. O problema é que sabemos que não tudo não é necessário, se consegue identificar padrões e otimizações com metade do volume. Sendo assim o processo de otimização passa a ser inteligente para ser operacional.
O futuro da área esta encaminhando para segmentações e clusterizações dinâmicas para analise de Big Data, mas se o processo de todos envolvidos precisa ser muito bem desenhado e a área de B.I. precisa ter este knowhow também.
Obrigado e muito bom seus artigos.
Oi João, obrigado pelo seu comentário! Concordo com você!
Realmente, a padronização dos dados é o ponto mais sensível mesmo. Aqui estimamos em torno de 60% a 70% do tempo em um projeto de BI apenas para esta parte.
Sobre as pessoas não saberem o que querem, aqui vemos como uma certa vantagem. Muitas vezes não é nem exatamente não saber o que querem, mas não saberem o que é possível fazer. Com isso, parte do nosso trabalho aqui é exatamente entender do que o cliente sofre aí então sugerir algumas coisas. Tentamos não ir para uma abordagem de “o que você quer” mas sim de “quais são seus problemas”.
Isso me deu até a ideia de criar um post focado nisso, vou deixar anotado para o futuro!
Existe uma técnica chamada Árvore de Realidade Presente, da Teoria das Restrições, que lida justamente com essa barafunda de problemas e entendimentos. Eu experimentei a mesma frustração que você, João, e decidi resolver esse problema. A imagem https://geekbi.files.wordpress.com/2020/10/bi_toc-crt-x.png é um resumo do que eu tenho até agora.
Adoraria uma contribuição. “O cliente não sabe o que quer” já está lá. “Dados são sujos” e “Dados são bagunçados” me parecem boas adições.
O que você acha? E você, Leandro?
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
[…] de BI — Business Intelligence ou, traduzindo, Inteligência Empresarial — é justamente o diferencial que uma empresa precisa para tratar dados gerados por vários meios. Veja alguns contextos que podem servir de […]
eu precisava para compor você uma pouco de note ajudar diga obrigado again com o extraordinário conselhos você compartilhado nesta página . Foi certamente maravilhosamente generoso com você dando abertamente tudo o que muitas pessoas {poderiam ter | poderiam possivelmente ter | poderiam ter | teriam | distribuído para um ebook para gerar alguma massa para eles mesmos , especialmente considerando que you poderia ter tried it se você nunca desejado . Those estratégias também agido como outras pessoas tenha semelhante desire como my own entender bom negócio mais relacionado este assunto . Eu tenho certeza há alguns mais agradáveis ocasiões ahead para pessoas que ver seu site
Bom dia,
Há muita diferença das versões do livro The Data Warehouse Toolkit?
Vejo que ele esta na 3 edição.
Posso comprar apenas a 3 ou devo comprar todas?
Oi Marcos!
Há algumas atualizações com conceitos mais atuais. Não precisa comprar todas as edições não, apenas a 3a já cobre tudo que precisa.
Sim e não. A maior diferença é entre a primeira edição e as restantes. Da segunda edição em diante, quando a Margy Ross assumiu o livro, é tudo mais ou menos o mesmo.
A primeira edição, que por acaso chegou a ser publicada em português, é a melhor, na minha opinião. Ela é mais concreta, menor e mais focada. Se conseguir achá-la, compre. Vale ouro.
Sobre o comentário do João Kechichian, concordo em relação às empresas não terem claro o que querem, e concordo com o Leandro sobre a abordagem de “Qual o seu problema” para dar as sugestões.
Mas vale ressaltar que as empresas não conseguem identificar o que querem por não terem claro um Planejamento Estratégico e objetivos bem descritos. Isso facilita muito perceber quais indicadores serão necessários acompanhar para atingir os resultados esperados.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
Parabéns por trazer a CRISP-DM de volta ao tablado. O “produtocentrismo” que assola o mercardo de BI pressiona os players a comprar o último brinquedo, a seguir a última moda, quando quase tudo que tem algum uso prático já existe há décadas – como o CRISP-DM
Seria legal um artigo um artigo comparando-o com SEMMA. Pode ser muito interessante para quem entrou na área há menos de 20 anos.