业务挑战
体育运用大数据主要体现在以下三个方面： 预测比赛结果和奖牌归属；更好地训练运动员 。数据和模型驱动体育决策让获胜和成功变得更有可能，体育统计(Sports Analytics)成为体育竞争的“杀手锏”。
具体服务
要在运动中有效地使用分析，我们要知道如何处理数据、识别数据源、收集数据、组织和准备进行分析、从数据构建模型。
从面向体育组织的咨询工作中，推动“数据科学即服务”。最终，实施我们的想法和模式。
数据源准备
随着网络的发展，数据来源丰富，有文本数据以及数字数据。通过爬虫技术抓取网络并利用应用程序编程接口（API），可以从公共数据源中获取很多信息。
构造
想要更好地了解在这些场景中大数据是如何进行预测性分析的，我们需要考虑在预测比赛时所需处理的数据性质。
首先确定关键指标，可用数据包括国别、赛事、成绩、运动员姓名、年龄、过往表现记录、赛场温度、观众出席率、昼夜等。
划分训练集和测试集
确定指标后，把数据分成两个子数据集，即训练数据集和测试数据集。
数据洞察
球员薪酬情况
职业运动队在劳动力市场上相互竞争，而明星球员的劳动力供不应求。薪资上限是保持竞争平衡所必需的,工资也帮助球队限制球员的支出。
美国最专业的运动员有薪资上限。NFL队的2016年薪金上限为5328万美元，平均工资约为270万美元。NBA球队在16赛季的薪金上限为7000万美元，球队的薪金上限以服务年限。例如，拥有十年经验的勒布朗·詹姆斯，最高工资为2300万美元。安东尼·戴维斯的平均工资为2900万美元，是NBA球员中最高的 。2016年MLB的年薪最低为505,700美元。底特律老虎队Miguel Cabrera（MLR）的MLB年薪最高为3100万美元。
下图显示了2016年8月MLB，NBA和NFL的球员薪酬情况。
NFL球员的平均工资约为170万美元，中位数为63万美元。NBA球员的平均工资约为510万美元，中位数为280万美元。MLB玩家的平均工资约为410万美元，中位数为110万美元。同时可以看到明星球员的薪资远高于普通球员，拉高了平均水平。
团队支出和胜率的关系
从2016赛季初的团队支出和在常规赛中胜率的关系图中，我们可以看到团队支出对是否能赢得比赛有直接影响。
出席观众和日期的关系
从中我们可以发现日期和出席情况的关系，从而找到用于预测和评估出席率的模型。
球队实力表现
根据15年到16年NBA常规赛的20项指标进行综合分析，我们对 NBA参赛球队进行排序，评出最具实力的球队。
建模
预测观众出席人数——线性模型
估计获胜概率——蒙特卡罗模拟
当我们发现胜率符合经验分布的时候,使用蒙特卡罗模拟方法来估计某个队伍的获胜概率。
预测结果
可以看出，预测值的趋势已经基本与真实趋势保持一致。
模拟结果
通过对比赛日双方球队的表现模拟，我们得到下面的获胜概率热图，从ROC曲线的表现来看，模拟效果理想。
展望
除了以上列举的一些方法， 已经在尝试更复杂的体育统计模型，如深度学习（Long Short-Term Memory网络、卷积神经网络（CNN））等；同时需要考虑到模型的可解释性、可落地性和可扩展性、避免“黑箱”预测；还在尝试采用混合的机器学习模型，比如GLM+SVR，GAM+ NNET等。
用数据驱动体育决策，这种看待体育的独特视角让我们能更好地察觉趋势、选取角度，同时帮助体育爱好者更深入地理解他们喜爱的运动队。
点击标题查阅往期内容
基于R语言的lmer混合线性回归模型
Python用PyMC3实现贝叶斯线性回归模型
python用线性回归预测股票价格
R语言中Gibbs抽样的Bayesian简单线性回归
R语言线性判别分析（LDA），二次判别分析（QDA）和正则判别分析（RDA）
R语言解决最优化运营研究问题-线性优化(LP)问题
R和Python机器学习:广义线性回归glm，样条glm，梯度增强，随机森林和深度学习模型分析
SPSS中的等级线性模型Multilevel linear models研究整容手术数据
R语言中实现马尔可夫链蒙特卡罗MCMC模型
使用R语言进行Metroplis-in-Gibbs采样和MCMC运行分析
R语言中的Stan概率编程MCMC采样的贝叶斯模型
R语言Copula的贝叶斯非参数MCMC估计
更多内容，请点击左下角“阅读原文”查看
关注我们
案例精选、技术干货 第一时间与您分享
长按二维码加关注
更多内容，请点击左下角“阅读原文”查看
