จบกันไปแล้วกับฟุตบอลโลก FIFA World Cup 2022 ที่ประเทศกาตาร์กับผู้ชนะที่คว้าแชมป์ในรอบ 36 ปีอย่างอาร์เจนติน่า ซึ่งตีคะแนนนำฝรั่งเศสไปถึง 2 ประตูในรอบชิงชนะเลิศ ก่อนหน้านี้หลายคนอาจได้เห็นบทความการทำนายผลผู้ชนะก่อนการแข่งขันในครั้งนี้จะเกิดขึ้นโดยใช้ Data และเครื่องมืออย่าง AI และ Machine Learning ที่ผลการทำนายผู้ชนะล่วงหน้าจะเอนเอียงไปที่บราซิล ผู้ที่เคยทำประตูชนะประเทศอื่นไปได้มากถึง 25 เปอร์เซ็นต์จากการแข่งขัน 100,000 ครั้งที่ผ่านมา
สิ่งที่ควรโฟกัสในการทำนายผลผู้ชนะครั้งนี้ไม่ใช่การที่บราซิลไม่ใช่ผู้ชนะตามที่คาดการณ์เอาไว้ แต่อยู่ที่ว่าทีมฟุตบอลแต่ละทีมทำการบ้านกับ Data จากการแข่งขันในรอบที่ผ่านมา มาใช้สำหรับพลิกเกมให้กลับมาชนะได้อย่างไรต่างหาก
ในบทความนี้เราจะมาเจาะลึกว่า Data Science มีความสำคัญกับวงการฟุตบอลอย่างไร ปัจจัยไหนบ้างที่ถูกนำมาประเมินเพื่อการวางแผนในการลงแข่ง และมีเครื่องมือตัวไหนบ้างที่เข้ามาช่วยในการประมวลผลโอกาสแพ้ชนะในการแข่งขันฟุตบอลโลกครั้งนี้
เลือกอ่านหัวข้อที่คุณสนใจ
ทำไมต้องใช้ Data Science ในวงการฟุตบอล?
หนึ่งในเหตุผลหลักที่ทีมฟุตบอลควรใช้ Data Science คือ เพื่อหลีกเลี่ยงการซื้อตัวผู้เล่นที่จะทำผลงานได้ไม่ดีเข้ามาในสโมสร ตัวอย่างเช่น การซื้อตัว Fernando Torres จาก Liverpool ไป Chelsea ด้วยค่าตัวเกือบ 2,000 ล้านบาท ซึ่งในฐานะนักเตะ Liverpool Torres เคยทำไป 80 ประตูด้วยตัวเองและ 22 แอสซิสต์ จากการลงเล่นทั้งหมด 145 นัด
จากผลงานนั้นทำให้ Chelsea ตัดสินใจซื้อตัว Torres มาที่สโมสรเพราะต้องการกองหน้า แต่ผลลัพธ์กลับไม่เป็นไปอย่างที่คาดเอาไว้ ในฐานะนักเตะ Chelsea Torres ยิงไปได้แค่ 45 ประตู ด้วยตัวเองและ 35 แอสซิสต์ จากการลงเล่นทั้งหมด 171 นัด
อีกตัวอย่างหนึ่งคือ Robinho ที่ย้ายจาก Real Madrid ไป Manchester City ด้วยค่าตัวเกือบ 1,300 ล้านบาท ซึ่งถือเป็นการเซ็นสัญญาที่แพงที่สุดในอังกฤษ ณ เวลานั้น ที่ Real Mandrid Robinho ทำไปได้ 34 ประตูด้วยตัวเองและ 27 แอสซิสต์ จากการลงเล่นทั้งหมด 137 นัด แต่พอย้ายมา Manchester City เขายิงได้แค่ 16 ประตูด้วยตัวเองและ 12 แอสซิสต์ จากการลงเล่นทั้งหมด 53 นัด ด้วยเหตุนี้เขาจึงถูกส่งต่อไปให้ AC Milan ในราคาที่ต่ำกว่า 1,000 ล้านบาท
ตัวอย่างเหล่านี้แสดงให้เห็นถึงความสำคัญของ Data Science ซึ่งจะช่วยทำให้ทีมฟุตบอลหลีกเลี่ยงการใช้จ่ายมากเกินไปกับผู้เล่นหนึ่งคนหรือหลายคน รวมถึงการช่วยคัดผู้เล่นเข้ามาในทีมอย่างมีประสิทธิภาพและเหมาะกับสไตล์การเล่นของทีมด้วย
ก่อนที่ Machine Learning จะถูกพัฒนาขึ้นมา กลุ่มคนบางกลุ่มที่ทำงานในสโมสรจะถูกมอบหมายให้นับสถิติพื้นฐานสำหรับผู้เล่นและทีม เช่น จำนวนประตูที่ยิงได้ด้วยตัวเอง, ประตูในการเป็นผู้ช่วยส่งต่อลูกบอล และ การครองบอล ซึ่งในตอนนั้นสถิติเหล่านี้ช่วยเพิ่มการมีส่วนร่วมกับแฟนๆของทีมเท่านั้น ไม่เกี่ยวกับการวางแผนการฝึกซ้อมภายในทีม
หลังจากที่เทคโนโลยี ML พัฒนาขึ้น โดยเฉพาะในแขนงของ Computer Vision หรือปัญญาประดิฐษ์สำหรับรูปภาพ หรือวิดีโอ ผู้ให้บริการข้อมูล (Data Provider) อย่าง StatsBomb สามารถบันทึกสถิติได้มากกว่าวิธีการก่อนหน้านี้ เช่น จำนวนการส่งบอล, การยิง และ การสกัดกั้น เป็นต้น นอกจากตัวเลขสถิติแล้ว StatsBomb ยังสามารถบันทึกตำแหน่งที่เหตุการณ์นั้นๆเกิดขึ้นได้อีกด้วย ซึ่งข้อมูลนี้สามารถสร้างตัวชี้วัดขั้นสูง เช่น โอกาสที่ผู้เล่นควรจะทำประตูได้ (Expected Goal หรือ xG), โอกาสที่ผู้เล่นควรจะจ่ายลูกแอสซิสต์ (Expected Assist หรือ xA) และโอกาสที่ผู้เล่นจะทำประตูพลาด (Expected Threat หรือ xT)
Data Science กับ Case ที่ถูกใช้ในวงการฟุตบอล
- ประสิทธิภาพของทีมและการแข่งขัน (Team & Match Performance)
ด้วยการวิเคราะห์ขั้นสูง ทีมจะใช้ประโยชน์จากข้อมูลประสิทธิภาพของผู้เล่น, การแข่งขัน, คลิปวีดีโอที่ไม่ได้มีการตัดต่อเพิ่ม, โอกาสที่ผู้เล่นควรจะทำประตูได้, โอกาสที่ผู้เล่นควรจะจ่ายลูกแอสซิสต์ และสัญญาณจากข้อมูลที่มีเพื่อทำความเข้าใจและเพิ่มประสิทธิภาพศักยภาพในเชิงลึก ซึ่งข้อมูลเหล่านี้สามารถบ่งชี้ได้ว่าทีมทำงานได้ดีเพียงใดมากกว่าการอาศัยดูแค่คะแนนเพียงอย่างเดียว
- ประสิทธิภาพของผู้เล่น (Player Performance)
ด้วยการใช้เมตริกที่คำนวณจาก Event Data ที่ได้จากข้อมูลประเภทวิดีโอ หรือรูปภาพ เช่น การจ่ายบอล, การโหม่ง และการเซฟ ทีมสามารถระบุผู้เล่นที่ทำผลงานได้สูงหรือต่ำกว่าเกณฑ์, ระบุจุดที่ต้องได้รับการปรับปรุงพัฒนา และเลือกผู้เล่นที่ดีที่สุดเท่าที่จะเป็นไปได้สำหรับแผนการเล่นหรือสไตล์การเล่นที่กำหนด
- การเพิ่มประสิทธิภาพการเล่นลูกตั้งเตะ (Set-piece Optimization)
การปรับปรุงประสิทธิภาพของลูกเตะมุมและฟรีคิกเป็นวิธีที่เร็วที่สุดในการเพิ่มจำนวนประตู การวิเคราะห์เชิงพื้นที่สามารถช่วยกำหนดแนวทางที่ดีที่สุดสำหรับการวางท่าและองศาให้กับผู้เล่นได้ เช่น ลูกเตะเปิดโค้งจากมุมซ้าย-ขวา (In-swinging Corner และ Out-swinging Corner)
- การรับสมัครผู้เล่น (Player Recruitment)
การเลือกนักเตะคนต่อไปเป็นหนึ่งในการตัดสินใจที่ยิ่งใหญ่ที่สุดสำหรับทีม ด้วยอานุภาพของข้อมูลทำให้ทีมสามารถหาผู้เล่นที่ตลาดมองข้ามหรือให้คุณค่าต่ำเกินไป และได้ผู้เล่นที่มีทักษะเฉพาะตัวที่ทีมกำลังมองหา ซึ่งสิ่งนี้จะช่วยให้ทีมเล็กสามารถแข่งขันกับทีมใหญ่กว่าที่มีเงินทุนที่ดีได้
- การเพิ่มประสิทธิภาพการเทรนผู้เล่น (Training Optimization)
ข้อมูลนี้สามารถใช้ในการช่วยตัดสินใจว่าควรโฟกัสในจุดไหนในเวลาฝึกซ้อม พร้อมทั้งติดตามความพร้อมของผู้เล่น สิ่งนี้ช่วยให้ผู้เล่นไม่บาดเจ็บ, ไม่เกิดการเทรนที่หนักเกินไป (Overtraining) และปรับเพิ่มปรับลดการฝึกซ้อมเพื่อปรับปรุงจุดอ่อนของผู้เล่น
- การวางแผนเกมและกลยุทธ์ (Gameplanning & Strategy)
การใช้เทคนิคเดียวกันนี้ในการวิเคราะห์การแข่งขันและประสิทธิภาพของผู้เล่น ทีมยังสามารถวิเคราะห์ประสิทธิภาพของคู่ต่อสู้และระบุจุดอ่อนได้ ข้อมูลที่มีในมือสามารถใช้เป็นเครื่องมือในการคิดค้นกลยุทธ์และแผนการเล่นที่ปรับให้เหมาะสมกับสไตล์การเล่นของทีมได้
Data Science ถูกนำมาใช้ใน Fifa World Cup 2022 อย่างไร?
ในการแข่งขันฟุตบอลโลกครั้งนี้ เจ้าหน้าที่ FIFA ตั้งใจนำ AI เข้ามาเพื่อลดความขัดแย้งในการตัดสินให้เหลือน้อยที่สุด การเก็บข้อมูลและสถิติใน FIFA World Cup 2022 ครั้งนี้ เริ่มต้นมาตั้งแต่ลูกฟุตบอลที่ผู้เล่นใช้ในสนามจริง ลูกฟุตบอล Al Rihla ซึ่งถูกคิดค้นจากแบรนด์กีฬาอย่าง Adidas ถูกเติมเต็มเข้าไปด้วยเทคโนโลยีล้ำสมัย โดยจะมีเซ็นเซอร์ตรวจจับการเคลื่อนไหวอยู่ข้างใน
เซ็นเซอร์นี้จะรายงานข้อมูลตำแหน่งที่แม่นยำบนลูกบอลมากถึง 500 ครั้งต่อวินาที ซึ่งสัญญาณจากเซ็นเซอร์ในลูกบอลจะถูกเชื่อมโยงกับระบบวีดีโอผู้ช่วยผู้ตัดสิน (Video Assistant Referees หรือ VAR) แบบใหม่ และส่งข้อมูลแบบเรียลไทม์ไปยังเจ้าหน้าที่ควบคุมระบบ VAR ในระหว่างการแข่งขันเพื่อช่วยให้ผู้ตัดสินทำการตัดสินได้รวดเร็วและแม่นยำยิ่งขึ้น ที่เข้ามาช่วยซัพพอร์ทเทคโนโลยีการล้ำหน้ากึ่งอัตโนมัติ (Semi-Automated Offside Technology หรือ SAOT) เพื่อตรวจสอบว่าผู้เล่นคนไหนล้ำหน้า
ตัวระบบ VAR จะมีกล้องวงจรปิด 12 ตัวซึ่งติดตั้งอยู่ภายใต้หลังคารอบๆสนามกีฬาทั้ง 8 แห่งในกาตาร์ เพื่อติดตามลูกบอลที่เต็มไปด้วยเซ็นเซอร์และจุดข้อมูล (Data Point) ทั้งหมด 29 จุดบนร่างกายของผู้เล่นแต่ละคน มากถึง 50 ครั้งต่อวินาที ซึ่งจุดข้อมูลที่ติดตามแขนขาของผู้เล่นและตำแหน่งของลูกบอลจะถูกป้อนเข้าสู่ระบบ AI ช่วยให้ผู้ตัดสินสามารถเรียกจุดโทษได้อย่างแม่นยำ หลังจากนั้นการแจ้งเตือนอัตโนมัติจะถูกส่งไปยังเจ้าหน้าที่ภายในห้องตัดต่อวิดีโอ ซึ่งจะสามารถตรวจสอบการตัดสินก่อนที่จะแจ้งให้ผู้ตัดสินรู้ว่าถูกหรือผิด
นอกจากนี้ในระหว่างการแข่งขันผู้เล่นสามารถเข้าถึงข้อมูลต่างๆ เช่น สถิติส่วนตัวของตนเอง, ภาพถ่ายการแข่งขัน และวิดีโอรีเพลย์จากการแข่งขันตามต้องการผ่านแอปพลิเคชันที่สามารถเข้าได้เฉพาะผู้ที่เกี่ยวข้องในการแข่งขันครั้งนี้เท่านั้น (Dedicated Applicaion) เพื่อประเมินศักยภาพตัวเองก่อนลงแข่งเพื่อเอาชนะทีมคู่แข่งในรอบถัดๆไป หรือที่เรียกกันว่าการวิเคราะห์การเผชิญหน้ากับผู้เล่น (Player-Facing Analytics)
ซึ่งหลังจากที่ข้อมูลได้ถูกเก็บจากเทคโลโลยี AI ต่างๆแล้ว ข้อมูลและสถิติการแข่งขันครั้งล่าสุดนี้ก็จะถูกนำมารวมกับข้อมูลและสถิติจากการแข่งขันในอดีตทั้งหมด และนำไปต่อยอดเพื่อใช้ Machine Learning ในการทำนายผลผู้ชนะในการแข่งขันฟุตบอลโลกครั้งต่อไป
บทสรุป
ทุกคนจะเห็นได้ว่า Data Science สามารถเข้าไปช่วยธุรกิจ ในกระบวนการต่างๆ ไม่ใช่เฉพาะการนำข้อมูลไปต่อยอดทำ Machine Learning Model สำหรับทำนาย หรือคาดการณ์เหตุการณ์เพียงอย่างเดียว แต่ยังรวมไปถึงการนำโมเดลมาช่วยในการเก็บข้อมูลอีกด้วย เช่น การใช้โมเดล Computer Vision มาเก็บข้อมูล Event Data ต่างๆของผู้เล่นในสนาม เพื่อนำไปวิเคราะห์ประสิทธิภาพของผู้เล่นต่อ
ดังนั้นความเข้าใจ ในการประยุกต์ใช้ Data Science กับธุรกิจในกระบวนการต่างๆ จึงมีความสำคัญในการเพิ่มประสิทธิภาพ หรือลดค่าใช้จ่ายให้กับธุรกิจ จึงจำเป็นจะต้องมีผู้เชี่ยวชาญอย่าง Predictive ที่เข้าใจกระบวนการของธุรกิจตั้งแต่หลังบ้านไปจนถึงหน้าบ้าน และสามารถหา Solution ที่ตอบโจทย์ในแต่ละกระบวนการของธุรกิจได้อย่างเหมาะสม หากใครสนใจอยากผลักดันให้ธุรกิจเติบโตอย่างมีทิศทาง แต่ยังไม่รู้จะเริ่มจากตรงไหน สามารถคลิก “ติดต่อ Predictive” ด้านล่างนี้ได้เลยครับ