Зарина Калиева 
При составлении прогнозов на баскетбольные матчи, например, во время «Мартовского безумия» в США, болельщики и эксперты постоянно задаются вопросом: что дает одной команде преимущество над другой? Является ли это статистика команды за сезон, сыгранность игроков, опыт тренерского штаба или ажиотаж вокруг лучшего бомбардира? Все эти факторы играют свою роль, но новое исследование ученых из MIT выявило еще одного ключевого участника, стабильно повышающего результативность команды – аналитика данных.
Исследование, опубликованное в этом месяце в «Journal of Sports Economics», количественно оценивает влияние инвестиций в баскетбольную аналитику на производительность команд. Авторы изучили профессиональный баскетбол, сравнив вложения каждой команды NBA в анализ данных с количеством побед за 12 сезонов. Выяснилось, что команды, нанимавшие больше аналитиков и в целом больше инвестировавшие в анализ данных, действительно выигрывали больше матчей.
Штат аналитического отдела оказывает положительное и статистически значимое влияние на количество побед команды даже с учетом таких факторов, как зарплатный фонд состава, опыт и сыгранность игроков, стабильность тренерского штаба и травмы игроков в течение сезона. Даже при учете всех этих переменных исследователи обнаружили, что глубина аналитической «скамейки» команды является последовательным предиктором ее побед.
Более того, удалось количественно оценить ценность баскетбольной аналитики на основе ее влияния на победы. Исследователи подсчитали, что каждые четыре пятых ставки одного аналитика данных приносят команде одну дополнительную победу за сезон. Интересно, что одну дополнительную победу команда также может получить, увеличив зарплатный фонд своего состава на 9,6 миллиона долларов. Это можно интерпретировать так, что вклад одного аналитика данных оценивается как минимум в 9 миллионов долларов.
Автор исследования Генри Ванг, аспирант MIT Sports Lab, говорит, что не знает ни одного аналитика, которому платили бы 9 миллионов долларов. Он отмечает, что все еще существует разрыв между тем, как ценятся игроки, и тем, как ценится аналитика.
Хотя исследование сосредоточено на профессиональном баскетболе, исследователи утверждают, что его выводы актуальны и за пределами NBA. Они предполагают, что университетские команды, использующие анализ данных, могут иметь преимущество перед теми, кто этого не делает, что стоит принять во внимание поклонникам «Мартовского безумия». Вероятно, то же самое относится к спорту в целом, а также к любой конкурентной сфере.
Соавтор исследования Арнаб Саркер, недавно получивший докторскую степень в Институте данных, систем и общества (IDSS) MIT, заявляет, что эта работа хорошо освещает вопрос о ощутимом влиянии аналитики больших данных не только в спорте, но и за его пределами. Он считает спорт отличной контролируемой средой для аналитики, но также выражает любопытство, в какой степени эти эффекты можно наблюдать в общей производительности организаций.
Соавтором исследования также является Анетт «Пеко» Хосои, профессор машиностроения в MIT.
В мире спорта количество и сфера деятельности аналитиков данных с годами росли. Роль спортивной аналитики в использовании данных и статистики для улучшения командных результатов была популяризирована в 2011 году фильмом «Moneyball», основанным на книге Майкла Льюиса 2003 года «Moneyball: Искусство побеждать в нечестной игре». Книга рассказывала о команде Oakland Athletics 2002 года и ее генеральном менеджере Билли Бине, использовавшем бейсбольную аналитику для побед над более богатыми командами Главной лиги бейсбола.
С тех пор анализ данных распространился на многие другие виды спорта в попытке использовать разнообразные и быстро меняющиеся источники данных, измерений и статистики. В баскетболе аналитики могут выполнять множество ролей: использовать данные для оптимизации здоровья игрока и минимизации риска травм, прогнозировать производительность игрока для информирования при выборе на драфте, приобретении свободных агентов и переговорах по контракту.
Работа аналитика данных также может влиять на стратегию во время игры. Характерный пример: за последнее десятилетие команды NBA стратегически перешли к более частым дальним трехочковым броскам после того, как президент по баскетбольным операциям Philadelphia 76ers Дэрил Мори определил, что статистически большее количество трехочковых бросков приводит к большему количеству побед. Сегодня каждая из 30 команд NBA нанимает как минимум одного специалиста по баскетбольной аналитике. И все же, хотя работа аналитика полностью основана на данных, данных о влиянии самих аналитиков не так много.
Генри Ванг отмечает, что команды и лиги тратят миллионы долларов на внедрение аналитических инструментов без реального понимания окупаемости инвестиций.
В своем новом исследовании ученые MIT стремились количественно оценить влияние аналитиков команд NBA, особенно на победы в играх. Для этого они обратились к крупным источникам спортивных данных, таким как ESPN.com и NBAstuffer.com — веб-сайт, содержащий огромный объем статистики по играм и командам NBA, включая нанятый персонал по баскетбольной аналитике. Менеджеры сайта собирают эту информацию на основе общедоступных данных, таких как официальные пресс-релизы команд и справочники персонала, а также профили в LinkedIn и X, новостные и отраслевые отчеты.
Для своего исследования Ванг и его коллеги собрали данные по каждой из 30 команд NBA за период с 2009 по 2023 год (NBAstuffer.com начал собирать данные о командах в 2009 году). Для каждой команды в каждом сезоне за этот период исследователи фиксировали «штатную численность аналитиков» — количество сотрудников отдела баскетбольных операций, занимающихся аналитикой. Они учитывали аналитиков данных, инженеров-программистов, спортивных ученых, директоров по исследованиям и другие технические должности по названию, а также сотрудников, которые формально не являются аналитиками, но известны своей активностью в сообществе баскетбольной аналитики. В целом, они обнаружили, что в 2009 году во всей NBA работало всего 10 аналитиков данных. В 2023 году это число выросло до 132, причем некоторые команды нанимали больше аналитиков, чем другие.
Ванг объясняет, что они пытались измерить уровень инвестиций команды в баскетбольную аналитику. Он добавляет, что лучшим показателем было бы, если бы каждая команда сообщила, сколько именно денег она тратила каждый год на свои исследования и разработки, инфраструктуру данных и аналитиков, но команды этого не делают. Поэтому штатная численность является следующим лучшим показателем.
Помимо численности аналитиков, исследователи также собрали данные о других переменных, влияющих на победы, таких как зарплатный фонд состава (выигрывает ли больше игр команда с более высокими зарплатами?), опыт состава (выигрывает ли больше игр команда с большим количеством ветеранов?), стабильность тренерского штаба (повлиял ли новый тренер на количество побед команды?) и травмы в сезоне (как травмы команды повлияли на ее победы?). Исследователи также учитывали «выездные спаренные матчи» — количество раз, когда команде приходилось играть две выездные игры подряд (влияет ли износ от постоянных поездок на победы?).
Исследователи ввели все эти данные в модель «двухфакторных фиксированных эффектов», чтобы оценить относительное влияние каждой переменной на количество дополнительных игр, которые команда может выиграть за сезон.
Ванг поясняет, что модель изучает все эти эффекты, позволяя увидеть, например, компромисс между количеством аналитиков и зарплатным фондом состава при вкладе в общее количество побед.
Их вывод о том, что команды с большим штатом аналитиков, как правило, выигрывают больше игр, не был совершенно неожиданным.
Ванг говорит, что мы все еще находимся на этапе, когда аналитик недооценен. Он полагает, что, вероятно, существует «золотая середина» с точки зрения численности персонала и побед. Нельзя нанять 100 аналитиков и ожидать, что в следующем сезоне команда выиграет все 82 матча. Но прямо сейчас многие команды все еще находятся ниже этой «золотой середины», и это конкурентное преимущество, которое предлагает аналитика, еще предстоит полностью использовать.
