คงจะมีสักช่วงเวลาที่โค้ชและผู้จัดการทีมทำการกีฬาตัดสินใจทุกอย่างด้วยสัญชาตญาณครับ ใครควรลงสนาม ใครควรออก กลยุทธ์ไหนที่ใช้ได้กับคู่แข่งทีมนี้ ทั้งหมดนั้นมาจากประสบการณ์และความรู้สึกที่สั่งสมๆมาหลายๆสิบปี
แล้วในทางเดียวกัน ก็มีช่วงเวลาหนึ่งที่ทุกอย่างเปลี่ยนไปครับ
ปี 2002 Oakland Athletics ทีมเบสบอลที่มีงบประมาณน้อยที่สุดทีมหนึ่งในลีก ใช้การวิเคราะห์ข้อมูลทางสถิติสร้างทีมที่แข่งขันได้กับทีมที่รวยกว่าหลายเท่า เรื่องนี้ถูกเขียนเป็นหนังสือชื่อว่า Moneyball และสร้างเป็นหนังที่หลายคนคงเคยดู(มั้ง)
แต่สิ่งที่น้อยคนรู้คือ Moneyball เป็นแค่จุดเริ่มต้นครับ ในช่วง 20 ปีที่ผ่านมา sports analytics พัฒนาไปไกลกว่านั้นมากจนแทบจำไม่ได้แล้วว่าวงการกีฬาที่เราเคยเห็นกัน แต่ก่อนเค้าทำงานโดยไม่มีข้อมูลได้ยังไง ?
Moneyball และจุดเริ่มต้นของ Sports Analytics
ก่อนจะไปถึงปัจจุบัน ขอย้อนกลับไปที่เรื่องนี้สักแป้ปนึงก่อน เพราะมันสำคัญมากในฐานะ case study ที่เปลี่ยนวิธีคิดของทั้งวงการกีฬา และวงการ Data Analytics
Billy Beane ผู้จัดการของทางทีม Oakland Athletics กำลังมีปัญหาง่ายๆ ก็คือ “งบประมาณ” เขาน้อยกว่าทีมใหญ่อย่าง New York Yankees เกือบสามเท่า แต่ยังต้องมาทำการแข่งในลีกเดียวกัน
วิธีที่เขาใช้คือจ้าง “นักวิเคราะห์สถิติ” มาหาว่าตัวชี้วัดไหน(ที่เราอาจจะคุ้นกันในชื่อ KPI สำหรับภาษาองค์กร) ที่บ่งบอกความสำเร็จของทีมได้จริงๆ คำตอบที่ได้ขัดกับ conventional wisdom ของวงการมากครับ เพราะผู้เชี่ยวชาญส่วนใหญ่มักจะมองไปที่ batting average แต่ข้อมูลบอกว่า on-base percentage สำคัญกว่ามากๆ ทีมอื่นมองข้ามตัวชี้วัดนี้กัน เพราะมันไม่ได้อยู่ในความเชื่อดั้งเดิม นั่นเลยทำให้ทางทีม Oakland เลยซื้อผู้เล่นที่มี on-base percentage สูง แต่ราคาถูกเพราะทีมอื่นไม่ได้เห็นคุณค่าตรงนี้
ผลคือ Oakland ชนะติดต่อกัน 20 นัดในปีนั้น ทำลายสถิติในลีก และพิสูจน์ว่า “ข้อมูล” สามารถสร้างความได้เปรียบในสนามแข่งได้จริงครับ
พอได้เห็นแบบนั้นเข้า ทีมอื่นๆในลีกก็เริ่มลงทุนในการทำ analytics อย่างจริงจัง เพราะรู้แล้วว่าถ้าไม่ทำก็จะเสียเปรียบแน่นอน
ฟุตบอลโลกและการใช้ Data ที่ซับซ้อนมาก
ฟุตบอลคือกีฬาที่ “วิเคราะห์ข้อมูลยากที่สุด” ชนิดหนึ่งเลยล่ะครับ เพราะมันเป็น continuous sport ที่เหตุการณ์เกิดขึ้นพร้อมกันในหลายๆจุดและไม่ได้มีหยุดทุกครั้งก่อนที่เล่น ต่างจากเบสบอลที่มีการหยุดชัดเจนระหว่างทุกๆ play
แต่วงการฟุตบอลก้าวหน้าไปไกลมากๆในช่วง 10 ปีที่ผ่านมา ยกตัวอย่างเช่น
- Expected Goals หรือ xG คือตัวชี้วัดที่เปลี่ยนวิธีคิดที่แฟนบอลและโค้ชมองเกมครับ แทนที่จะดูแค่ว่าทีมยิงได้กี่ประตู ตัวค่า xG นี้ตะคำนวณว่าแต่ละโอกาสในการยิงนั้น มีความน่าจะเป็นเท่าไหร่ที่จะกลายเป็นประตู โดยพิจารณาจากตำแหน่งที่ยิง มุมของการยิง และประเภทของการเข้าถึงบอล
- ผลก็คือ ทีมที่มี xG สูงแต่ยังไม่ได้ประตูมากนักในสองสามนัดแรก อาจกำลังเล่นได้ดีกว่าที่คะแนนบอก และโค้ชที่เข้าใจตัวชี้วัดนี้จะไม่ panic แล้วดันไปเปลี่ยนกลยุทธ์ทั้งหมดเพียงเพราะโชคอาจจะยังไม่เข้าข้างครับ
- Tracking Data หรือข้อมูลการเคลื่อนที่ อันนี้คือสิ่งที่น่าทึ่งมากครับสำหรับวงการนี้ ลีกชั้นนำของโลกทุกๆสนามจะมีกล้องหลายสิบตัวติดตามตำแหน่งของผู้เล่นทุกคน รวมไปถึงลูกบอลทุกเสี้ยววินาที ข้อมูลนี้บอกได้ว่าผู้เล่นแต่ละคนวิ่งไปกี่กิโลเมตร วิ่งด้วยความเร็วสูงสุดเท่าไหร่ รับส่งบอลในพื้นที่ไหนบ้าง และเมื่อตัดสินใจครอบครองบอลแต่ละครั้งมี นักบอลคนนั้น จะมี option ไหนบ้างที่เขามองเห็นและมองไม่เห็น
- Liverpool ภายใต้ Jurgen Klopp คือตัวอย่างที่ดีมากครับ พวกเขาใช้ data analytics อย่างเข้มข้นในการสรรหาผู้เล่นที่เหมาะกับระบบการเล่นในเกมนั้นๆ แทนที่จะซื้อชื่อเสียงหรือตามกระแส ผลคือเค้าสามารถสร้างทีมที่แข่งขันได้ในระดับยุโรปโดยไม่ต้องใช้งบประมาณมหาศาลเหมือนบางทีมครับ
Wearable Tech และ Biometric Data ในนักกีฬาระดับโลก
นี่คือส่วนที่ผมคิดว่าน่าตื่นเต้นที่สุดในยุคนี้ครับ เพราะมันไม่ใช่แค่การวิเคราะห์ว่าผู้เล่นทำอะไรในสนาม แต่เป็นการเข้าใจว่าร่างกายของเขาอยู่ในสภาพไหน
นักกีฬาระดับโลกในปัจจุบันสวมใส่อุปกรณ์ที่เก็บข้อมูลชีวภาพตลอดเวลาครับ ไม่ว่าจะเป็นทั้งอัตราการเต้นของหัวใจ ระดับ lactate ในกล้ามเนื้อ คุณภาพการนอนหลับ ระดับความเครียด และตัวชี้วัดการฟื้นตัวอีกสิบกว่าตัวแปร
ทีมแพทย์และโค้ชใช้ข้อมูลเหล่านี้ตัดสินใจครับว่าผู้เล่นคนไหนพร้อมลงสนาม 100% คนไหนควรพักซ้อมเพื่อป้องกันการบาดเจ็บ และโปรแกรมการฝึกซ้อมของแต่ละคนควรหนักเบาแค่ไหนในแต่ละวัน
ผลที่เห็นได้ชัดคือ “อัตราการบาดเจ็บ” ในทีมระดับโลกลดลงอย่างมีนัยสำคัญในช่วง 10 ปีที่ผ่านมา เพราะแทนที่จะซ้อมหนักตามตารางที่วางเอาไปเป้ะๆ ทีมที่ใช้ biometric data จะซ้อมหนักเมื่อร่างกายพร้อม และลดการซ้อมลง เมื่อสัญญาณของร่างกายในตัวนักกีฬานั้น บอกว่าเสี่ยงเกินไป
Rafael Nadal เคยพูดถึงการใช้ข้อมูลในการวางแผนตารางแข่งขันและฟื้นฟูร่างกายครับ ซึ่งช่วยให้เขาสามารถไปแข่งขันในระดับสูงได้ยาวนานกว่าที่หลายคนคาดไว้
Video Analytics และ AI ที่กำลังเปลี่ยนการสอดแนมคู่แข่ง
ก่อนหน้านี้การเตรียมทีมรับมือคู่แข่งหมายความว่าต้องมีคนนั่งดูเทปนัดเก่าๆ หลายสิบชั่วโมงครับ เพื่อหารูปแบบการเล่น จุดอ่อน และแนวโน้มของแต่ละผู้เล่น
ตอนนี้ AI ทำสิ่งนั้นได้เร็วกว่าคนมากและครอบคลุม รวมทั้งละเอียดกว่ามากๆครับ
ระบบ video analytics สามารถดูเกมได้ในหลายร้อยนัดย้อนหลัง แล้วบอกได้ว่าผู้เล่นคนนี้มีแนวโน้มจะทำอะไรเมื่อรับบอลในพื้นที่ซ้ายมือ ผู้รักษาประตูคนนี้กระโดดไปจุดไหนบ้างเมื่อมีการเตะลูกโทษ หรือทีมนั้นมีช่องโหว่ตรงไหนในช่วง 15 นาทีสุดท้ายของเกม
Barcelona ขึ้นชื่อมากในการใช้ data วิเคราะห์คู่แข่งและหา talent รุ่นเยาว์ครับ ระบบของพวกเขาสแกนข้อมูลผู้เล่นจากลีกทั่วโลก รวมถึงลีกที่ scout ปกติไม่มีทางไปดูถึง เพื่อหาผู้เล่นที่มีคุณสมบัติตรงกับสไตล์การเล่นของทีม
Sports Analytics ในไทยอยู่ตรงไหน?
ตรงไปตรงมานะครับ วงการกีฬาไทยยังห่างจากระดับที่พูดถึงข้างต้นพอสมควร แต่มีสัญญาณที่น่าสนใจเกิดขึ้นอยู่
วงการฟุตบอลไทย เริ่มมีการใช้ video analysis มากขึ้นในทีมที่มีงบประมาณมากพอ บางทีมในไทยลีกเริ่มใช้ GPS tracking ในการฝึกซ้อมเพื่อดูข้อมูลการวิ่งและร่างกายของผู้เล่น ซึ่งถือว่าเป็นจุดเริ่มต้นที่ดีครับ
วงการมวยไทย น่าสนใจมากครับ เพราะมีความพยายามนำ sensor และ motion capture มาวิเคราะห์เทคนิคการต่อยและการเคลื่อนไหว เพื่อหาจุดที่ต้องพัฒนาในรูปแบบที่แม่นยำกว่าการดูด้วยตาเปล่าของโค้ช
กีฬา e-sports น่าแปลกใจครับที่บางทีมในไทยก้าวหน้ากว่ากีฬาดั้งเดิมในด้าน analytics เพราะ e-sports มี data ให้วิเคราะห์ตามธรรมชาติอยู่แล้วในทุก match ทีม e-sports ระดับแข่งขันของไทยบางทีมใช้การวิเคราะห์ข้อมูลจริงๆ ในการพัฒนากลยุทธ์และเลือก lineup เพื่อสร้างทีมแข่งขัน
ความท้าทายหลักๆในไทยหลักๆคือยังเป็นเรื่องของงบประมาณและบุคลากรครับ สายงาน sports analytics ยังต้องการคนที่เข้าใจทั้งสองโลก คือเข้าใจกีฬาจริงๆ และเข้าใจ data จริงๆ ซึ่งหายากและยังไม่มีหลักสูตรที่สอนตรงๆ ในไทยเลยครับ
สรุป — ในกีฬา ข้อมูลไม่ได้แทนที่สัญชาตญาณ แต่ทำให้สัญชาตญาณแม่นขึ้น
มีโค้ชหลายคนที่ต่อต้าน analytics ในช่วงแรกๆ ครับ ด้วยเหตุผลว่าในกีฬานั้น มันมีองค์ประกอบที่วัดไม่ได้ เช่น ขวัญและกำลังใจ ความเป็นผู้นำ และความสามารถในการตัดสินใจภายใต้แรงกดดันต่างๆ
และพวกเขาพูดถูกครับ ข้อมูลที่ผมบอกไปข้างบนนั้นอาจจะวัดได้ไม่ครบ
แต่โค้ชที่ดีที่สุดในยุคนี้ไม่ได้เลือกระหว่าง “เชื่อ data” หรือ “เชื่อสัญชาตญาณ” พวกเขายังคงต้องใช้ทั้งสองอย่างร่วมกัน ข้อมูลช่วยบอกว่าอะไรเกิดขึ้นจริงในสนาม ลดความลำเอียงจากความชอบส่วนตัว และช่วยตัดสินใจในกรณีที่ไม่ได้มีคำตอบที่ชัดเจน แต่การตัดสินใจขั้นสุดท้ายยังต้องการ “มนุษย์” ที่เข้าใจบริบททั้งหมดของทีมและสถานการณ์ภาพรวมต่างๆ
สำหรับแฟนๆกีฬาอย่างพวกเรา การเข้าใจ sports analytics ทำให้ดูกีฬาสนุกขึ้นและมองได้ลึกขึ้นมากๆ เพราะแทนที่จะดูแค่ว่าใครยิงได้กี่ประตูหรือได้กี่คะแนน เราเริ่มเห็นได้ว่าทีมไหนกำลังเล่นได้ดีจริงๆ และทีมไหนแค่โชคดีอยู่ชั่วคราว ซึ่งอะไรแบบนี้แหละครับ มันคือ “ความสนุก” ที่ข้อมูลมอบให้กับการดูกีฬาครับ
Leave a Reply