فراتر از تابلوی امتیازات: بررسی عمیق آمار تیمی و سیستم‌های تحلیل بازی

در دنیای ورزش‌های حرفه‌ای، حاشیه بین پیروزی و شکست می‌تواند بسیار ناچیز باشد. برای دهه‌ها، مربیان و تیم‌ها برای کسب برتری به شهود، تجربه و آمار اولیه امتیازات تکیه می‌کردند. یک گل زده، یک سبد پرتاب شده، یک دور کامل شده — این‌ها ارزهای اصلی موفقیت بودند. اما امروزه، یک انقلاب خاموش که توسط داده‌ها قدرت گرفته است، اساساً نحوه بازی، مربیگری و درک بازی‌ها را تغییر داده است. این انقلاب توسط سیستم‌های تحلیل بازی پیچیده هدایت می‌شود.

از لیگ برتر انگلیس تا NBA در ایالات متحده، از لیگ برتر هند در کریکت تا مسابقات بین‌المللی راگبی، داده‌ها ستاره جدید هستند. این نیروی نامرئی است که تصمیمات تاکتیکی را شکل می‌دهد، عملکرد بازیکن را بهینه می‌کند، از آسیب‌ها جلوگیری می‌کند و حتی استراتژی‌های استخدام چند میلیون دلاری را دیکته می‌کند. این مقاله یک نمای کلی جامع و جهانی از آمار تیمی و سیستم‌هایی که آن‌ها را ضبط و تجزیه و تحلیل می‌کنند ارائه می‌دهد، که برای مربیان، تحلیلگران، ورزشکاران مشتاق و طرفداران پرشوری که می‌خواهند فراتر از امتیاز نهایی را ببینند، طراحی شده است.

تکامل تجزیه و تحلیل ورزشی: از حس درونی تا داده‌های بزرگ

سفر به سمت ورزش‌های مبتنی بر داده یک پدیده یک شبه نبود. این یک داستان از تکامل تدریجی است که با نقاط عطف کلیدی و جهش‌های تکنولوژیکی که ما را به چشم‌انداز بسیار پیچیده امروزی رسانده است، مشخص می‌شود.

عصر قلم و کاغذ

برای بیشتر قرن بیستم، تجزیه و تحلیل ورزشی یک فرآیند دستی و طاقت‌فرسا بود. مربیان فیلم‌های بازی دانه‌دار را دوباره تماشا می‌کردند و از دفترچه‌ها برای شمارش پاس‌های موفق، اشتباهات دفاعی یا پرتاب‌های از دست رفته استفاده می‌کردند. آمار محدود به مواردی بود که می‌توانست به راحتی با دست شمارش و ثبت شود. در حالی که این رویکرد اساسی بود، اما ذهنی، وقت‌گیر و مستعد خطا و سوگیری انسانی بود. "تست چشمی" و شهود مربی حاکم بود.

انقلاب سابرمریکس

یک لحظه محوری در تجزیه و تحلیل ورزشی از خارج از اخوت مربیگری آمد. در دهه‌های 1970 و 80، یک علاقه‌مند به بیسبال به نام بیل جیمز شروع به به چالش کشیدن خرد متعارف از طریق "چکیده‌های بیسبال" خودنوشته خود کرد. او آمار جدید و بصیرت‌تری را معرفی کرد — آنچه او سابرمریکس نامید — تا ارزش بازیکن را با دقت بیشتری اندازه‌گیری کند. این جنبش، که بعداً توسط کتاب و فیلم مانیبال محبوبیت یافت، نشان داد که تجزیه و تحلیل عینی و مبتنی بر داده می‌تواند دارایی‌های کم ارزش را شناسایی کند و یک تیم رقابتی را با بودجه محدود بسازد. این اولین اثبات مفهوم بزرگ بود که داده‌ها می‌توانند از پیشاهنگی سنتی پیشی بگیرند.

سونامی فناوری

انفجار واقعی در تحلیل بازی با پیشرفت‌های فناوری در دو دهه اخیر رخ داد. سه حوزه کلیدی برای ایجاد اکوسیستم تجزیه و تحلیل مدرن همگرا شدند:

• فناوری ویدئویی: تغییر از نوار آنالوگ به ویدیوی دیجیتال، ذخیره، اشتراک‌گذاری و تجزیه و تحلیل فیلم‌های بازی را بی‌نهایت آسان‌تر کرد. نرم‌افزاری پدیدار شد که به تحلیلگران اجازه می‌داد رویدادهای خاص (به عنوان مثال، یک ضربه کرنر، یک حمله سریع) را در یک ویدیو "تگ" کنند و یک پایگاه داده قابل جستجو از لحظات بازی ایجاد کنند.
• قدرت پردازش کامپیوتر: قانون مور، که مشاهده کرد قدرت محاسباتی تقریباً هر دو سال یک بار دو برابر می‌شود، به این معنی بود که محاسبات پیچیده‌ای که زمانی به ابررایانه‌ها نیاز داشت، اکنون می‌توانست روی یک لپ‌تاپ اجرا شود. این درها را برای پردازش مجموعه‌های داده‌های وسیع تقریباً در زمان واقعی باز کرد.
• دستگاه‌های جمع‌آوری داده: توسعه دوربین‌های ردیابی نوری و حسگرهای GPS پوشیدنی، تجزیه و تحلیل را از صرفاً "چه" اتفاقی افتاد به "چگونه" و "کجا" اتفاق افتاد تغییر داد. ناگهان، هر حرکت بازیکن در زمین، هر دوی سرعت و هر شتاب قابل اندازه‌گیری شد.

این همگرایی تکنولوژیکی به این معنی بود که تیم‌ها دیگر کمبود داده نداشتند. آنها غنی از داده بودند. چالش جدید این بود که چگونه این سیل اطلاعات را مدیریت، تفسیر و از آن بینش‌های عملی استخراج کرد. اینجاست که سیستم‌های تحلیل بازی مدرن وارد عمل می‌شوند.

سیستم‌های تحلیل بازی چیست؟ نگاهی به زیر هود

یک سیستم تحلیل بازی فقط یک نرم‌افزار یا یک صفحه گسترده نیست. این یک پلتفرم یکپارچه است — یک سیستم عصبی مرکزی — که کل چرخه عمر داده، از جمع‌آوری تا تصمیم‌گیری را مدیریت می‌کند. این سیستم‌ها برای ارائه یک دیدگاه جامع از عملکرد به تیم‌ها طراحی شده‌اند. در حالی که پلتفرم‌های خاص متفاوت هستند، آنها به طور کلی یک مجموعه از اجزای اصلی را به اشتراک می‌گذارند.

1. جمع‌آوری داده: مواد اولیه

تجزیه و تحلیل با کیفیت بالا به داده‌های با کیفیت بالا بستگی دارد. سیستم‌های مدرن اطلاعات را از منابع مختلف استخراج می‌کنند:

• داده‌های رویداد: این "چه" بازی است. تحلیلگران، یا زنده یا پس از بازی، رویدادهایی مانند پاس‌ها، شوت‌ها، تکل‌ها، گردش توپ و ضربات ایستگاهی را تگ می‌کنند. شرکت‌هایی مانند Opta (که اکنون بخشی از Stats Perform است) تیم‌هایی از تحلیلگران دارند که هزاران رویداد را در هر بازی ثبت می‌کنند و یک مجموعه داده غنی را ارائه می‌دهند که اساس بسیاری از آمارهای محبوب را تشکیل می‌دهد.
• داده‌های ردیابی نوری: این "کجا" بازی است. چندین دوربین که در اطراف یک استادیوم قرار داده شده‌اند، مختصات X/Y هر بازیکن و توپ را چندین بار در ثانیه ردیابی می‌کنند. این یک جریان عظیم از داده‌های موقعیتی تولید می‌کند. سیستم‌هایی مانند Hawk-Eye، که در تنیس و کریکت مشهور است، و Second Spectrum، که در سراسر NBA و لیگ برتر استفاده می‌شود، این سطح از جزئیات را ارائه می‌دهند. این به تحلیلگران اجازه می‌دهد تا شکل تیم، فاصله بازیکن و الگوهای دویدن را اندازه‌گیری کنند.
• فناوری پوشیدنی: این "چگونه" عملکرد است. ورزشکاران واحدهای کوچک GPS یا سیستم موقعیت‌یابی محلی (LPS برای ورزش‌های داخل سالن) می‌پوشند، معمولاً در یک جلیقه زیر پیراهن خود. این دستگاه‌ها، از رهبران جهانی مانند Catapult Sports و STATSports، معیارهای فیزیکی مانند کل مسافت طی شده، سرعت دوی سرعت، تعداد شتاب‌ها و کاهش سرعت‌ها و ضربان قلب را ردیابی می‌کنند. این داده‌ها برای مدیریت بار و پیشگیری از آسیب بسیار مهم هستند.

2. پردازش و ذخیره‌سازی داده

داده‌های خام از این منابع حجیم و پیچیده هستند. یک عملکرد کلیدی یک سیستم تحلیل، پردازش و ساختاربندی این اطلاعات در یک قالب قابل استفاده است. این اغلب شامل پاک کردن داده‌ها برای حذف خطاها و ادغام جریان‌های مختلف داده (به عنوان مثال، پیوند دادن یک رویداد شوت خاص به داده‌های فیزیکی بازیکن در آن لحظه دقیق) است. اکثر سیستم‌های مدرن مبتنی بر ابر هستند و به مربیان و بازیکنان اجازه می‌دهند تا از هر کجای دنیا روی یک لپ‌تاپ یا تبلت به داده‌ها و ویدیوها دسترسی داشته باشند.

3. تجزیه و تحلیل و تجسم

اینجاست که داده‌ها به بینش تبدیل می‌شوند. بهترین سیستم‌ها فقط اعداد خام را ارائه نمی‌دهند. آنها به کاربران کمک می‌کنند تا داستان پشت آنها را درک کنند.

• داشبوردها: داشبوردهای قابل تنظیم، شاخص‌های کلیدی عملکرد (KPI) را در یک قالب به راحتی قابل هضم با استفاده از نمودارها، گراف‌ها و گیج‌ها نمایش می‌دهند. یک مربی ممکن است داشبوردی داشته باشد که کارایی پرس تیم را نشان می‌دهد، در حالی که یک دانشمند ورزشی ممکن است بر معیارهای بار بازیکن تمرکز کند.
• ادغام ویدئو: این یک ویژگی حیاتی است. پلتفرم‌های مدرن هر نقطه داده را به کلیپ ویدیویی مربوطه پیوند می‌دهند. با یک کلیک بر روی یک آمار—به عنوان مثال، "همه پاس‌های ناقص در یک سوم نهایی"—یک کاربر می‌تواند فوراً یک لیست پخش ویدیویی از آن لحظات را ببیند. این داده‌ها را زمینه‌ای می‌کند و آن را برای مربیگری بسیار قدرتمندتر می‌کند.
• معیارهای پیشرفته: سیستم‌ها اغلب الگوریتم‌های داخلی برای محاسبه معیارهای پیشرفته دارند. یک مثال برجسته از فوتبال انتظار گل‌ها (xG) است که کیفیت یک شوت را بر اساس عواملی مانند فاصله، زاویه و نوع پاس گل ارزیابی می‌کند. این یک معیار دقیق‌تر از فرآیند حمله یک تیم نسبت به شمارش شوت‌ها ارائه می‌دهد. معیارهای مشابه در سایر ورزش‌ها مانند رتبه‌بندی کارایی بازیکن (PER) در بسکتبال وجود دارد.

4. گزارش‌دهی و ارتباطات

آخرین مرحله به اشتراک گذاشتن این بینش‌ها با افرادی است که به آنها نیاز دارند. سیستم‌ها این کار را از طریق گزارش‌های خودکار، ابزارهای ارائه قابل تنظیم و پلتفرم‌های پیام‌رسانی امن تسهیل می‌کنند. یک تحلیلگر می‌تواند به سرعت یک لیست پخش ویدیویی از روال‌های ضربات ایستگاهی حریف آینده ایجاد کند و آن را مستقیماً برای بررسی به دستگاه‌های تلفن همراه بازیکنان به اشتراک بگذارد.

آمار کلیدی تیم و آنچه که نشان می‌دهند

با وجود این سیستم‌های قدرتمند، تیم‌ها اکنون می‌توانند آرایه‌ای باورنکردنی از آمار را ردیابی کنند. این معیارها را می‌توان به طور کلی به شاخص‌های عملکرد تهاجمی، دفاعی و فیزیکی دسته‌بندی کرد. هدف این است که فراتر از شمارش‌های ساده برویم و فرآیندهای اساسی را که منجر به موفقیت می‌شوند درک کنیم.

معیارهای تهاجمی: مهندسی موفقیت

تجزیه و تحلیل تهاجمی مدرن در مورد درک کارایی، خلاقیت و کنترل است.

• مالکیت با هدف: درصد مالکیت ساده می‌تواند گمراه‌کننده باشد. یک تیم می‌تواند 70 درصد توپ را داشته باشد اما فرصت‌های کمی ایجاد کند. معیارهای پیشرفته‌تر شامل ورودی‌های یک سوم نهایی، پاس‌ها به محوطه جریمه و پاس‌های پیشرونده (پاس‌هایی که توپ را به طور قابل توجهی به هدف حریف نزدیک‌تر می‌کنند) است. این آمارها اندازه‌گیری می‌کنند که یک تیم چقدر به طور موثر مالکیت را به موقعیت‌های تهدیدآمیز تبدیل می‌کند.
• کیفیت شوت بر کمیت: همانطور که ذکر شد، انتظار گل‌ها (xG) تجزیه و تحلیل فوتبال را متحول کرده است. به جای اینکه فقط یک تیم را برای زدن 20 شوت تجلیل کنیم، xG ممکن است نشان دهد که اینها شانس‌های کم احتمالی بودند که مجموعاً تنها 0.8 xG بودند، در حالی که 5 شوت حریف شانس‌های با کیفیتی بودند که مجموعاً به 2.1 xG می‌رسیدند. این به مربیان کمک می‌کند تا بر ایجاد فرصت‌های گلزنی بهتر تمرکز کنند، نه فقط بیشتر از آنها. همین اصل در بسکتبال با درصد گل‌های میدانی موثر (eFG٪) اعمال می‌شود که این واقعیت را در نظر می‌گیرد که یک شوت سه امتیازی ارزش بیشتری نسبت به یک شوت دو امتیازی دارد.
• شبکه‌های پاس و ارتباطات بازیکن: داده‌های ردیابی امکان ایجاد نقشه‌های پاس را فراهم می‌کند که تجسم می‌کنند کدام بازیکنان بیشتر با هم ترکیب می‌شوند. این می‌تواند ساختار تاکتیکی یک تیم را نشان دهد. آیا بازی از طریق یک بازی‌ساز مرکزی جریان دارد؟ آیا آنها بیش از حد به یک طرف زمین متکی هستند؟ این تحلیل به درک شیمی تیم و شناسایی پیوندهای کلیدی که می‌توانند توسط حریفان هدف قرار گیرند کمک می‌کند.

معیارهای دفاعی: هنر اخلال

دفاع اغلب دشوارتر از حمله است، اما معیارهای جدید بینش باورنکردنی ارائه می‌دهند.

• شدت و کارایی پرس: سیستم‌های دفاعی پرس بالا که در فوتبال اروپا محبوب شده‌اند و در ورزش‌هایی مانند بسکتبال و هاکی رایج هستند، اکنون قابل اندازه‌گیری هستند. معیارهایی مانند PPDA (پاس‌ها در هر عمل دفاعی) اندازه‌گیری می‌کنند که حریف چند پاس اجازه دارد در نیمه خود قبل از اینکه تیم تلاش کند تا توپ را پس بگیرد. PPDA کم نشان دهنده یک پرس شدید و تهاجمی است.
• کنترل فضایی و فشردگی: با استفاده از داده‌های ردیابی، تحلیلگران می‌توانند فاصله بین بازیکنان و بین خطوط دفاعی، میانی و جلو را اندازه‌گیری کنند. این شکل دفاعی یک تیم را تعیین می‌کند. بازی از طریق یک تیم فشرده دشوار است. تحلیلگران می‌توانند در زمان واقعی ببینند که آیا شکاف‌هایی ظاهر می‌شوند که حریف می‌تواند از آن سوء استفاده کند.
• اقدامات فردی پیشرفته: فراتر از تکل‌ها و توپ‌گیری‌های ساده، سیستم‌ها می‌توانند فشارها (چقدر یک بازیکن حریف را می‌بندد)، درصد برنده شدن دوئل‌های دفاعی و محل این اقدامات را ردیابی کنند. این کمک می‌کند تا نه تنها مدافعان فعال، بلکه مدافعان مؤثری که توپ را در مناطق خطرناک پس می‌گیرند، شناسایی شوند.

معیارهای عملکرد فیزیکی: مدیریت موتور انسانی

داده‌های فناوری پوشیدنی برای حفظ سلامتی بازیکنان و عملکرد در اوج خود بسیار مهم است. این حوزه علم ورزش است.

• مدیریت بار: هدف اصلی مدیریت "بار" بازیکن است — کل استرس فیزیولوژیکی وارد شده به بدن آنها. این فقط در مورد کل مسافت طی شده نیست. معیارها مانند دویدن با سرعت بالا (مسافت طی شده بالاتر از یک آستانه سرعت معین)، مسافت دوی سرعت، و به ویژه شتاب‌ها و کاهش سرعت‌ها مهم‌تر هستند. ماهیت نیروی بالای تغییر سرعت یک عامل اصلی در آسیب‌های عضلانی است، بنابراین ردیابی این موارد حیاتی است.
• سنجش عملکرد: دانشمندان ورزشی خروجی‌های فیزیکی پایه را برای هر بازیکن تعیین می‌کنند. اگر اعداد دوی سرعت یک بازیکن در بازی به طور قابل توجهی کمتر از میانگین آنها باشد، می‌تواند نشان دهنده اولیه خستگی یا آسیب در حال توسعه باشد. این امکان مداخله فعالانه را فراهم می‌کند، مانند تعویض بازیکن یا دادن یک روز ریکاوری به آنها.
• پروتکل‌های بازگشت به بازی: هنگامی که یک بازیکن آسیب می‌بیند، این داده‌ها بسیار ارزشمند می‌شوند. مربیان می‌توانند داده‌های فیزیکی بازیکن را در تمرینات توانبخشی با خط پایه قبل از آسیب مقایسه کنند تا اطمینان حاصل کنند که قبل از بازگشت به مسابقه به طور کامل بهبود یافته‌اند و خطر آسیب مجدد را کاهش دهند.

کاربردهای عملی: چگونه داده‌ها به برد تبدیل می‌شوند

جمع‌آوری داده‌ها اگر منجر به تصمیمات بهتر نشود، بی‌معنی است. سازمان‌های ورزشی نخبه تجزیه و تحلیل را در تمام جنبه‌های عملیات خود ادغام می‌کنند.

1. آمادگی تاکتیکی و استراتژی

قبل از هر مسابقه، تیم‌های تحلیل یک بررسی عمیق روی حریف انجام می‌دهند. آنها از داده‌ها و ویدیو برای شناسایی الگوهای تاکتیکی، نقاط قوت و ضعف استفاده می‌کنند.

• مثال (فوتبال): یک تحلیلگر ممکن است متوجه شود که مدافع چپ حریف از نظر تهاجمی بسیار تهاجمی است و فضایی را در پشت سر خود در ضدحملات رها می‌کند. سپس برنامه بازی ممکن است به طور خاص هدف قرار دادن آن کانال با یک وینگر سریع باشد. تحلیلگر می‌تواند یک لیست پخش ویدیویی ایجاد کند که هر بار این ضعف در پنج بازی گذشته حریف مورد سوء استفاده قرار گرفته است و آن را با تیم به اشتراک بگذارد.
• مثال (بسکتبال): داده‌ها ممکن است نشان دهند که یک بازیکن ستاره زمانی که مجبور به دریبل کردن به سمت چپ خود می‌شود، بسیار ناکارآمد است. سپس استراتژی دفاعی به گونه‌ای طراحی می‌شود که به طور مداوم دست راست خود را از آنها دریغ کند و آنها را مجبور به شوت‌های با درصد پایین‌تر کند.

2. توسعه و بازخورد بازیکن

داده‌ها بازخورد عینی و مبتنی بر شواهد را به بازیکنان ارائه می‌دهند و مکالمات مربیگری را از نظر به سمت حقایق سوق می‌دهند.

• یک مربی می‌تواند با یک هافبک بنشیند و داده‌هایی را به آنها نشان دهد که نشان می‌دهد نرخ تکمیل پاس آنها 30 درصد در زمانی که تحت فشار قرار می‌گیرند کاهش می‌یابد. سپس می‌توانند از ویدیوهای یکپارچه استفاده کنند تا آن لحظات خاص را بررسی کنند و روی تمرین‌هایی برای بهبود تمرکز و تصمیم‌گیری در فضاهای تنگ کار کنند.

3. استخدام و پیشاهنگی (اثر "مانیبال")

داده‌ها پیشاهنگی را متحول کرده‌اند. تیم‌ها اکنون برای هر موقعیت پروفایل‌های آماری از بازیکن ایده‌آل خود ایجاد می‌کنند. سپس پیشاهنگان از ترکیبی از تجزیه و تحلیل داده‌ها و تماشای زنده سنتی برای یافتن بازیکنانی که با آن مدل مطابقت دارند، اغلب در لیگ‌های کم ارزش، استفاده می‌کنند.

• مثال (جهانی): یک باشگاه فوتبال برتر اروپایی ممکن است به دنبال یک مهاجم جوان باشد. مدل آنها ممکن است xG بالا در هر 90 دقیقه، درصد بالایی از فشارها در یک سوم نهایی و تعداد زیادی شتاب را در اولویت قرار دهد. آنها می‌توانند از یک پایگاه داده جهانی برای فیلتر کردن بازیکنان زیر 22 سال در لیگ‌هایی از برزیل تا هلند که این معیارها را برآورده می‌کنند استفاده کنند و یک فهرست کوتاه اطلاع‌رسانی شده با داده‌ها برای تماشای پیشاهنگان خود به صورت حضوری ایجاد کنند.

چشم‌انداز جهانی و روندهای آینده

دنیای تجزیه و تحلیل ورزشی دائماً در حال تحول است. با پیشرفت فناوری و افزایش سواد داده، چندین روند کلیدی در سطح جهانی در حال ظهور هستند.

ظهور هوش مصنوعی و یادگیری ماشین

هوش مصنوعی مرز بعدی است. مدل‌های هوش مصنوعی می‌توانند داده‌های موقعیتی پیچیده را برای شناسایی الگوهای تاکتیکی که یک تحلیلگر انسانی ممکن است از دست بدهد، تجزیه و تحلیل کنند. یادگیری ماشین برای تجزیه و تحلیل پیش‌بینی‌کننده استفاده می‌شود—پیش‌بینی احتمال آسیب‌دیدگی یک بازیکن بر اساس داده‌های بار فیزیکی آنها یا پیش‌بینی احتمال منجر شدن یک ضربه ایستگاهی به گل بر اساس موقعیت بازیکن.

دموکراتیزه کردن ابزارها

در حالی که باشگاه‌های نخبه دارای بخش‌های تجزیه و تحلیل بزرگی هستند، این فناوری در حال دسترس‌تر شدن است. بسیاری از شرکت‌ها اکنون راه‌حل‌های مقیاس‌پذیر برای باشگاه‌های لیگ پایین‌تر، تیم‌های دانشگاهی و حتی آکادمی‌های جوانان ارائه می‌دهند. این در حال همسطح کردن زمین بازی و تقویت سواد داده در تمام سطوح ورزش است.

افزایش تعامل طرفداران

همان داده‌هایی که توسط تیم‌ها استفاده می‌شود، اکنون برای طرفداران بسته‌بندی می‌شود. پخش‌کننده‌ها در سراسر جهان آمار پیشرفته‌ای مانند xG، سرعت بازیکن و احتمال شوت را در پوشش زنده خود گنجانده‌اند و یک تجربه تماشای عمیق‌تر و روشنگرانه‌تر را برای مخاطبان جهانی ارائه می‌دهند.

ملاحظات اخلاقی

جمع‌آوری گسترده داده‌های بازیکن سؤالات مهمی را در مورد حریم خصوصی و مالکیت مطرح می‌کند. چه کسی مالک داده‌های عملکرد فیزیکی بازیکن است؟ چگونه در مذاکرات قرارداد استفاده می‌شود؟ اینها بحث‌های اخلاقی پیچیده‌ای هستند که دنیای ورزش تازه شروع به پیمایش آنها کرده است.

نتیجه‌گیری: هیبرید جدید هنر و علم

سیستم‌های تحلیل بازی و آماری که تولید می‌کنند عنصر انسانی را از ورزش حذف نکرده‌اند. آنها آن را تقویت کرده‌اند. شهود یک مربی با تجربه هنوز ارزشمند است، اما اکنون می‌توان آن را با شواهد عینی پشتیبانی—یا به چالش کشید—کرد. استعداد طبیعی یک بازیکن هنوز مهم است، اما اکنون می‌توان آن را با برنامه‌های توسعه شخصی‌شده و مبتنی بر داده تقویت و محافظت کرد.

در محیط ورزشی جهانی فوق‌العاده رقابتی امروزی، اتکا صرف به غریزه دیگر یک استراتژی عملی نیست. تیم‌هایی که در آینده مسلط خواهند شد، تیم‌هایی هستند که با موفقیت هنر مربیگری را با علم داده ترکیب می‌کنند. با نگاه کردن فراتر از تابلوی امتیازات و پذیرش قدرت تجزیه و تحلیل، آنها فقط رویدادهای بازی را شمارش نمی‌کنند. آنها درک می‌کنند که بافت خود آن چیست، و با انجام این کار، آینده پیروزی را مهندسی می‌کنند.