In questo articolo si parla di:

È noto che prendere decisioni “sportive” in base a dati concreti permette di migliorare le prestazioni e più in generale di allenarsi meglio e con un minor rischio di infortuni. Ma questi dati bisogna raccoglierli e analizzarli in maniera adeguata, ossia con soluzioni di analytics sviluppate proprio per l’ambito sportivo. Microsoft ha presentato durante l’evento Hashtag Sports (26-28 giugno) la Sports Performance Platform, un primo esempio di come è possibile estendere il machine learning allo sport.

La Sports Performance Platform – spiega Microsoft – usa infatti modelli predittivi per stimare e migliorare le prestazioni dei giocatori ed è già stata utilizzata per alcune squadre di calcio. Il ruolo della piattaforma sta nell’introdurre funzioni predittive e che rilevino pattern ripetuti nei dati, non tanto nell’agevolare la raccolta di questi ultimi. Già da tempo, infatti, nel mondo dello sport si è recepita l’utilità di raccogliere e analizzare i dati storici delle prestazioni.

Un esempio della schermata di Power BI che mostra la situazione delle singole giocattrici della squadra femminile di calcio Seattle Reign FC, il cui main sponsor è Microsoft

La Sports Performance Platform è la combinazione di Power BI (un insieme di strumenti di analisi), Microsoft Azure (piattaforma di cloud computing)e di dispositivi Surface (modelli di tablet di Microsoft). I dati di prestazione vengono raccolti con dispositivi wearable indossati dagli atleti durante gare e allenamenti. Le informazioni vengono convogliate su Azure e analizzate da Power BI, che le presenta in dashboard personalizzate di sintesi. Dal punto di vista dell’analisi dei dati storici è un sistema più comodo del normale, ma il suo valore sta in altro.

Il vantaggio della Sports Performance Platform è nella parte propriamente di analytics, che serve in primo luogo a correlare fra loro le informazioni raccolte, ad esempio per collegare una frequenza cardiaca elevata in allenamento con le condizioni ambientali e derivarne un piano di recupero più efficace di quello standard. Poi c’è la parte dei modelli predittivi. I dati raccolti sono usati come base per guardare in avanti e fare previsioni sotto vari punti di vista, ad esempio per individuare il rischio di un infortunio per affaticamento muscolare.