Wongsakorn Watch.

Master of Electrical Engineering (Telecommunication)
Master of Business Administration (Finance)
More than 20 years in Telecommunication business

อ่านแล้วชอบ เพื่อเป็นกำลังใจ

ช่วย กดLike กดShare ด้วยนะครับ

Analytics in Sport

Analytics กับ การกีฬา

May 26, 2020
, 5:18 pm
, Analytics

Analytics ทำให้ทีม Oakland A's ใช้จ่ายเงินต่ำกว่า Boston Red Sox ถึง 50 ล้านเหรียญสหรัฐต่อปี ในขณะที่จำนวนครั้งที่ชนะเท่ากัน Analytics ทำได้อย่างไร?

โพสต์นี้เป็นการนำ Analytics มาใช้กับกีฬาเบสบอล จากภาพยนตร์เรื่อง Moneyball 2011 โดย Brad Pitt รับบทเป็นนักแสดงนำ

ผมต้องดูหนังเรื่องนี้ถึงสองรอบเพราะเป็นหนังที่ดีมากจริงๆ

ผมไม่ลงรายละเอียดของหนังแต่ จะเขียนในเนื้อหาที่เกี่ยวกับ Analytics เท่านั้นครับ

This article gives an example of how Analytics can be used to make better decisions about baseball. This article has been inspired by Moneyball 2011, Brad Pitt as Billy Beane.

It’s a great movie. To me, I don’t know much about baseball rules so it is not easy to understand all of them.

I will try not to enter the details of the movie, but only reveal in the content related to Analytics.

Unfair Game

คำว่า unfair game คือ ทีมที่รวยกว่าย่อมได้ผู้เล่นที่ดีกว่า และ จะชนะมากกว่า

Oakland A’s เป็นทีม Baseball ที่มีเงินน้อยในการซื้อตัวผู้เล่นเก่งๆที่มีค่าตัวแพง

Billy Beane ผู้จัดการทีม (แสดงนำโดย Brad Pitt) คิดอย่างหนักว่าจะทำอย่างไรที่จะก้าวข้ามผ่านปัญหานี้ได้

Billy Beane จึงตัดสินใจใช้ Analytics สู้กับปัญหานี้

เขาทำอย่างไร?

Oakland A’s is a baseball team that has a very limited budget to buy players, and good players have a high price. Billy Beane, as the manager, has a deep thought about how to overcome this problem.

The word unfair game is that a richer team gets better players and wins better.

But Oakland A’s has a different way of thinking, and Oakland A’s, led by manager Billy Beane, uses Analytics to fight the problem.

Illusion is the cause of unfair game problem.

ในอดีตการคัดเลือกนักกีฬา แมวมองมีเงื่อนไขในการเลือกผู้เล่น เช่น
เปอร์เซ็นต์การตีได้ดี, หน้าตาดีจะมีความมั่นใจในการเล่น, มีสรีระที่ดีทำให้สามารถสร้างสมดุลของร่างกายได้ดี การมีวงสวิงที่สวยงาม หรือ มีท่วงท่าในการขว้างลูกที่สวยงาม

Billy Beane รู้ดีว่าสิ่งที่แมวมองคิด ไม่สามารถเอาชนะทีมที่มีเงินเยอะได้ ซึ่ง ไม่ใช่วิธีการแก้ปัญหาเรื่อง unfair game.

Billy Beane ถามแมวมองในที่ประชุมซ้ำๆ ว่า พวกคุณรู้หรือยังว่าปัญหาคืออะไร? ดังนั้นสิ่งสำคัญในการทำ Analytics คือการมองปัญหาให้เจอ และ หาสาเหตุของปัญหาให้ได้

In the past, the selection of athletes, Scouts have conditions for choosing, such as a good percentage of hits, good looks, confidence in playing, good physiology, which can create a good balance of the body. Having a beautiful swing.

Billy Beane knows that the scout opinions are not true (why Billy Beane thinks like that? find the answer in the movie) and not a solution to fix the unfair game.

For Analytics, it is very important to find the problem and the causes of the problem.

If you want to buy wins, you have to buy runs.

Billy Beane จึงไม่ฟัง คำแนะนำของ แมวมอง และ ได้ทำงานร่วมกับนักวิเคราะห์ข้อมูล Paul Depodesta จากมหาวิทยาลัยฮาวาร์ด

ในหนังใช้ชื่อว่า Peter Brande และจบจากมหาวิทยาลัยเยล แทน เพราะ Paul Depodesta ไม่อยากให้ชื่อตัวเองไปอยู่ในหนัง

Paul วิเคราะห์และพบว่าความสัมพันธ์ระหว่าง ชัยชนะกับ Run ที่ได้ และ Run ที่ได้ต้องได้ Base

ดังนั้นไม่ต้องเลือกผู้เล่นที่ตีลูกแรง, วงสวิงสวย หรือ มีสัดส่วนการตีลูกได้สูง ตามแบบอย่างที่เคยทำมาอย่างที่แมวมองแนะนำ เพราะผู้เล่นเหล่านั้นมีค่าตัวแพง แต่ ต้องการผู้เล่นที่สามารถวิ่งไปที่ Base ได้มากๆ (High On Base Percentage and Slugging Percentage)

และนำมาสู่การตัดสินใจในการเลือกผู้เล่นโดย เลือกผู้เล่นที่ทำ Base ได้สูงสุด และ ราคาค่าตัวถูกสุด

วิธีการทั้งหมดในการวิเคราะห์ข้อมูลผมจะกล่าวถึงรายละเอียดอีกครั้งหนึ่งในหัวข้อ Regression

Billy Beane thinks outside the box. He stops listening to the scout’s suggestions. He starts working with data analyst, Paul DePodesta, from Harvard University.

The concepts of Beane and DePodesta are to use Analytics. To get into Playoffs Oakland A’s must win more than 95 times and get more than 135 Runs is a season.

Paul deeply analyzed and find out that if your need to buy wins, you need to buy runs. If you want to get runs, you have to get base. This means that you don’t need a player who bats strongly, classic swing, or a high percentage of batting but Oakland A’s need the player who has High On Base Percentage and Slugging Percentage.

Paul shares his analysis to Bean to make a decision in choosing players who have high on-base Percentage and Slugging Percentage and Cheapest in the market.

The methodology, Paul using in this analysis, I will get into detail in the topic of Regression.

ANALYTICS RESULT

ผลจากการวิเคราะห์ข้อมูลของ Paul แสดงให้เห็นในกราฟว่า Oakland A’s กับ Boston Red Sox สามารถชนะคู่แข่งได้เท่าๆกันคือ ประมาณ 90 ครั้งต่อปี

ในขณะที่ Oakland A’s ใช้จ่ายเงินต่ำกว่า Boston Red Sox ถึง 50 ล้านเหรียญสหรัฐต่อปี ซึ่งเป็นผลมาจาก Analytics

แน่น่อนว่า NewYork Yankee ที่เป็นพ่อบุญทุ่มสามารถชนะได้ถึง 100 matches ต่อปีโดยต้องจ่ายถึง 90 ล้านเหรียญ

และนี่คือบทสรุปที่เห็นได้อย่างชัดเจนในการนำ Analytics มาใช้ในการวิเคราะห์เพื่อการตัดสินใจที่ดีกว่า

Billy Beane and Paul Depodesta have been working together since 1998. The results of using Analytics in Baseball are shown in the above graph. (Data from 1998 – 2001)

The graph shows that Oakland A’s and Boston Red Sox can beat their competitors equally, about 90 times a year.

While Oakland A’s spends less than Boston Red Sox more than $ 50 million a year. This is the result of implementing Analytics in sports

Of course, NewYork Yankee, a rich team, can win up to 100 matches a year, paying $ 90 million.

And this is a clear summary of how Analytics can be used to make better decisions.

อ่านแล้วชอบ เพื่อเป็นกำลังใจ

ช่วย กดLike กดShare ด้วยนะครับ

3 Key Players moved to the other teams!

ทีม Oakland A’s ยังคงพบอุปสรรคในการทำทีมในปี 2002 Oakland A’s ต้องเสียผู้เล่นคนสำคัญถึง 3 คนให้ทีมใหญ่ Billy Beane และ Paul Depodesta จะใช้ Analytics แก้ปัญหานี้ได้หรือไม่ อย่างไร ดูในหนังต่อนะครับ

Oakland A’s still faced obstacles. In 2002, Oakland A’s lost 3 key players to big teams. Can Billy Beane and Paul Depodesta use Analytics to solve this problem? How? Please watch the movie.

My Opinion

ผมได้นำเสนอให้เห็นประโยชน์ของการใช้ Analytics ในการกีฬาโดยหยิบยกเหตุการณ์ย้อนหลังไปประมาณเกือบ 20 ปี มาแล้วจากเรื่องราวอันโด่งดังของ หนังสือ Moneyball Art Winning Unfair Game และได้นำมาทำเป็นภาพยนต์ในปี 2011

ปัจจุบันนี้ทุกๆสโมสรจะมีทีมวิเคราะห์ข้อมูลผู้เล่น วิเคราะห์ปัจจัยที่ส่งผลต่อชัยชนะ รวมถึงหลักการและเงื่อนไขในการเลือกผู้เล่นตามข้อมูล

และที่สำคัญ ข้อมูลในปัจจุบันมีความถูกต้องมากขึ้นคือการมีอุปกรณ์ที่ใช้ติดตามตัวผู้เล่น ที่สามารถวัดความเร็วของผู้เล่น อัตราการเต้นของหัวใจ และ ข้อมูลอื่นๆอีกมากมายที่สามารถนำมาวิเคราะห์เพื่อการตัดสินใจในการทำทีม

สุดท้ายนี้ผมอยากแนะนำให้ทุกคนได้ดูหนังเรื่อง Moneyball เพราะหนังเรื่องนี้มีมุมมองมากกว่าการวิเคราะห์ที่ผมนำเสนอแต่มีปรัชญาหลายๆอย่างซ่อนไว้ในหนังที่ทำให้คุณรักภาพยนตร์เรื่องนี้มากขึ้น

I have presented the benefits of using analytics in sports, dating back almost 20 years from the famous Moneyball Art Winning Unfair Game and movies in 2011.

Nowadays, every club has a team to analyze player data. Analyze factors that affect victory Including the principles and conditions for selecting players based on information.

Importantly, the current data is more accurate because of electronic devices to measure the speed, heart rate, steps, and many other data that can be analyzed for team decision making.

Finally, I would like everyone to watch the Moneyball movie because it has more perspectives more than I presented. There are also many philosophies hidden in the movie.

แบ่งปันผ่านช่องทางอื่นๆ

Photchamarn Suphonpaichit

What is Big Data?

อะไรคือความหมายที่แท้จริงของ Big Data?

May 20, 2020
12:17 pm
ฺData Analytics

เรียกข้อมูลใหญ่ได้ต้องมีอย่างน้อย 3 องค์ประกอบ

Big Data must have at least 3 characteristics.

ปริมาณข้อมูล:

ชื่อบอกอย่างมีนัยยะแล้วว่าข้อมูลใหญ่ ดังนั้นปริมาณข้อมูลของ Big Data ต้องไม่เล็กแน่นอน ไม่เช่นนั้นแล้วคงต้องเปลี่ยนชื่อเป็น Small Data International Data Corporation (IDC) ได้คาดการณ์ไว้ว่า ปริมาณการใช้ข้อมูลต่างๆบนโลกนี้ จะเติบโตถึง 175 ZB ภายในปี 2568 ถ้านึกไม่ออกว่า 175 ZB มากขนาดไหน ลองจินตนาการว่าเอาแผ่น DVD ที่บรรจุข้อมูลเหล่านี้ทีละแผ่นวางซ้อนกันเป็นชั้นๆให้สูงขึ้นไปเรื่อยๆจนถึงดวงจันทร์ได้ระยะทางไปกลับดวงจันทร์ถึง 23 รอบ หรือ วนรอบโลก 222 รอบ [4]

Volume:

Big data itself defines the volume. At present the data existing is in petabytes and is supposed to increase to zettabytes in nearby future. International Data Corporation forecasts the Global Data to grow to 175 ZB by 2025. Imagine, If you were able to store the entire Global Data on DVDs, then you would have a stack of DVDs that could get you to the moon 23 times or circle Earth 222 times. [4]

ความรวดเร็วในการรับ-ส่งข้อมูล:

ความเร็วของข้อมูลที่มาจากแหล่งต่างๆ ต้องไม่ได้ถูกจำกัด ทั้งการส่งข้อมูลที่เข้ามาและการส่งข้อมูลออกไป ตัวอย่างเช่นข้อมูลจากอุปกรณ์เซ็นเซอร์จะถูกย้ายไปยังที่เก็บฐานข้อมูลอย่างต่อเนื่อง ดังนั้นระบบการวิเคราะห์ข้อมูลแบบเดิมๆจึงไม่สามารถทำการวิเคราะห์ข้อมูลที่เคลื่อนไหวอยู่ตลอดเวลาได้

Velocity:

Big data is a concept dealing with the speed of the data coming from various sources. This characteristic is not being limited to the speed of incoming data but also the speed of data flows. For example the data from the sensor devices would be constantly moving to the database store and this amount won’t be small enough. Thus our traditional systems are not capable enough of performing the analytics on the data.

ข้อมูลมีความหลากหลาย:

ข้อมูลที่ได้มีความหลากหลายไม่ได้เป็นหมวดหมู่เดียว แต่ยังรวมถึงข้อมูลกึ่งโครงสร้าง (Semi-Structured) จากแหล่งข้อมูลต่าง ๆ เช่นหน้าเว็บ, ไฟล์บันทึกการใช้งานเว็บ, เว็บไซต์โซเชียลมีเดีย, อีเมล, เอกสารอิเล็กโทรนิคส์, ข้อมูลจากอุปกรณ์เซ็นเซอร์ที่ติดตั้งตามสถานที่ต้องๆ ข้อมูลทั้งหมดนี้แตกต่างกันโดยสิ้นเชิง ประกอบด้วยข้อมูลแบบมีโครงสร้าง (Structured) กึ่งโครงสร้าง (Semi-Structured) และรวมถึง ข้อมูลที่ไม่มีโครงสร้าง (Unstructured) ซึ่งยากต่อการจัดการโดยระบบการวิเคราะห์แบบดั้งเดิมที่มีอยู่

Variety:

Data, being produced, is not of a single category as it not only includes the traditional data but also the semi-structured data from various resources like web Pages, Web Log Files, social media sites, e-mail, documents, sensor devices data both from active-passive devices. All this data is totally different consisting of raw, structured, semi-structured, and even unstructured data which is difficult to be handled by the existing traditional analytic systems.

ความคิดเห็นของผู้เขียน

มีเอกสารทางวิชาการมากมายที่ให้ความหมายของข้อมูลใหญ่ตั้งแต่ปี 2544 Laney D. ด้วยคำจำกัดความ 3Vs คือ Volume, Velocity และ Variety หลังจากนั้นก็มีการเพิ่ม V จากเดิม 3Vs, 4Vs, 5Vs, 6Vs, 10Vs ขณะที่เขียนบทความนี้ พบว่ามีการนิยามความหมายของคำว่าข้อมูลใหญ่ถึง 17Vs ผู้เขียนชอบความคิดเห็นของ Ambigavathi, M. & Sridharan, D. (2020) ที่กล่าวว่า “นักวิชาการจะสามารถอธิบายความหมายของข้อมูลใหญ่ไปจนถึง 100 Vs ในเร็วๆนี้” ไม่แน่ใจว่าเป็นการประชดหรืออย่างไร! ผู้เขียนขอเลือกใช้การนิยามตั้งต้นในขั้นตอนนี้ คือ 3V ของ Laney D. เพราะสิ่งที่ผู้เขียนอยากจะเน้นคือ คำว่า Big Data ไม่ได้หมายถึงเพียงการมีข้อมูลจำนวนมากเท่านั้น

My Opinions.

There had been a lot of academic papers that defined Big Data since 2001. All of them started from the Laney D. with 3Vs definition, Volume, Velocity, and Variety. However, there are more academics paper add more definition from 3Vs, 4Vs, 5Vs, 6Vs, 10Vs as I am writing this article It is up to 17Vs. So, Ambigavathi, M. &Sridharan, D. (2020) said in this paper that “Several researchers at different periods are recommended a wide range of V’s for different applications. Also, some researchers also suggest that it will be increased up to 100 V’s in the near future for an efficient big data analytics”. What a sarcastic! Therefore, I get back to basic at this step. I selected the 3Vs classical Big Data definition of Laney D. in this article. The most important thing that I want to let you know is “Only Large Volume of Data is not a Big Data”.

Reference:

Laney D (2001) 3-d data management: controlling data volume, velocity, and variety. META Group Research Note, 6 February (Citation: 2878)
David Reinsel – John Gantz – John Rydning, “The Digitization of the World From Edge to Core” An IDC White Paper. November 2018
Ambigavathi, M., &Sridharan, D. (2020). A Survey on Big Data in Healthcare Applications. In. Intelligent Communication, Control and Devices (pp. 755-763).

Digital Analytics Pal: winwithwong

Category: Analytics