MATEMATICA & SPORT #mathandsport Ottavio Crivaro Monza, 9 Gennaio 2016
Who we are Ottavio CRIVARO CEO Alfio QUARTERONI EPFL CMCS Director Piercesare SECCHI PoliMI Math Department Director Luca FORMAGGIA PoliMI MOX Director Management team Engineers & Data scientists Spinoff of Politecnico di Milano MOX Lab Technology & Know-how transfer Innovative product development Software solutions provider 2
VOLLEY & DATA SCIENCE Movement optimization Tactical analysis & forecasting 3
Our first goals: Movement optimization (Big) Data from repeated movements Trajectories, for markers and balls Reliable measurement Realistic assessments of effectiveness Tactical analysis & forecast (Big) Data from match Reliable data Models and algorithms Realtime calculation 4
Our first goals: Movement optimization (Big) Data from repeated movements Trajectories, for markers and balls Reliable measurement Realistic assessments of effectiveness 5
Data aquisition e pre-processing Few minutes for each trajectory and for tens of video https://www.youtube.com/embed/_rkodkzgvtg 6
Spin service: wrist and ball trajectories 7
MOViDA Movement's Optimization, through Video and Data Analysis SIMPLE SETUP FAST DATA ACQUISITION COACH DRIVEN analysis DATA DRIVEN analysis SaaS procedure CLOUD based VIDEO PROCESSING of movements AUTOMATIC data exctraction SIMULATION & DATA DRIVEN ANALYSIS 8
Our first goals: Tactical analysis & forecast (Big) Data from match Reliable data Models and algorithms Realtime calculation 9
FEDERAZIONE ITALIANA PALLAVOLO www.youtube.com/embed/os_qfr7jvcs The VIEWPOINT of who is collecting DATA - Every information on a single action - From specific perspective - With highly specialized tools
FEDERAZIONE ITALIANA PALLAVOLO From big data to Info & Analysis
FEDERAZIONE ITALIANA PALLAVOLO From big data to forecast to block A «Gobbo» friend for a Toro s supporter!
condizioni al contorno e variabili Rotazione propria Vantaggio/Svantaggio Tipo battuta Zona alzata (valutazione ricez.) Rotazione avversario Parte del set Zona battuta Ripetute Palleggiatore Set Zona ricezione Time out 13
1 2 3 condizioni al contorno e variabili Rotazione propria Vantaggio/Svantaggio Tipo battuta Zona alzata (valutazione ricez.) Rotazione avversario Parte del set Zona battuta Ripetute Palleggiatore Set Zona ricezione Time out 14
1 2 3 condizioni al contorno e variabili Rotazione propria Vantaggio/Svantaggio Tipo battuta Zona alzata (valutazione ricez.) Rotazione avversario Parte del set Zona battuta Ripetute Palleggiatore Set Zona ricezione Time out 15
1 2 3 condizioni al contorno e variabili Rotazione propria Vantaggio/Svantaggio Tipo battuta Zona alzata (valutazione ricez.) Rotazione avversario Parte del set Zona battuta Ripetute Palleggiatore Set Zona ricezione Time out 16
From big data to forecast to block 17
Lo stesso palleggiatore, nella stessa situazione, può fare scelte differenti. Si generano quindi decine di migliaia di modelli di gioco che studiano la dipendenza statistica di un evento (tipo di alzata) dalle condizioni date. Il software sceglie quelli che ritiene rappresentativi per predire la prossima partita. Un algoritmo di previsione run-time, molto veloce, sceglie il modello vincente : si riesce così a prevedere quali mix di comportamenti noti saranno adottati in quel momento. Otteniamo quindi alla fine indicazioni (previsioni) su zona e direzione di attacco 18
Hundreds of models in competition to forecast a specific setter in a specific game. One of them is the winner for each part of the game, but it could change during the game itself! 19
Provato sul campo (world league 2014 e mondiali 2014). Decine di situazioni per ogni partita in cui prevede l attacco con probabilità >90% Spettacolare ed efficace ma, davvero utile?!? 1. Chi e come comunica tutte queste informazioni ai giocatori durante la concitazione della partita? 2. Il bilancio tra informazioni fornite e «deresponsabilizzazione» dell atleta è positivo? 3. È davvero questa l informazione che serve durante una partita? 4. È il diluvio di informazioni analitiche (ma inevitabilmente poco accurate) la strada corretta? 5. È un approccio che tante squadre, tanti staff e atleti, possono permettersi? 20
Ribaltiamo il punto di vista Qual è l informazione più semplice che posso offrire real-time a un tecnico? E quale invece quella che posso offrire a staff e giocatori fuori dalla partita? Qual è il modello più semplice che permetta di catturare il maggior numero di elementi essenziali del fenomeno (distribuzione del palleggiatore)? Quali sono i dati che alimentino al meglio tale modello? della maggior quantità e qualità possibile? 21
From big data to very relevant data Da 12 a 3 variabili Virtual Coach Real-time Rotazione Zona di ricezione Zona di alzata 22
23
28
SeTTEX studia Giannelli Europei 2015 F 35% C 22% B 30% P 13% 29
SeTTEX studia Giannelli Slovenia - Italia F 36% C 15% B 43% P 6% 30
Slovenia - Italia Il Virtual Coach «rileva» cambio gioco di Giannelli 31
Where are we going? Match Simulator Training game SGC (Supporter Generated Content) 32
Match Simulator & Traning Game 33
GRAZIE #mathandsport www.moxoff.com www.mathandsport.com Ottavio Crivaro ottavio.crivaro@moxoff.com Tel.: 02 2399 2971 Cell.: 339 4786459 @_MathXInn moxoff_mathematics_for_innovation math /mathematicsforinnovation 34