Che cos’ha un campione in più rispetto agli atleti le cui prestazioni restano nella media? Per alcuni sarà il talento, per altri la professionalità, secondo Microsoft è anche la capacità di prendere le decisioni giuste al di fuori del campo.
Stabilire correttamente alimentazione, allenamenti e periodi di recupero può fare la differenza, secondo Redmond, e qui si vede un campo in cui gli analytics possono essere applicati perfettamente.
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. In questo senso Microsoft ha presentato la Sports Performance Platform, che rappresenta un primo esempio di come sia possibile estendere il machine learning allo sport, spaziando dai professionisti alle scuole e anche ai singoli atleti o allenatori.
La Sports Performance Platform – che, spiega Microsoft, è già stata adottata da squadre come la Real Sociedad e il Benfica – usa infatti modelli predittivi per stimare e migliorare le prestazioni dei giocatori. Il ruolo della piattaforma in tal senso sta proprio 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.
La Sports Performance Platform è la combinazione di Power BI, Microsoft Azure e di dispositivi Surface. 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.
