Bagaimana Pembelajaran Mesin dan Analitik mengubah NFL

Menggunakan AI untuk Meningkatkan Kepuasan Penggemar

Pada 2018, program TV paling populer bukanlah drama yang mendapat pujian dari kritikus atau acara reality show terbaru. Namun, program itu adalah sepak bola Amerika.


Pertandingan NFL menyumbang 46 dari 50 siaran televisi terpopuler tahun lalu, rata-rata 15,8 juta pemirsa sepanjang musim. Bagi para penggemar, daya tarik olahraga ini mungkin seperti catur; perpaduan strategi, persiapan, dan insting di setiap pertandingan. Setiap faktor memiliki pengaruh yang penting terhadap jalannya pertandingan: mulai dari perubahan susunan pemain, hingga kondisi di lapangan (misal dalam ruang vs. luar ruang, siang vs. malam, belum lagi angin dan curah hujan).

Meski NFL telah mencatat berbagai macam statistik sejak awal bergulir, selama beberapa dekade metrik ini relatif masih belum mapan, seperti hanya menghitung statistik yang tidak selalu menggambarkan sepenuhnya berbagai hal yang terjadi dalam pertandingan. Baru-baru ini, NFL menyadari bahwa diperlukan sistem yang lebih canggih untuk mengumpulkan data dan memahaminya. Sistem seperti itu dapat mengungkapkan wawasan tentang dinamika permainan untuk penggemar dan pemain; misalnya, hasil susunan pemain tertentu atau faktor-faktor yang memengaruhi performa pemain. Tujuan akhirnya: untuk menciptakan loyalitas pelanggan untuk NFL dan memenuhi tujuan penggemar fanatik dalam upaya mereka untuk lebih memahami permainan.

Hari ini, program Next Gen Stats (NGS) NFL menggunakan teknologi pelacakan canggih yang dikumpulkan melalui perangkat RFID di bantalan bahu setiap pemain dan disematkan di setiap stadionnya. Perangkat ini mencatat data tentang pemain mana yang ada di lapangan pada momen tertentu, lokasi mereka dalam hitungan inci, kecepatan, dan arah pergerakan mereka. Data yang begitu bernilai ini merupakan sumber daya yang sangat berharga bagi 32 tim di liga, berbagai mitra media, dan sekitar 180 juta penggemar di seluruh dunia.

“Pembelajaran mesin membuka potensi bagi kita untuk melakukan berbagai hal dengan lebih optimal, tepat waktu, dengan keyakinan yang tinggi.”

Matt Swensson
Wakil Presiden Produk dan Teknologi Berkembang
NFL

“Pembelajaran mesin membuka potensi bagi kita untuk melakukan berbagai hal dengan lebih optimal, tepat waktu, dengan keyakinan yang tinggi.”

Matt Swensson
Wakil Presiden Produk dan Teknologi Berkembang
NFL


Bermitra dengan Amazon Web Services, NFL memanfaatkan kekuatan datanya melalui analitik canggih dan pembelajaran mesin. “Pembelajaran mesin membuka potensi kita melakukan berbagai hal dengan lebih optimal, tepat waktu, dan keyakinan tinggi.” ujar Matt Swensson, Wakil Presiden Produk dan Teknologi Berkembang di NFL. “Kami memiliki banyak statistik dan ingin menemukan cara terbaik untuk memanfaatkannya. Kini, sistem pelacakan memungkinkan kami mengumpulkan banyak data, dan kami pun bisa menggunakan pembelajaran mesin untuk memahami elemen yang relevan dan yang tidak."

Didukung alat pembelajaran mesin Amazon SageMaker, platform NGS memungkinkan NFL untuk dengan cepat dan mudah membuat dan menerapkan model pembelajaran mesin yang mampu menafsirkan berbagai unsur dalam jalannya pertandingan. Salah satu contohnya adalah metrik Probabilitas Kelengkapan NGS yang mengintegrasikan lebih dari 10 pengukuran dalam pertandingan, mulai dari panjang dan kecepatan operan tertentu, hingga jarak antara penerima dan pemain bertahan terdekat-serta pemain suku belakang dan pass rusher terdekat.

Menggunakan Amazon SageMaker untuk dengan mudah membangun, melatih, dan menjalankan model prediksi ini membantu mendapatkan hasil dengan lebih cepat, yang sebelumnya butuh 12 jam kini hanya 30 menit. Dan seperti kata Swensson, dengan SageMaker, NFL tidak perlu mempersenjatai diri dengan banyak tim ilmuwan data—para rekayasawan dapat langsung mulai. “Kami tidak perlu memulai dari awal setiap kali kami ingin melakukan sesuatu,” kata Swensson.

Hasilnya penggemar menjadi lebih paham mengapa beberapa permainan operan lebih sulit dari yang lain dan jauh lebih memahami tentang pertandingan itu sendiri. Wawasan ini dapat langsung membantu NFL dan mitra medianya untuk menghadirkan konten online dan siaran yang lebih berkualitas, atau bahkan untuk membantu penggemar memahami konteks pertandingan dan menambah keseruan di dalam stadion. "Banyak sekali umpan balik positif dari para penggemar yang mengatakan, 'Wow, bagaimana mereka melakukan operan itu?' Kami sejauh ini berhasil mengukur dan membandingkannya dengan operan lain, dan itu menjadi nilai tambah yang nyata bagi penggemar karena suasana pertandingan ditingkatkan dengan pemahaman konteksnya, "kata Swensson.

Tentu saja, data hanya berguna jika bisa langsung dan mudah diakses. Menggunakan alat intelijen bisnis Amazon QuickSight, NFL mampu memperoleh wawasan yang lebih besar secara internal, dan di sisi lain juga membuka peluang bagi penggemar untuk terlibat dengan data. "Ini memungkinkan kami menjalankan kueri yang sangat cepat untuk mengajukan pertanyaan dan memunculkan jawaban di dasbor," kata Swensson. "Kami sediakan dasbor bagi klub, penyiar televisi, dan rekan editorial kami, juga bagi para penulis sepak bola Amerika fantasi di NFL.com."

Jika dulu butuh waktu berjam-jam atau beberapa hari, kini dasbor dapat dibuat dalam hitungan menit dan juga dapat mencakup sejumlah filter yang relevan. "Ini memungkinkan kami menghindari penulisan banyak kode setiap kali ingin menunjukkan informasi," kata Swensson. "Jauh lebih efisien."

Selain itu, NFL dapat mengambil wawasan ini dan menerapkannya ke berbagai bagian organisasi, membantu pelatih merencanakan pola permainan yang lebih baik, bahkan menemukan cara untuk meningkatkan keamanan pemain. “Makin banyak informasi yang Anda miliki, makin baik Anda dapat menentukan pola permainan,” ujar Swensson. Pola-pola yang diidentifikasi melalui pembelajaran mesin ini bisa menghadirkan pemahaman yang lebih baik tentang situasi seperti apa yang rentan membuat pemain mengalami cedera, serta untuk membantu merancang aturan guna mengurangi risiko.

Hasil akhirnya adalah kepuasan yang lebih baik bagi penggemar, pemain, dan tim—semuanya secara waktu nyata. Inilah awal dari generasi sepak bola Amerika NFL berikutnya, dan didukung oleh pembelajran mesin dan analitik generasi berikutnya.

Kia menggunakan ML untuk mengurangi kematian akibat kecelakaan mobil

Pelajari selengkapnya »

Capital One menggunakan ML untuk lebih melindungi pelanggan dari penipuan

Pelajari lebih lanjut »

GE Healthcare mendorong layanan kesehatan yang lebih baik dengan ML

Pelajari selengkapnya »

T-Mobile memanusiakan layanan pelanggan dengan ML

Pelajari selengkapnya »