Opracowaliście system automatycznego rozpoznawania graczy podczas rozgrywki piłkarskiej. A Wasz algorytm 60 razy na sekundę sczytuje trójwymiarowe współrzędne 20 części ciała każdego gracza oraz piłki. Po co to robi?
W skrócie: aby pozyskać niedostępne dotąd szczegółowe dane i wykorzystać je do lepszego zrozumienia piłki nożnej. Czyli w praktyce bardziej precyzyjną ocenę występu drużyny i piłkarzy oraz przewidywanie prawdopodobieństw przyszłych zdarzeń: wyników meczów.
Odpowiadając natomiast bardziej szczegółowo, zrozumienie piłki – statystyki, identyfikowane i mierzone zdarzenia boiskowe – ogranicza się do tego, co człowiek potrafi rozróżnić. Dlaczego mierzymy podania i udane dryblingi, ale już nie intensywność pressingu lub typ czy szybkość dryblingu. Pora wspomóc się technologią, aby móc lepiej rozumieć i wyjaśniać piłkę. Nasze algorytmy, dzięki danym 3D, są w stanie stworzyć lepszą, głębszą warstwę jakościowych statystyk. W szczególności takich, które precyzyjniej tłumaczą przebieg meczu.
Co dzieje się po zebraniu danych? Jak z nich mogą skorzystać trenerzy, zawodnicy i kluby sportowe?
Zacznijmy od tego, że branża piłkarska nie jest naszym jedynym odbiorcą. Nie jest nawet największym. Są nimi branże bukmacherska i medialna. Obydwie te branże operują na danych i są żywotnie zainteresowane zrozumieniem i wytłumaczeniem gry.
Jeśli chodzi natomiast o dziedzinę piłki nożnej, to tutaj kluczowe jest przetworzenie surowych danych pozycyjnych w kompozytowe statystyki – można je nazwać statystykami 2.0. Kluczowe jest, aby te statystyki nie były „suche”, ale aby były interpretowalne.
Dobrym przykładem jest metryka „orientacji ciała”, tj. kąta pod jakim zwrócone jest ciało piłkarza oraz kierunek zwrócenia głowy (technicznie rzecz biorąc są to diwę oddzielne metryki). Mierzenie ich przekracza możliwości człowieka i wymaga sczytywania punktów ciała w 3D. A użyć tego możemy do analizy skuteczności podań (wykonania jak i przyjęcia) w zależności od ułożenia ciała i kierunku wzroku podającego i przyjmującego. W końcu można zmierzyć jak przydatne dla Iniesty i Xavigo były te krótkie spojrzenia, którymi regularnie skanowali przestrzeń podczas prowadzenia piłki.
Wspomniałeś, że branża piłkarska nie jest Waszym jedynym odbiorcą. Są nim również branże bukmacherska i medialna. I tu mam dwa pytania. Pierwsze – ktoś jeszcze może wykorzystać dane analityczne ReSpo.Vision?
W najbliższych miesiącach planujemy rozszerzenie obsługiwanych sportów o tenis i sporty amerykańskie: futbol amerykański, koszykówkę, baseball i hokej. Nasze algorytmy są uniwersalne, a naszym celem od początku było pomóc tłumaczyć sport. Piłka nożna wzięliśmy na tapet z racji jej popularność i wielkość rynku
Drugie pytanie – zatem na jak dużym rynku działacie?
Rynek bukmacherski jest olbrzymi. Wartości zakładów sportowych w Europie to setki miliardów euro rocznie. A mamy jeszcze inne sporty i inne kontynenty. Nie dziwi więc, że wydatki na analitykę w branży bukmacherskiej są olbrzymie. Rynek analityki w sporcie natomiast jest o wiele mniejszy, ale za to rośnie jak na drożdżach. Sukcesy analitycznie zarządzanych klubów jak Brentford FC, FC Midtjylland czy nawet Liverpoolu dają decydentom wiele do myślenia i powodują olbrzymi wzrost zainteresowania zaawansowaną analityką.
A z kim konkurujecie?
Konkurujemy z dwoma typami firm.
Pierwsza to giganci analityki danych: Sportradar, Genius Sports i Stats Perform. To wielomiliardowe firmy zatrudniające tysiące ręcznych adnotatorów – ludzi notujących przebieg meczu i wydarzenia. Nasza główną przewagę nad nimi stanowi nasza innowacyjność w zakresie automatycznego procesu pozyskiwania danych.
Drugą grupą są firmy technologiczne, które starają się pozyskiwać dane automatycznie lub półautomatycznie. Strategia, która dominuje wśród nich, polega na instalowaniu kamer (najczęściej wielu) na stadionach i pozyskiwaniu danych w 2D. Nasza przewaga nad nimi opiera się na dokładności (3D>2D) i braku przywiązania do hardware’u. Nam wystarczy sygnał telewizyjny, który produkowany jest dla każdego istotnego meczu na świecie. Oni muszą zainstalować się na danym stadionie. A stadionów na świecie jest bardzo dużo.
Jak przekonacie kluby sportowe do wdrożenia ReSpo.Vision?
Już to zrobiliśmy. Współpracujemy z uczestnikami Ligi Mistrzów, np. PSG. Argumentacja jest stosunkowo prosta: pokazujemy im nasze dane 3D, których nikt oprócz nas nie szczytuje i zwykle od razu dyskutujemy o tzw. use cases, czyli gdzie chcieliby takie dane wykorzystać.
Jak wygląda samo wdrożenie Waszej technologii?
Zwykle zaczynamy od Proof of Concept, czyli opracowania listy metryk, które dany klub chce zmierzyć i określenia czasu na ich przygotowanie – zwykle 1-2 miesięcy. Tak to wyglądało do tej pory. Obecnie pracujemy w pocie czoła, aby wystawić serwis dla klubów, który będzie działał na zasadzie: załaduj mecz/wideo i ściągnij dane/analizę. A wszystko bez udziału naszych speców – z automatu. Takie podejście pozwoli nam na bardzo szybkie skalowanie.
Co następuje po wdrożeniu? Ile właściciele klubów muszą zapłacić za dostęp do ReSpo.Vision?
Cena zależy od ilości pracy i oczekiwanej analityki. Ujmując to inaczej, nasz docelowy pricing to nadal mniej niż przeciętny klub ekstraklasy wydaje na pensje rezerwowego gracza.
Jednym z czynników, który świadczy o potencjale startupu, jest zewnętrzne finansowanie. A to pozyskaliście w maju. Na co przeznaczycie 4,5 mln złotych?
Na „produktyzację” technologii. Mamy system, który działa, lecz nadal należy go nieustannie ulepszać. Ale przede wszystkim potrzeba nam „przenicować” działające systemy sczytywania i analizy danych na łatwe i zgrabne w użyciu, automatyczne produkty w modelu SaaS, które pozwolą nam na dalszy blitzscaling (przyp. red. schemat błyskawicznego rozwoju firm na olbrzymią skalę)
Jak zamierzacie zakończyć ten rok? Co osiągniecie?
Chcemy mocno zaistnieć na rynku europejskim – szczególnie w branży bukmacherskiej i zbudować podwaliny pod dalszą ekspansję w kolejne sporty i geografię, którą planujemy na rok 2022.
