适用于足球的人工智能：德甲联赛与 AWS 如何借助实时数据改变比赛

Matthias Patzak：
欢迎收听 AWS 带来的《高管洞见》播客。我是 Matthias Patzak。我是 AWS 企业战略分析师。今天与我共同出席的是德国职业足球联赛 DFL 体育技术创新高级副总裁 Hendrik Weber。Hendrik，感谢您今天能够光临。

Hendrik Weber：
感谢您的邀请。

Matthias Patzak：
Hendrik，您是否可以简单介绍一下 DFL，以及您在 DFL 的角色？

Hendrik Weber：
当然可以。DFL 是 Deutsche Futball Liga（德国足球职业联赛）的缩写，您在开场白中也提到过，这是德国顶级足球联赛的管理机构，我们也称之为足球联赛。我们负责组织联赛，也负责商业化俱乐部的权益。有两种分级联赛，每次有 18 支俱乐部参赛。这类似于 NBA、NHL，但专为德国足球而设。我可以告诉您一些数据，我们每年的收入是 16 亿欧元，我们会将这笔收入分配给俱乐部，这是他们收入的相当大一部分。这就是 DFL。在体育技术创新方面，我个人负责与技术、数据和分析相关的所有事项。更多的是关于体育方面的内容，我们稍后会详细讨论。

Matthias Patzak：
您是否可以详细解释一下“体育技术创新”？ DFL 的数据技术创新部分是指什么？

Hendrik Weber：
就体育数据策略而言，我的意思是，我们意识到数据是我们媒体产品的核心要素，也是俱乐部的重要来源。我相信大家都知道，比赛期间会收集大量数据。但这些数据会从联赛层面进行收集，因为让每支俱乐部单独收集数据并不合理。我们就负责这部分工作。然后我们将这些数据分发给俱乐部，俱乐部会将这些数据用于体育或媒体方面。创新部分是指我们希望走在时代前列，实现真正的创新，因为作为联赛，我认为我们在且努力保持创新性，这创新有时总是与技术和数据有关。

Matthias Patzak：
我必须承认，我不是足球迷，无法想象比赛期间会收集哪些数据。我知道进球数和犯规次数是基本数据，但比赛期间还会收集哪些其他数据？

Hendrik Weber：
很难得见到对足球不感兴趣的德国人。

Matthias Patzak：
好像是这样。

Hendrik Weber：
但没关系。我说过，如果您现在关注体育数据方面，会发现人们仍然在手动收集成千上万场赛事的数据。仍然是一群人在观察比赛，并对球场上的动作进行标注。然后，当我们深入探讨更多内容时，所谓的“大数据比赛”实际上是指追踪或定位数据。因此，我们每秒钟都会对足球和球员进行大量跟踪。每场比赛我们会收集约 360 万个数据点。而每年有 617 场比赛。

每个球场都有安装固定摄像头。这是通过计算机视觉技术实施位置检测。从下个赛季开始，我们将采用下一代追踪技术，也就是肢体追踪或骨骼追踪。数据量将增加 40 倍。这确实是一大堆数据，其中包含每个肢体和每个身体部位的信息，而这些数据有着广泛的应用场景。但这是我们所说的官方比赛数据收集环节，也就是“单一数据源”，这是我们媒体产品的一部分，我们通过该产品向众多不同用户分发内容。

Matthias Patzak：
对于收集数据，这些数据是实时数据，还是先收集数据，然后进行处理，一周后再出售？

Hendrik Weber：
说到点子上了。我认为体育领域真正的特别之处在于，直播内容才最有价值。如果我们谈论出售版权，显然直播内容才是核心。

Matthias Patzak：
因此是实时内容。

Hendrik Weber：
没错，绝对是实时数据。您说的完全正确。体育版权的真正价值在于直播内容，因为我们不仅要与其他体育赛事竞争，还要与其他娱乐产品竞争。您可能选择观看 Netflix 剧集，也可能选择观看德甲联赛或 NFL 比赛，但很难同时观看所有内容。因此，这种直播内容的魅力在于您无法预知下一刻会发生什么，而这或许正是改变比赛规则的关键，也是全球热议的焦点，这正是其真正价值所在。这一点也适用于数据。我们希望利用这些数据并将其融入媒体内容，以便提升每位球迷的体验，那么我们将低延迟实时数据与视频画面融合地越好，效果就会越好。

Matthias Patzak：
实时数据是否会被媒体机构、网络平台甚至是场上的教练使用？

Hendrik Weber：
都会。

Matthias Patzak：
真的吗？

Hendrik Weber：
当然是真的。我的意思是，有时就连新闻发布会也有分析师旁观。他们戴着耳机，以便相互联系。他们互相交流，iPad 上显示着实时视频画面，第二个屏幕上则显示实时数据。他们会对比赛进行标注，甚至可能在比赛中实时进行，然后将相关信息发送给教练，或者在半场休息时利用这些信息对某些战术进行调整。这在体育领域很常见。

顺便说一句，另一个示例是，导入数据后，可通过数据加快剪辑视频。如此一来，教练可在半场休息时获得准备好的片段，以便进行战术调整。但由于时间紧迫，只有几分钟时间，您需要快速操作，就需要数据来自动化这一流程。而在媒体方面，这涉及电视节目制作，可在其中使用直播电视图形或解说员。我的意思是，我们很乐意进一步探讨这一话题，因为我们与 AWS 合作开展了一些有趣的项目，以便支持在比赛中进行实时解说的解说员，探讨他们可以利用哪些数据来让解说更具吸引力和趣味性。

Matthias Patzak：
作为技术人员，我认为这非常有趣。这期播客关于数据和数据策略，我很好奇，您认为数据策略是什么？

Hendrik Weber：
先从数据策略开始，但这可能不是我所说的数据策略，因为我不认为这是真正的起点。我更倾向于将其称为“自下而上”的策略，也就是从数据模型、基础设施、数据托管方式以及数据处理流程等层面入手。 这更是一种自上而下的方法，我认为这必须与业务策略紧密关联。还有另一个方面，与球迷数据密切相关，但收集流程完全不同。

但就联赛来说，我们采用更传统的 B2B 商业模式，也就是向广播公司或中间商出售转播权。实际上，他们有直接联系，而我们没有。但这就是我们现在必须深入探讨的问题，“谁才是真正德甲联赛的球迷？ 他们的偏好是什么，喜欢什么，不喜欢什么？” 利用这些信息改进或定制我们的产品，确保我们的俱乐部在体育方面表现更出色，以便打造更具吸引力的联赛和赛事。而越是具有竞争力和吸引力，就越容易实现商业化。

Matthias Patzak：
我发现许多组织的数据策略实际上是一项计划，旨在构建技术、架构和软件。如何判断数据策略是否成功？

Hendrik Weber：
我认为体育行业，尤其是我们所处的领域，面临的挑战在于存在某些周期，时间可能长达 2、3 或 4 年。以出售版权为例，周期时长为四年，在此期间，您可以进行相关操作。但只有在四年后再次出售时，版权的价值才会发生增减。这与出售汽车或书籍不同，您每周都会收到一份报告，报告中的数据会上下波动。关键在于如何判断哪些策略有效，哪些策略无效。显然，我们应像 AWS 一样以客户为中心，进行球迷调查，询问德甲球迷：“是否真的喜欢这个项目？” 您是否更愿意我们整合更多数据内容而非单纯追求相关性，也就是具体到针对哪个年龄段、哪一代人、哪个渠道以及哪种分发方式？ 然后根据反馈做出相应反应。

Matthias Patzak：
很有意思。能否请您介绍一下 DFL 如何转型为数据驱动型组织，以及如何利用数据和数据策略？

Hendrik Weber：
2010 年、2011 年、2012 年，我们意识到体育数据实际上是一项战略资产。因为当时有很多提供商都在收集数据。这些数据缺乏一致性，质量也参差不齐。我们当时没有足够的流程可以应对这种情况。因此，我们从零开始构建数据模型、定义目录，明确如何定义数据、如何操作、如何建立数据管理中心，以及如何分发数据。随后，我们成立一家名为 Sportec Solutions 的公司，这是一家合资企业，也是 DFL 集团的子公司，所有体育数据活动都整合到这家企业中。

这与我们的整体理念相契合，我们称之为“玻璃到玻璃”策略。从相机镜头捕捉球场上的动作，到 iPad 或电视屏幕上观看德甲联赛，整个过程都涉及到“玻璃”的运用。中间的所有环节构成价值链，我们至少应该思考：“哪些是关键和战略要点，我们需要在何处实现或至少控制相关策略？” 对我们来说，数据逐渐成为战略性要素，这一转变正是这一过程中的必然结果。我们已在内部整合资源，且自主开发软件系统，并在这一领域日趋成熟。

Matthias Patzak：
这听起来真是一段充满收获的旅程。我发现许多组织在制定数据战略时，通常遵循“规划、构建、运行”的模式。他们会制定有关数据基础设施的计划，然后自行构建或外包，希望数据策略能够提供价值。但听起来，这段旅程充满了各种尝试和试验。你们如何提高数据策略的成功概率？

Hendrik Weber：
我认为关键之一是管理这些实验，我们也将其称为概念验证（POC），确保这些实验规模适中，范围够大但又不会太大，从而真正从中获得有价值的经验。但这并不会对整体造成太大影响，因为我之前提过，我们所处的行业相对保守，会规避风险，因此可以进行尝试，但重大错误确实会导致问题。

在足球和体育领域，尤其是足球，这项运动具有深厚的文化传承，球迷并不希望进行过多的创新尝试。如果要尝试新事物，就应当发挥作用。关键在于逐步找到正确的步骤，然后如您所说，从中吸取经验，进行调整，再重新尝试。这一过程通常由许多小步骤组成，有时可能会退后一步，但希望能够向前迈出一步半。

Matthias Patzak：
在德国社区，您是最早采用生成式人工智能的人员之一。您能否分享一个使用案例，说明您的数据策略如何帮助您在实时业务或基于球迷的数据业务中采用生成式人工智能？

Hendrik Weber：
我认为已有一些不错的使用案例正在进行 POC 并逐步实施。例如，就像我之前提到的，我们希望为解说员提供相关数据见解。我们将其称为 AI 实时播报器或 AI 数据查找工具，这是我们与 AWS 合作开发的工具。基本上，我们有大量实时数据不断涌入，但显然数据量非常庞大。在实时场景中，如果您想有时间滚动查看数据并查找到关键信息，这显然不太现实。因此，我们需要自动化处理，筛选出相关数据，并为解说员准备好这些数据，以便在实时解说中直接使用。这项功能我们已使用一年左右。

我认为我们研究的另一个非常有趣的领域是，这仅仅是数据本身，但如果添加视频、音频或其他内容，就会更加引人入胜。这涉及拍摄照片的人员，他们通过代理机构以某种方式将照片上传至某个地方，比赛结束后，可以从中挑选照片。但这一过程耗时过长。

如我之前所说，关键在于实现零延迟。这一想法是人工智能根据已收集的统计数据，筛选出最匹配的照片。然后可能对图片进行裁剪，但由于裁剪过，照片质量可能有所下降。您可以进行升级，使其成为一张非常精美的图片，甚至将其与图形相结合。这就像是信息图，您可以立即发送、分发到自己的渠道、社交媒体，甚至在电视图形中使用。有一种思路是将这些流程实现自动化并智能整合，最终生成真正独特的内容，这对于年轻受众而言具有实际价值。

Matthias Patzak：
我很好奇，你们一边谈论创新，一边又说球迷对质量有着极高的期待，这似乎意味着你们的创新速度很快。如何在保持高质量和数据完整性的同时，适应实验的快速节奏？

Hendrik Weber：
不错，需要一种平衡，我想在任何有人机闭环流程的数据项目中都是这样，我们也需要这种平衡。例如，我们与你们共同完成的项目就是我们所说的“德甲赛况”。基于实时场景跟踪数据进行高级统计分析，但总会存在一些特殊情况，也就是某些偶发事件，例如球员可能存在数据缺失，或者数据有时可能不准确，尽管我们已进行质量控制，但这种情况仍可能发生。这些数据随后会通过“人机闭环流程”进行处理，我们会在该流程中对数据进行审查，并评估如何调整模型或算法。

因为我说过，官方比赛数据是唯一可信的数据源。对于公众而言，这就是权威标准。如果我们说某球员跑动距离为 10 公里，那就是 10 公里，没有人会质疑。因此，我们必须确保数据质量达到最高标准。

Matthias Patzak：
您是 AWS 的长期客户，不仅使用我们的服务，我们还建立了合作关系，共同探索创新方式。您能否与播客听众分享一下，这种合作关系如何帮助 DFL 实现创新？

Hendrik Weber：
我们从你们身上受益良多，但最重要的是以客户为中心的理念。因此，请务必保持警醒，真正了解球迷的看法，或许还要了解未来球迷或年轻一代的意见，然后改变组织，改变商业模式。我认为这是我们学到的内容，我们正在努力付诸实践。

我之前提到过，这种实验性方法之所以可行，是因为这是会规避风险的环境。事关体育，很容易情绪化，尤其是足球。足球已存在一个世纪，之所以成功，是因为它从未真正改变过。它之所以好，正是因为它没有改变。这是基本观点，但我们对此有不同看法，因为我们认为我们需要创新，需要转型，需要适应下一代，适应这个极具竞争力的环境。我们需要进一步开发我们的产品，而要做到这一点，就需要不断尝试、实验和失败，但每次失败后，我们都要重新站起来，继续尝试其他方法。这是我们采用的一种方法，我认为这对我们的成功至关重要。

Matthias Patzak：
最后一个问题，对于同行和其他高级领导者在如何构建强大的数据基础和基于此数据基础的实验文化方面，您有哪些建议？

Hendrik Weber：
我认为，制定业务策略至关重要。虽然技术很重要，但不要一开始就过于技术化，真正需要思考的是：“我们组织的核心目标是什么？我们如何实际产生收入？ 我们的角色是什么？数据如何帮助我们？” 这才是我们的起点，也是指引我们的方向。

其次，对我来说，抛开技术，真正重要的是人才。您需要创建一种能够支持这种实验性方法的文化，并对此保持开放态度。我认为必须获得高级管理层自上而下的支持，让大家明确这是正确的方法，这样即使出现失败，也能得到理解和支持。如果能明白失败的原因并做出正确反应，那么失败也没关系。这有时说起来容易，但组织，有时是人，会阻碍创新。因此，如果您真的建立起这种文化并拥有合适的人才，那第三件事就是获得合适的技术并付诸实施，这三者结合才能真正实现目标。我认为您目前处在相当有利的位置。

Matthias Patzak：
Hendrik，非常感谢您参加本期播客。真的很高兴您能参加。非常感谢。

Hendrik Weber：
非常感谢。

立即收听

立即收听

立即收听