
大数据时代,以“大数据”为代表的新技术对体育直播的冲击,大数据在体育直播中的挑战和创新,虽然现在来看威胁到体育解说员的角色,但是对这个行业的来说却是锦上添花。
从“单屏”到“多屏”
首先还是要从体育观赏方式的变化说起:移动端,就拿本次巴西世界杯来说,调查显示有 30% 的球迷使用智能手机或平板电脑观看比赛,另有 30% 的观众使用电视机收看比赛。
移动端的崛起,将赛事欣赏从“单屏”直接变成了“多屏”。奥美体育营销总监强炜在“英特尔体育行业与大数据应用”会议上分享了自己使用 APP 欣赏赛事的经历:我手机里面的 APP 不仅有集锦、回放等等,而且跟我的工作有直接关系,跟我的个人爱好可以随时发生关联。我飞去巴西看球的经历是很痛苦的行程,24小时的飞机,离比赛时间还有三小时,因为机场不能来接,我要在这个时间内到酒店去取票,然后再去场地,看完比赛以后当天晚上住下来,所以这个过程很痛苦,大部分的时间在飞机上。
我看互联网的科技已经可以让我们把世界上最好的比赛随时随地去看,这一点应该是互联网科技和大数据给我们渗透生活当中的各个表现。实际上这种视频网站以及移动终端已经把这个信息全面的推给到我们的用户。昨天我看到一个新闻是优酷和乐视在第一轮比赛之前的整个用户量都已经过亿,所以尽管由于时差的原因,很多人尽管也选择在家里看比赛,但是互联网的应用是全面的渗入到我们的体育生活当中。
通常来说,移动端设备 APP 应用的计算主要发生在前端,比如消息、微博、阅读、办公等等,对于后端的计算能力虽然也有一定要求,但是计算量往往比较小或者与服务器的通讯是间歇性的。体育直播则不同,数据计算体量大:视频是数字格式当中体积最大的,客户端的计算请求数量异常之高——因为观赛人数规模实在太庞大。就拿上届世界杯来说,权威机构尼尔森(Nielsen)发布的数据显示,有超过 1.11亿美国观众观看了 2010 年的足坛盛事。本届世界杯更甚,美国与加纳的小组赛首轮比赛仅英文电视转播就吸引了 1109.3 万观众,创下了 ESPN 单场男子足球比赛观众人数最多、收视率最高的纪录,这还不算西班牙语电视转播的观众。
上届世界杯 ESPN 派出了庞大的转播队伍,使用了全套顶尖的英特尔计算设备,包括笔记本电脑、服务器、网络和图形设备全方位助力网络和电视转播。ESPN公司负责人将其描绘为该电视网有史以来最为恢宏的节目转播活动。ESPN负责网络、支持与安全服务的副总裁 Dan Robertson 就曾表示:“那是我们所做过的最大的远程直播节目。”
美国这样以“橄榄球、棒球和篮球”为三大球类运动的国度都在热衷于足球。足球运动在中国长久不衰落,观赛球迷数量和美国相比只多不少,大概都可以用亿计都说不定。ESPN 是美国球迷首选的观赛平台,优酷土豆和新浪则是中国球迷网民的看球首选。优酷土豆和新浪的转播队伍很可能要服务比 ESPN 更庞大的观众群——中国球迷。中国新闻网的消息指出,世界杯期间优酷播放量已经破亿,另一家视频网站乐视公布数据,该网站日均覆盖用户数超过4500万,日均播放时长超过3500小时,日均播放次数超过2亿次。可见,互联网应用已经全面渗入到我们的体育生活当中。值得一提的是,优酷土豆、新浪和 ESPN 一样,这三家公司都采用了英特尔的产品作后端支持系统,提供稳定、可靠的直播服务。
观众人数的增大不仅带来了直播的压力,服务这部分群体的其他互联网和内容产品同样面临巨大的后端计算压力,比如网站的评论系统、论坛区。某一段精彩进球视频的播放次数可能会超过一场比赛的次数(因为会有人重复观看),并且球迷在评论中彼此互动,又进一步加大了网站的后台负担。所有这些挑战,如果没有足够强劲的计算能力支持,是没有办法实现的。
“多屏”普及也为体育直播的创新创造了条件,虽然平板设备能做的事情有限,且无法实现沉浸式体验(屏幕尺寸和解析度无法和主流高清电视相比),但是平板设备上丰富的 APP 资源和数据运算能力,使其能够与电视画面相配合,实现联动、互补。比如电视画面上是比赛实况,观众可能会在平板设备的“小屏”上刷微博,发表观点,也可能在上球迷论坛,与此时此刻同样在看球的其他人一起讨论。数据显示,美国地区有 85% 的平板用户在看电视的时候会使用他们的设备,多屏设备的使用体验从主动(self-initiated)变成了一种程序(programmed experience)。
这种与体育直播画面的联动和互补,体现了“大数据”的优势:预测分析,尤其是挖掘出直播画面当中被忽略的成分。比如美国职业棒球联盟(MLB)采用英特尔的服务器系统实现了比赛直播中“大数据”分析结果与直播画面的叠加。如图,仅仅从直播画面中,并无法判断两名外野手距离落点究竟有多远,反应速度、奔跑距离和加速度的详细数据。但是“大数据”技术能够把这些被忽略的细节加入到体育直播当中去,配合移动设备与电视的多屏呈现。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29