Первое профессиональное программное решение по спортивной аналитике, усиленное ИИ, мы с командой построили для экзотичного у нас крикета. Было это еще в 2017 году, и тогда решение выглядело каким-то космолетом.
Сейчас в 2026-м наш ИИ-аналитик на базе AI4BI "универсализировался", оброс возможностями по добавлению доменной экспертизы через RAG-базы знаний и сильным AI\ML плечом, развился до того, чтобы масштабироваться в сторону как классических видов спорта - футбола, хоккея, волейбола, баскетбола, бенди - под самые разные роли: тренер, скаут, спортивный аналитик, спортивный директор, владелец клуба, так и в сторону «гражданской» фитнес-аналитики. При этом уже не выглядит чем-то космическим - сейчас это доступный инструмент для спортивных организаций от профессиональных команд до фитнес-клубов.
Сегодня разберём 3 кейса, покрывающих 3 разных вида спорта и 3 роли, - и на каждом покажем, как это выглядит внутри AI4BI.
Как я дошел до спортивной аналитики
Ответ: как обычно, по довольно забавному пути :)
Тяга к аналитике в целом нежданно проснулась у меня в студенческой общаге и пошла она... смех-слезы...парам-парам-пам... от футбольного менеджера FIFA-06. Мы рубились в «фифу» вечерами, а отдельным видом guilty pleasure именно для меня, студента мат.фака, было параллельно копаться в статистике команд и игроков, сводя в таблички десятки вариантов в попытке собрать клуб мечты и построить «из ничего» хотя бы «виртуально» успешную карьеру ярославского Шинника в мировом футболе ><
Тогда это называлось «задротством» и «ботанством», сейчас внутренний маркетолог называет это «скаутской аналитикой» :)
В общем, резюмируя: в аналитику в целом меня привела страсть к спорту, результатам и слегка еврейская жилка находить недооценённое - в универе это немного подкерпилось матчастью: статистикой, алгоритмами, теорией игр и вуаля...
Первый профессиональный AI-powered продукт в этой сфере, что нам с командой удалось построить, случился правда только десятью годами позже - это был Scouting App для Australian Cricket League (CA League): мы делали его в партнёрстве с тогда еще имевшим представительство в РФ Microsoft и с благословения самого Сатьи (тык).
Интеграция со слоем данных из Opta, куча интервью с представителями лиги, глубокое погружение в специфику вида спорта, который мы в первый раз видели, ограничения ML технологий того времени - всё это отняло у нас несколько месяцев упорного труда, чтобы сделать довольно скромный по нынешним меркам продукт (отставить смех! :) ):
А отдельным «фокусом» в том приключении стал коммуникационный гэп: мой «рунглиш» несколько недель притирался к просто жуткому для понимания австралийскому акценту, с которым может поспорить разве что версия, приправленная индийским карри. Сейчас - это теплые воспоминания и ностальгия в LInkedin-е , но тогда я представляю горящую пятую точку Пола Бошера, data analyst со стороны CA League, когда он пытался донести до меня азбуку крикета, а в ответ получал стену из переспросов через каждое слово ><
С тех пор поменялось буквально все - нам удалось построить решение, с помощью которого настройка под лигу, клуб, роль больше не требует месяцев труда. Решение, которое говорит с тобой на твоем языке. Погнали разбирать разные кейсы с AI4BI.
ЧМ-26, хоккей, фитнес и AI
Ниже три сценария, которые мы собрали под конкретные роли и конкретные боли: скаут в хоккее, аналитик в футболе и ИИ-тренер в фитнесе. Везде одна и та же логика: пользователь формулирует вопрос на человеческом языке, AI4BI сам решает, какие данные поднять, как их сшить и в каком виде отдать ответ - дашбордом, карточкой игрока или планом тренировок.
Кейс 1. Прогноз на результат финала ЧМ-2026
Только отгремел ЧМ-2026 и мы, разумеется, не могли остаться в стороне от этой темы - за день до финального матча я с помощью AI4BI выступил в роли спортивного аналитика и попробовал предсказать результат финального противостояния Испании и Аргентины - тык и тык.
Сейчас увидим не только конечный результат этого фокуса, но и системно разберем, как он устроен.
Роль: спортивный аналитик национальной футбольной команды.
Боль: нет единого места, где лежат чистые, готовые для модели данные по сборным — они разбросаны по ряду источников (FBref, Understat, StatsBomb), историческим датасетам (Kaggle, Club Elo) и накопленной внутренней аналитике, у каждого свой формат и своя система идентификаторов игроков.
Задача, которую мы поставили AI4BI: 18 июля, за сутки до финала ЧМ-2026 Испания — Аргентина собрать разовый прогноз — вероятности исхода и проекцию по ключевым игрокам.
Что AI4BI сделал:
Подтянул историю международных матчей из Kaggle-датасетов и рейтинги Club Elo для обеих сборных.
Собрал форму игроков по клубным выступлениям (Understat - по xG, FBref/Sofascore - по общим метрикам) для вероятных стартовых составов.
Свёл всё в две плоские таблицы - матчевую (результат, Elo, форма за 5/10 игр, очные встречи, дни отдыха) и игрок-матчевую (минуты, голы, передачи или сейвы, сила соперника).
Прогнал модель Пуассона/Диксона-Коулза для исхода матча и простую регрессию на скользящих средних для проекции по игрокам.
Аналитик: «Дай вероятности исхода финала Испания – Аргентина и проекцию голов + передач для вероятных стартовых составов»
AI4BI: «Финал ЧМ-2026: Аргентина - Испания. Прогноз модели: Кто победит? Испания - минимальный фаворит, но финал практически «орёл или решка»: Исход Победа с учётом ОТ + пенальти 49.1% на 50.9% Разница в общей вероятности - всего 1.8 процентных пункта в пользу Испании. Это статистическая ничья.»
А как было на самом деле? Финал состоялся 19 июля 2026 года, и можно было сверить наш прогноз с реальностью. С точки зрения фанатов Месси или зрелищности игры к матчу, конечно, могут быть вопросы, но с нашей точки зрения игра была просто подарок - скучнейшие 0:0 в основное время, успешно отбивающаяся до 106 минуты Аргентина и итоговое минимальное преимущество Испании по итогам дополнительного времени: 1:0
По общей структуре прогноз лёг довольно близко к реальности: плотный, низовой матч, который мог качнуться в любую сторону, решённый в дополнительное время, с повышенной нагрузкой на вратаря «альбиселесте» - именно то, что показала модель до игры. Это ровно тот уровень точности, которого стоит ждать от вероятностной модели: очертить наиболее вероятный сценарий и не выдавать ложную уверенность там, где силы сторон реально близки.
Кейс 2. Скаут в хоккее
Хоккейная тема нам очень близка по партнерству с чемпионами ХК Локомотив - парни в кровь бьются в хоккейной коробке и пашут на тренировках, мы для них делаем официально лучший сайт в Лиге ；）
Смотрим через призму AI4BI на новый вид спорт и новую роль.
Роль: скаут / спортивный директор клуба КХЛ.
Боль: клуб выбирает состав на сезон 2026–2027, а игроки, которых нужно оценить, играют в трёх разных лигах - КХЛ, НХЛ, АХЛ - с разным уровнем конкуренции, размером площадки, календарём и стандартом статистики. Сегодня это сравнение делается вручную: скауты смотрят на сырые голы, передачи и «плюс-минус» без поправки на силу лиги, роль игрока и игровое время, и без систематического способа спрогнозировать, как изменится продуктивность игрока при переходе в новую команду и лигу.
Что AI4BI делает под капотом. Мы построили аналитический слой, который сводит статистику всех трёх лиг в единую модель:
витрина с канонической карточкой игрока и историей выступлений по играм и сезонам в разрезе КХЛ, НХЛ и АХЛ;
коэффициенты трансляции силы лиг (League Equivalency, развитие классического NHLE-подхода) - по историческим переходам игроков между лигами AI4BI считает, как соотносится результативность в одной лиге с результативностью в другой;
поправку на роль и игровое время - с учётом текущей глубины состава конкретного клуба (это как раз то, что превращает общий перевод статистики в проекцию «под нашу команду»);
возрастные кривые и модель похожих игроков (k-NN по стилю, позиции, лиговому пути) - чтобы не просто выдать точку, а показать диапазон реалистичных исходов и человекочитаемые сравнения вроде «играет в стиле дебютного сезона игрока Х в КХЛ».
Как это выглядит в диалоге:
Скаут: «Найди правого нападающего 22–25 лет, который по продвинутым метрикам близок к нашему нынешнему топ-6 форварду, но потенциально доступен из АХЛ на сезон 2026–2027»
AI4BI отвечает:
Что это меняет для скаута. Модель показывает возможные диапазоны, не претендуя на ложную точность, дает полную прослеживаемость данных, чтобы скаут мог их перепроверить. Финальное решение и ответственность за него в любом случае остаётся за скаутом, а AI4BI дает ему время на то, чтобы все взвесить, избавляя от рутинного сведения таблиц по нескольким лигам и тысячам игроков вручную.
Кейс 3. ИИ-тренер: от дашборда восстановления до плана реабилитации
На собственной потрепанной шкуре знаю, как проходится путь реабилитации от тяжелых травм, как тяжело отслеживать минимальный прогресс на протяжении долгих отрезков, как утомляет рутина составления планов ежедневных тренировок, - пробуем систематизировать схожий опыт внутри нашей системы и переложить его на спортивные рельсы.
Роль: фитнес- и реабилитационный тренер.
Боль: Тренер - это не аналитик, он не пишет SQL, но каждый день ему нужно оценивать состояние своих подопечных одним взглядом, разбираться, почему конкретный игрок или группа игроков «просели», и превращать эти находки в конкретный недельный план для спортсмена.
AI4BI сидит поверх типового слоя данных, который тренер уже собирает: нагрузка и её производные (ACWR - острая/хроническая нагрузка, монотонность, «страйн»), субъективное самочувствие (сон, боль в мышцах, стресс, анкетирование) и данные по травмам и реабилитационным чек-пойнтам (фаза реабилитации, болевой индекс, сила в % от базовой, индекс симметрии конечностей).
Рассмотрим несколько сценариев:
Сценарий А - наглядный дашборд с нужными показателями одним промптом
Тренер: «Собери дашборд готовности и риска нагрузки команды за последние 4 недели: readiness-score по игрокам, тренд ACWR с флагом риска выше 1.5 или ниже 0.8, список травмированных/восстанавливающихся с фазой реабилитации и карточку среднего сна/боли в мышцах за неделю по сравнению с предыдущей»
AI4BIчерез минуту:
Сценарий Б - углубленный разбор проблемы
Допустим, тренер замечает, что в этом квартале участились травмы задней поверхности бедра в его группе у некоторых подопечных, и хочет понять корневую причину, до того как это станет системой.
Тренер: "Посмотри на травмы, нагрузку и самочувствие вокруг случаев травм задней поверхности бедра — что отличает этих игроков и эти периоды от остальной команды: скакал ли ACWR перед травмой, было ли хуже со сном или болью, концентрируется ли это в одной позиции?"
AI4BI: Ответ системы:
Сценарий В — план восстановления
Тренер:"По последним данным реабилитационной оценки и текущей нагрузке Окафор - в какой он фазе реабилитации? составь 4-недельный план тренировок с безопасным наращиванием нагрузки, с чек-пойнтами по болевому индексу, силе в % от базы и индексу симметрии конечностей для перехода на следующую фазу"
AI4BI: План составлен и готов к валидации:
Что здесь важно. Диагноз и клиническое решение по-прежнему остаются за специалистом. AI4BI берёт на себя рутину сведения таблиц и первичный анализ — то, что раньше отнимало у тренера, реабилитолога несколько дней ручной работы, теперь может быть решено в один диалог.
Заключение
От excel-таблички «клуба мечты» в FIFA-06 до аналитического решения, способного погрузиться в специфику вида спорта, лиги, клуба и конкретной роли, чтобы выдать уверенный результат - как тебе такое, Илон Маск? :)
Расстояние, конечно, приличное, но базовая логика не поменялась: собрать разрозненные данные и получить объективную картину, чтобы не выдавать желаемое за действительное.
Разница в том, что раньше на подобное уходили месяцы работы продуктовой и технической команды, сегодня это тоже не «прогулка в парке» - требуется подготовленный аналитический слой данных, интеграция в инфраструктуру, настроенная под специфику лиги и команды база знаний, верно подобранная прогностическая модель, но! это уже доступно и через интеграцию AI4BI может быть решено на порядок быстрее, чем раньше.
PS: Для дочитавших приятный бонус-вопрос и частушка эпохи динозавров:
"Словно каменный забор
Пред воротами Егор.
Давай представим мысленно
Чаво на нем написано?"
Внимание вопрос: Что было написано на Егоре?
Знатоков с ответами просим в комментарии ;)
_____________________________________
Алексей Бобок,
AI-трансформация, Рафт
Делюсь опытом внедрения ИИ в бизнес через поиск максимальной ценности:
Не ИИ мозги https://t.me/aibobok