It tries to use large amounts of information to discover patterns, trends, and insights that are difficult to find with traditional ways of studying statistics.
그것은 전통적인 통계연구 방법으로는 찾기 어려운 패턴, 추세 및 통찰을 발견하기 위해 대량의 정보를 사용하려고 한다.
Normally, coaches and managers prefer players who can hit the ball hard and far, for such players tend to hit more home runs and extra-base hits.
일반적으로, 코치와 감독은 공을 강하고 멀리 칠 수 있는 선수를 선호하는데, 그런 선수는 홈런과 장타를 더 많이 치는 경향이 있기 때문이다.
Sabermetrics suggests that players’ offensive skills can be better measured by the frequency with which they safely reach base.
세이버메트릭스는 베이스에 안전하게 도착하는 빈도로 선수의 공격 기술이 더 잘 측정될 수 있다고 제안한다.
It does not matter whether this is achieved through hits, walks, or hits by pitch.
출루가 안타, 볼넷 또는 데드볼을 통해 이루어졌는지 여부는 중요하지 않다.
Sabermetrics had not been widely used until the Athletics adopted it in 2002.
세이버메트릭스는 2002년에 애슬레틱스가 도입하기 전까지는 널리 사용되지 않았다.
With sabermetrics, the Athletics were able to identify underrated players with significant contributions to winning and built a strong team on a small budget.
세이버메트릭스를 통해 애슬레틱스는 저평가된 선수 중 승리에 크게 기여하는 선수를 찾아내고, 적은 예산으로 강력한 팀을 구축할 수 있었다.
The success of the Athletics prompted other teams to quickly adopt sabermetrics, sparking a movement to utilize data not only in baseball but also in other sports.
애슬레틱스의 성공은 다른 팀들이 빠르게 세이버메트릭스를 도입하도록 자극했고, 야구뿐만 아니라 다른 스포츠에서도 데이터를 활용하려는 움직임을 촉발시켰다.
Thus, sports data analytics emerged as a systematic approach to predict game outcomes.
그리하여, 스포츠 데이터 분석은 경기 결과를 예측하기 위한 체계적인 접근 방식으로 부상했다.
카페
고객센터
070-4042-1075 (평일 오전 9:30 ~ 오후 6시)
