需要收集不同类型的数据进行处理才能分析得到

　　足球是无可争议的世界第一运动，比赛所具有的极大不确定性这也是这项运动的魅力之一，如果我们想要洞悉足球比赛的走势，那么我们需要拆解问题，细数影响足球比赛的全部因素，然后想办法把这些因素全部量化，再通过数据统计和建模来帮助我们做决策。

　　量化的重要性

　　将宏观抽象概念量化为数值这一步很重要，否则你就只能靠感觉，而感觉是不靠谱的。举例来说，主场优势是一个宏观抽象概念，A队素有魔鬼主场之称，所以A队更有优势，你的感觉就倾向A队，可是A队的主场优势到底能起多少作用？能提升百分之多少战斗力？不知道，只知道起作用，就只能凭感觉。所幸，联赛是一个绝佳的舞台，主客场双循环的赛制能一定程度上利用控制变量法给我们带来答案，如果能统计出A队面对所有对手的主客场成绩，那么这个数值就能直观的告诉你问题的答案。

　　接下来，我们先罗列所有的影响因素

　　1. 纸面实力

　　这是衡量一支球队战斗力的最直接的办法，有几个因素需要考虑，

　　1）球员身价，衡量硬实力最直接的天然数值；

　　2）超巨，球星，普通球员的数量分布；

　　3）前锋，中场，后卫，门将的数量分布，每个位置球员的关键数据；

　　4）伤病减员数量，以及每个伤缺球员的影响

　　2. 球员状态

　　这个很重要，可惜的是普通人接触不到，只能旁敲侧击：

　　1）统计球员近来的比赛数据；

　　2）抓取球队新闻做情感分析来第一时间掌握球员的动态；

　　3）球队最近几场比赛的表现；

　　4）医疗团队华佗还是兽医

　　3. 团队凝聚

　　1）抓取球队新闻做语义理解，找是否将帅不和，内部矛盾；

　　2）记录球员性格，博格巴这种洗剪吹，萨卡这种乖乖仔，谁是炸弹一目了然

　　4. 战斗意志

　　1）根据联赛进程，争冠、争四，争六，保级还是无欲无求；

　　2）双赛是保联赛还是保欧冠，足总杯和联赛杯谁是谁的鸡肋

　　5. 战术选择

　　1）主教练人选，主教练的更迭；

　　2）做流派分类，瓜流，鸟流，各有克制，看谁人员配置技高一筹

　　6. 主场优势

　　这个其实最容易毫无争议的数值化，因为联赛本就是主客场双循环，很容易得出结论，甚至有疫情的那一年空场，我们都能分析少了球迷因素，主场优势下降多少

　　1）球迷助威因素；

　　2）场地大小，草皮情况；

　　3）旅途劳顿

　　7. 前后赛程

　　1）球队板凳深度；

　　2）球队一周双赛的战绩；

　　3）是否有选择性的放弃；

　　8. 历史战绩

　　1）球风相克: 阿森纳面对曼城8连败是同源学艺不精；

　　2）历史恩怨: 德甲鲁尔区德比，西班牙国家德比，河床博卡超级德比。

　　9. 资本倾向

　　1）通过裁判影响争冠或者争四，增加联赛激烈程度；比如上赛季进入冲刺期前，阿森纳大幅领先曼城时，遭遇关键误判（其中一场点球不判，另一场对手越位进球判进），这种就是典型的资本倾向型黑哨。我们需要通过AI的自然语言理解技术抽取当时的新闻事件，还原当时的积分场景，找出它可能发生的时间点和情况。等以后再遇到类似的情况时，那就可以做算法冷门预警。

　　10. 菜价波动

　　这个数值可天然获取，其实某种程度上编码了上述所有内容，而且又在此基础之上还编码了博弈的信息，因此如何利用该信息反倒是一件难事。在找到有效的挖掘并解码方式之前，聚类，相似度，最近邻这些方式的效果都有限。所以这里可以研究的内容很多，目前为止我的进展并不理想。

　　建立模型

　　综上所述，列举出所有的因素之后，我们应该把这些因素数值化，然后用数学模型来描述它们，最后求解该模型参数即可得到预测模型。假设我们一共10个因素，那么即使我们用一个最简单的模型，比如给每个因素乘以一个系数，这些系数就是模型的参数，也代表各个因素的影响因子，即：用简单的模型举一个例子

　　式子中，x1至x10代表不同的10个因素，y代表比赛的结果，只要通过数据统计求解出上述系数，即可把x带入计算y。

　　因为大家也清楚上述因素其实并不是孤立的，它们很多是相互影响的，所以上图中的简单线性关系并不能很好的建模，这里只是为了方便理解举了一个简单的例子。而在实际的应用中，我们可以用更加复杂的关系和更多的参数来描述这个复杂的模型。不过，建模固然重要，不过更为重要的是选出上述因素并把上述因素数值化，大家也能感觉到，有些因素的数值化可能稍微简单一些，而更多的则是一个复杂的过程，需要收集不同类型的数据进行处理才能分析得到。而我也正在做这件事情，有一些进展，但和我理想中的样子还相去甚远，路漫漫其修远兮，吾将上下而求索。

　　你觉得上述因素列举的够全面吗？请评论这篇文章留下你的看法或者私信我，让我们一起来完善这个想法。