Sì, il nostro algoritmo avrebbe già trovato Kaoru Mitoma nella Kawasaki Frontale nel campionato J1 2020 .
“Moneyball” è probabilmente la parola più utilizzata quando si parla della selezione di atleti attraverso dati statistici nello sport professionistico.
Se non si conosce bene qualcosa o non la si è provata intensamente, è difficile valutarne il pieno potenziale. In questo blog, mostriamo come utilizziamo il nostro approccio e diversi metodi e funzioni matematiche per applicare uno scouting intelligente e complementare dei dati al fine di sfruttarne appieno il potenziale.
Il data scouting è l'identificazione e non la selezione dei giocatori
Lo scopo del scouting coi dati non è quello di trovare il miglior giocatore, ma molti giocatori buoni e adatti. Vengono analizzati i profili di migliaia di giocatori per selezionare quelli adatti. Più dettagliato è il profilo di ricerca, migliori sono il filtro e il risultato.
I dati non vengono utilizzati per trovare il miglior giocatore! Vengono invece utilizzati per determinare rapidamente i 50 giocatori più adatti su 1.000, tra i quali è molto probabile che ci siano i migliori 10 (pre-scouting). In questo modo si risparmia tempo prezioso nello #scouting, perché gli scout possono concentrarsi su pochi giocatori senza doverne vagliare centinaia. L'identificazione dei migliori candidati è e rimane compito degli scout con la loro competenza ed esperienza.
Il data scouting analizza l'intero mondo del calcio con un clic
Quanto tempo impiegate per valutare approssimativamente se un giocatore corrisponde o meno al vostro profilo di ricerca? Cinque minuti o dieci? Con dieci minuti sono necessarie circa 16 ore per 100 giocatori. Un algoritmo può farlo per 100.000 giocatori in un minuto. Inoltre, con i dati è possibile trovare giocatori sorprendenti e più economici, perché c'è meno domanda al di fuori della ricerca di massa standard. Lo scouting dei dati garantisce che non ci si concentri troppo rapidamente su singoli giocatori o su quelli consigliati, ma che si cerchi nell'intero spettro. Anche dove non ci si aspetta di trovare qualcosa.
Da un punto di vista puramente statistico, a causa della quantità e della varianza, si può dire che c'è davvero un talento decennale in ogni campionato.
Il data scouting riduce la dipendenza dai consulenti/agenti
Sono ancora troppi i club che gestiscono un sistema di scouting prevalentemente reattivo. Ogni giorno gli agenti propongono loro diversi giocatori e gli scout devono impegnarsi a fondo per una rapida valutazione e, nella maggior parte dei casi, per un rifiuto. Un grande sforzo per giocatori a cui non sono nemmeno interessati.
Con questo approccio reattivo, i club si concentrano troppo presto su un numero limitato di giocatori. Per così dire, pescano solo negli stagni degli agenti/consulenti e nei loro interessi. Tuttavia, se si utilizzano i dati per identificare i giocatori adatti, è possibile ribaltare il gioco e pescare negli oceani. E poi rivolgersi ai consulenti/agenti appropriati, se necessario. Change the game.
Processo di scouting dei dati
Il processo di scouting ideale inizia con il data scouting (pre-scouting).
Vengono analizzati i profili di tutti i giocatori disponibili. Il risultato è un elenco di 30-100 giocatori candidati. Successivamente, i candidati vengono ulteriormente valutati dagli scout attraverso lo scouting video e dal vivo.
Articolo in inglese data driven scouting
Maturità nell'uso dei dati nello scouting
In base alla nostra esperienza e alle discussioni con club nazionali e internazionali, possiamo suddividere i club nei seguenti livelli di maturità nell'uso dei dati.
Utente: gli scout utilizzano i dati in strumenti forniti da fornitori professionali. Le statistiche e le metriche dei giocatori vengono confrontate in modo semplice e standardizzato. Scouting reattivo basato sulle raccomandazioni di consulenti/agenti.
Individuale: nessuna risorsa analitica propria. Alle risorse di scouting esistenti vengono assegnati compiti di analisi aggiuntivi. I dati vengono esportati dagli strumenti e analizzati in applicazioni di terze parti come Excel, Tableau, Power-Bi in base alle esigenze specifiche del club. Sviluppare KPI specifici per il club. Mix tra scouting reattivo e preventivo. Spesso non viene implementato un processo di dati coerente nello scouting.
Analista: i club dispongono di risorse analitiche dedicate che lavorano con gli scout. Applicano KPI avanzati, logiche, algoritmi e funzioni matematiche nello scouting dei dati. Lo scouting dei dati e le decisioni basate sui dati vengono adottate da tutte le parti interessate nello scouting e, se del caso, nell'analisi delle partite.
Analista Pro: dispongono di intere squadre di analisti, scienziati dei dati e matematici. Seguono un approccio scientifico e sviluppano metodi e logiche proprie per analizzare i dati. La cultura dei dati è diffusa in tutto il club.
Niente va contro l'uso di software standardizzati. Questi sono molto economici e molto validi. Ma per realizzare e sfruttare il potenziale degli analytics, è necessario investire anche nelle persone, nelle risorse e nel know-how.
Ogni club dovrebbe prendere in considerazione la possibilità di esplorarne il potenziale. Attualmente, i club cercano quasi quotidianamente analisti di dati per creare o rafforzare il loro dipartimento di analisi.
Le nuove tecnologie hanno sempre il potenziale per trasformare i sistemi, spostare i rapporti di potere e cambiare le esigenze delle posizioni dirigenziali.
L'analisi dei dati ci dice che il giocatore in questione corrisponde al profilo ricercato e ha ottenuto buoni risultati. Ma i dati sono solo una visione specifica. Come un occhio o una prospettiva in più. Come ogni altra prospettiva, non è l'unica verità. Ma sarebbe sciocco ignorare questa prospettiva per le decisioni importanti.
In ogni caso, la visione dei dati è un valore aggiunto. O conferma la nostra percezione o ci costringe a guardare più da vicino.
Tutti i club usano i dati per comparare e fare scouting. Ma solo pochi club ne sfruttano il pieno potenzialae.
Per far sì che lo scoutismo abbia successo in modo sostenibile e sistematico, è necessario che persone e gruppi diversi lavorino bene insieme e che si verifichino alcuni aspetti positivi. In altre parole:
Nelle aree delle conoscenze, delle competenze, della comunicazione, dei processi e della leadership, esiste un numero incredibile di opportunità per non solo avvicinarsi allo sfruttamento del potenziale della data analytics.
Più di un semplice gioco di numeri
Il datascouting è molto più che confrontare numeri, modificarli in Excel, ordinarli o inserirli in un grafico x/y.
DataAnalytics è composta da calcio, informatica e matematica. Per esperienza, quest'ultima è a torto molto sottovalutata. Ma senza il know-how e le funzioni matematiche non è possibile analizzare e confrontare in modo intelligente montagne di dati.
Il nostro approccio di scouting con dati complementari
Il nostro obiettivo è trovare il maggior numero possibile di buoni giocatori
e non perdere i migliori.
Utilizziamo funzioni matematiche per aiutarci a confrontare e interpretare i dati. Ad esempio, la media, la mediana e la deviazione standard sono probabilmente le più conosciute. Altre, come la media armonica, la sigmoide, il punteggio Z e il coseno, sono probabilmente meno conosciute.
Analizziamo i dati disponibili utilizzando tre approcci diversi. In questo modo ci assicuriamo di poter trovare giocatori interessanti in diversi modi.
La NASA utilizza questo approccio anche per i viaggi nello spazio. Per massimizzare la sicurezza contro i guasti, i dispositivi più importanti non solo devono essere installati due volte, ma devono anche essere stati costruiti con due tecnologie diverse.
1) Aggiustamento del valore - Regolazione dei valori
Per confrontare i giocatori nel modo più equo possibile, regoliamo le metriche quantitative offensive e difensive con diverse unità. A seconda della metrica, per possesso, per passaggio, per tocco o anche per passaggio specifico. Il punto è mettere in relazione significativa l'input con l'output. In questo modo, i giocatori delle squadre con meno possesso vengono selezionati e possono brillare.
Più forte è la correlazione tra la metrica quantitativa e l'unità regolata, più affidabile e significativa è l'affermazione dell'analisi dei dati.
Articolo in inglese compare players fairly
2) Posizionare i profili e le metriche chiave con i filtri
Profili: Per prima cosa definiamo i profili di ricerca o le posizioni e le loro caratteristiche:
Ad esempio, a centrocampo un playmaker profondo, un centrocampista progressivo, un centrocampista box-2-box o un centrocampista d'attacco. Inoltre, un'ala larga ha requisiti diversi da un'ala inversa centrata, e così via. Pertanto, per tutte le posizioni, le diverse caratteristiche possono essere trattate e analizzate in modo diverso.
Metriche chiave: Poi definiamo le Metriche Chiave per posizione ed espressione. Ad esempio, un centrocampista difensivo ha metriche chiave diverse da quelle di un centrocampista d'attacco. E un difensore centrale con elevate esigenze di progressione del pallone ha metriche chiave diverse da quelle di un puro "difensivo". Tuttavia, può anche accadere che vengano definite le stesse metriche chiave, ma con requisiti diversi.
Deviazione standard e z-score: calcoliamo quindi lo Z-score includendo la deviazione standard per giocatore e metrica chiave. La deviazione standard è una misura della diffusione (varianza) dei valori. In parole povere, è la distanza media di tutti i valori misurati di una caratteristica dalla media. Il punteggio Z viene utilizzato per rendere i dati confrontabili tra loro, convertendoli in una scala standardizzata (da -3 a 3). Il punteggio Z mostra esattamente dove si trova il giocatore nell'intero spettro di prestazioni rispetto a tutti i giocatori e alla media. Questo ci permette di identificare bene gli outlier e le lacune. Il valore dello Z Score per ogni metrica chiave ci aiuta a impostare il livello di richiesta del filtro nella fase successiva.
Filtro dei requisiti: si definiscono le soglie di Z-score, definendo così il requisito minimo per ogni metrica chiave. Per alcune metriche, un giocatore deve essere nella media come minimo, sopra la media per alcune e eccezionalmente buono per altre. E questo naturalmente è diverso per tutti i profili di ruolo. C'è un'arte nel mettere a punto questi filtri in modo che i giocatori giusti possano superarli. Il livello degli ostacoli viene naturalmente definito individualmente per ogni mandato di ricerca. I filtri devono essere ben bilanciati. Se troppi operatori superano il filtro, i requisiti vengono aumentati.
Messa a punto: alla fine, dopo alcune iterazioni e messe a punto, si arriva all'identificazione definitiva dei giocatori più adatti e migliori. In questa lista compariranno sicuramente giocatori sorprendenti che non erano stati presi in considerazione in precedenza. Inoltre, ci saranno anche giocatori che hanno un valore di mercato inferiore perché non sono popolari attraverso la ricerca standard.
Esempio Longlist: Central Progressive Midfielder, U25, max 2Mio, Europe
Ecco i migliori risultati (senza nomi) in un mandato per un CM Progressivo.
Elenco ordinato in base alla migliore prestazione nel suo campionato, secondo il profilo di ricerca. Valori di mercato da Transfermarkt
De Bruyne era al top. Gli altri giocatori delle prime 5+ leghe sono stati vittime del valore di mercato. La lista comprende comunque giocatori eccellenti, economici e meno conosciuti di molti campionati diversi.
3) Algoritmo di somiglianza
I punteggi di somiglianza sono stati utilizzati per la prima volta nello sport dal pioniere della sabermetrica Bill James. I suoi metodi sono stati utilizzati anche da Billy Beane nel baseball con gli Oakland Athletics. È noto grazie al libro/film Moneyball (The Art of Winning an Unfair Game, di Michael Lewis).
È un metodo matematico per determinare la somiglianza tra due vettori. In termini molto semplificati, confronta la somiglianza complessiva della distanza dei giocatori con la media di tutte le metriche rilevanti. Questo ci permette di esaminare i set di dati dei singoli giocatori per la somiglianza complessiva e di ottenere come risultato una copertura di -1 (opposta) e 1 (identica).
Possiamo quindi partire da un giocatore di riferimento e trovare giocatori simili.
Prendiamo ad esempio Lionel Messi. Possiamo usare l'algoritmo per cercare giocatori in tutti i campionati del mondo che abbiano un profilo/caratteristica il più possibile simile.
Questo non significa che i giocatori trovati siano bravi come Messi. Ma che hanno gli stessi punti di forza e di debolezza e sono molto simili nello stile e nell'espressione. Anche con questo metodo, troviamo giocatori interessanti che a volte diventano più interessanti solo ad un esame più attento... .
Come esempio pratico, prendiamo il vincitore della Champions League del Manchester City, Kevin de Bruyne. Ha valori eccezionali in varie dimensioni. Se applichiamo l'algoritmo a lui, troviamo Iliass Bel Hassani dell'RKC Waalwik in Eredivisie, con una somiglianza del 93,21%. A proposito, il suo contratto scade il 31 maggio 2023 ;-)
Profili a confronto diretto.
Bel Hassani purtroppo ha già trent'anni e l'età migliore per lo scouting. Ma le cose si fanno interessanti quando applichiamo l'algoritmo a giocatori più giovani.
Tra gli altri, troviamo Matt O'Riley (22) del Celtic Glasgow con una somiglianza dell'84,8%. Certo, in un campionato con una forza diversa, ma un giocatore giovane e sviluppabile con un profilo di forza simile a quello di Kevin De Bruyne.
Naturalmente, troviamo anche giovani giocatori della Super League, della Bundesliga, della Bundesliga austriaca e di ogni altro campionato.
Che si tratti di De Bruyne, Messi, Kimmich, Barella, Grealish, Pedri, Haaland, Neymar, Osimhen, Kim Min-jae e altri, grazie a una matematica intelligente è possibile individuare giovani giocatori di talento con profili simili a quelli delle superstar.
Le possibilità sono ampie. Si potrebbe anche individuare la squadra clone U23 del Manchester City come esempio. Anche dedicata a un campionato o a una regione.
Il datascouting non è una scienza esatta. Non esiste un'unica via d'oro. Ma più si studia e si impara sull'argomento, più si hanno a disposizione opzioni e soluzioni complementari.
Incoraggio tutti club e agenzie a investire non solo in software, ma anche in persone e in know-how analitico. Altrimenti rimarranno un gruppo nella folla. Iniziate un percorso di apprendimento e raccogliete le vostre esperienze. È l'unico modo per cogliere il potenziale dell'uso dei dati e, se possibile, sfruttarlo.
Dati e video sono complementari.
Insieme ci aiutano ad affinare la nostra comprensione del gioco e dei giocatori.
Senza video, perdiamo informazioni. Senza dati, perdiamo informazioni.
La domanda da porsi non è: "Devo usare i dati o guardare alcune partite?", ma piuttosto.
"Quanti dati dovrei usare per questa analisi? e quanti video?".
126 million profit in 2 years with data driven scouting
In April 2022, we scouted eleven U21 players with our data driven algorithm. In two years, as of April 2024, 8 million market value has become 134 million (+126), forget Bitcoin :-)
Here to the article with original and current market values: footballytics U21 (data) Dreamteam
Non possiamo fare a meno di concludere con una citazione di un matematico.
"Datemi un punto fisso e scardinerò la terra". Archimede
footballytics - sappiamo come far parlare i dati
Supportiamo club, allenatori, agenzie e giocatori con servizi di analisi e consulenza sull'uso e l'interpretazione dei dati. Per prendere decisioni migliori nello scouting, nell'analisi delle partite e sul campo.