Der südamerikanische Fussball ist weltweit bekannt und beliebt für seine einzigartige und geballte Mischung aus Technik, Kreativität, Leidenschaft und Talent. Geschmeidige Bewegungen, filigrane Technik gepaart mit Schlitzohrigkeit Zauber und machmal sogar Magie. Wer liebt sie nicht, die Ballzauberer, die Brazucas und Gauchos. Atemberaubende Dribblings, Übersteiger, Sombreros und mehr. Südamerikanische Spieler lassen jedes Fussballherz höher schlagen. Pelé, Garrincha, Diego Maradona, Lionel Messi, Ronaldo, Zico, Alfredo Di Stéfano, Ronaldinho, Cavani, Romário, Neymar uvvm. Schmalz schmalz...
Der Fussball wurde im späten 19. Jahrhundert von britischen Geschäftsmannen nach Südamerika gebracht. Er erreichte zuerst Argentinien im Jahre 1867. Erst in den 1880er Jahren startete dann der Fussball tatsächlich durch und eroberte ganz Argentinien, Uruguay, Brasilien und nach und nach die anderen Länder.
„Wie der Tango, so blühte auch der Fussball in den Armenvierteln auf.“ uruguayische Dichter und Journalist Eduardo Galeano.
Der südmaerikanische Spielstil hat nach der Geburt schnell eine eigene Prägung erhalten. Technik und Passspiel waren seit jeher wichtiger als lange Bälle und Robustheit (Kick & Rush). Uruguay gewann die erste FIFA-Weltmeisterschaft im Jahr 1930 mit Technik und Passspiel und wiederholte den Erfolg 1950.
Später war Brasilien die Supermacht in den Jahren 1950 bis 1970. Spieler wie Pelé und Garrincha halfen dem Land, drei Weltmeisterschaften zu gewinnen (1958, 1962, 1970).
Dann folgte die Argentinien Ära die stark von Diego Armando Maradona und Lionel Messi geprägt wurde. Argentinien gewann die Weltmeisterschaft 1978, 1986 und 2022. Diego Maradona spielte 86 eine herausragende Rolle. Sein "Hand Gottes" und das "Tor des Jahrhunderts" sind legendär. Lionel Messi vollendete 2022 sein Lebenswerk mit dem dritten Weltmeistertitel für die Gauchos.
In den letzten Jahrzehnten haben Länder wie Ecuador und Kolumbien in der Fussballwelt an Bedeutung gewonnen, wobei sie sich für mehrere Weltmeisterschaften qualifiziert und einige bemerkenswerte Spieler hervorgebracht haben.
Talent Data Scouting in Südamerika
Wir konzentrieren uns auf die Ligen Brasilien Serie A, Argentinien Liga Profesional, Uruguay Primera División, Ecuador Serie A und Paraguay Division Profesional, .
Es gibt kombiniert Total 158 Teams und rund 3'000 Spieler in diesen Ligen. Smarte Algorithmen eignen sich besonders, um von Abertausenden Spielern die Perlen zu finden.
Alle Ligen sind aus der Scouting Perspektive sehr interessant, da viele Spieler technisch extrem stark sind und schon in jungen jahren in Top Ligen spielen können. Dies führt natürlich auch dazu, dass der Wettbewerb die Preise schnell ansteigen lässt. Trotzdem gehören sudamerikanische Spieler weltweit zu den grössten "Exportgütern".
Rein statistisch kann man aufgrund der Menge und der Varianz sagen, dass wirklich in jeder Liga ein Jahrzehntetalent zu finden ist. Erst recht in den Südamerikanischen Ligen.
Ich werde in diesem Artikel nicht auf meine genaue Scouting Methode eingehen.
Den grundsätzlichen Ansatz habe ich im folgenden Blog beschrieben. Moneyball: Mit smartem Datenscouting Potential ausschöpfen .
Datenscouting
Diese Analyse basiert rein auf Daten. Die Datenanalyse ist mächtig, wenn man aus abertausenden Spielern die besten Dutzend auswählen muss.
Dabei definiere ich pro Position die Schlüsselmetriken, die nach meiner Auffassung für den idealen Spieler relevant sind. Zum Beispiel hat ein defensiver Mittelfeldspieler andere Key Metriken, als ein offensiver Mittelfeldspieler. Und ein Innenverteidiger mit hohen Anforderungen an Ball-Progression, andere Key Metriken als ein reiner "Abräumer". Es kann aber auch sein, dass gleiche Key-Metriken definiert sind, aber mit verschieden hohen Anforderungen
Danach setze ich die Mindestanforderungen für jede Schlüsselmetrik fest und verwende sie als ersten Filter. Kontinuierlich schraube ich dann den Filter hoch, bis die gewünschte Anzahl Spieler übrigbleibt.
Diese Analyse berücksichtigt die Spiele bis zum 11. August. Zu diesem Zeitpunkt waren in Argentinien 30, in Brasilien 22, in Uruguay 20 und in Ecuador und Paraguay 20 Runden gespielt. Also eine ausreichende Datenmenge, um aus der Datenanalyse belastbare Erkenntnisse zu gewinnen.
Berücksichtigt werden zudem nur U23 Spieler mit mindestens 800 Spielminuten.
Gut muss nicht teuer sein. Die selektierten Spieler haben einen Markwert zwischen 0.15 und 25 Millionen
Die Selektion basiert auf meinen subjektiven Präferenzen und Entscheidungen. Die Ausprägung einer Position bzw. die Interpretation jeder Position ist variabel und vielfältig. Darum wird es andere junge, qualitativ hochwertige Spieler geben, die aber nicht von meinen Kriterien und Schwellwerten erfasst werden.
Um die Methode zu demonstrieren, selektiere ich nur ein paar Spieler pro Position. Es gibt natürlich viele weitere interessante Spieler. In einem Datenscouting für einen Verein würde ich in einer weltweit Suche die besten und passendsten 30 bis 50 Spieler selektieren, die die Scouts dann mit Video- und Livescouting weiter beobachten können. Datenscouting on demand Service
Let's go.
Innenverteidiger - Progressor
Sample size (CB, RCB, LCB U23 >800min) := 261 Spieler
Profil. Ich suche einen defensiv starken Innenverteidiger, solid in der Luft, der auch den Ball nach vorne tragen oder passen kann und dabei eine gute Pass Erfolgsquote erreicht.
Der Innenverteidiger ist von der Datenperspektive die schwierigste Position. Denn die vorhandenen Defensivmetriken sind nach meiner Meinung nicht ausreichend, um die effektive Defensivleistung zu erfassen. In den Eventdaten sind eben "nur" Ballaktionen vorhanden.
Beim Innenverteidiger bleibt mit den Daten vieles im Verborgenen. Denn was er ohne Ball unternimmt, ist wichtiger als das mit dem Ball.
Selektion U23 Spieler:
League | Player | Team | Position | Age | Market value |
Brazil | Lucas Beraldo | São Paulo | LCB | 19 | 6Mio |
Brazil | Natan | RB Bragantino Neu: Napoli | LCB | 22 | 5.5Mio |
Argentina | Zaid Romero | Estudiantes | LCB | 23 | 1.5Mio |
Paraguay | Luis Zárate | Olimpia | RCB | 23 | 1Mio |
Veränderungen Update April 2024: Lucas Beraldo seit 1.1.2024 PSG mit Martwert 20 Mio
Radare (Für grössere Ansicht auf Bild klicken)
:
Aussenverteidiger - Moderner Angriffsverteidiger
Sample size (LB, RB, LWB, RWB U23 >800min) := 236 Spieler
Profil: AV mit solider Defensivleistung, passablem Dribbling, guter Progression und guten Pässen in die gefährliche Zone. Kann das Spiel lesen und sich nach vorne bringen. Oft zentriert positioniert mit Pässen in den Strafraum und Schussvorlagen (Shot Assists). Zudem solle er gemäss meiner Präferenz mehr pass- als flankenorientiert sein
League | Player | Team | Position | Age | Market value |
Brazil | Alexsander | Fluminense | LB, LDMF | 19 | 4Mio |
Argentinien | Valentin Barco | Boca Juniors | LB, LWF | 19 | 3.5Mio |
Uruguay | Rafael Haller | Danubio | RB, RWB | 23 | 1Mio |
Uruguay | Pedro Milans | Peñarol | RB | 21 | 1Mio |
Ecuador | Bryan Ramírez | LDU Quito | LB, LWB | 23 | 0.4Mio |
Veränderungen Update April 2024 Valentin Barco seit 20.1.2024 Brighton mit Martwert 13 Mio
Radare
Defensiver Mittelfeldspieler – Deep Playmaker (6)
Sample size (DMF, RDMF, LDMF U23 >800min) := 273 Spieler
Profil: Tiefer Spielmacher und Nummer 6 mit starken Defensivwerten und guter Pressingresilienz. Beteiligt sich stark am Spielaufbau und kann den Ball gut ins letzte Drittel bringen. Kann gut Mitspieler zwischen den Linien anspielen. Schwerpunkt Spielaufbau und Defensivfilter.
League | Player | Team | Position | Age | Market value |
Brazil | André | Fluminense | RDMF | 22 | 15Mio |
Argentinien | Ezequiel Fernández | Boca Juniors | LCMF, DMF, RCMF | 21 | 5.5Mio |
Ecuador | Óscar Zambrano | LDU Quito | LDMF, DMF, LCMF | 19 | 1.5Mio |
Argentinien | Juan Sforza | Old Boys | DMF, LCMF | 22 | 4.5Mio |
Radare:
Zentraler Mittelfeldspieler – Ball Progression
Gesamtstichprobe (CMF, RCMF, LCMF U23 >800min) := 273 Spieler
Profil;
Solide Defensivfähigkeiten, mit Stärken den Ball mit Läufen oder Pässen nach vorne zu bringen. Von der Rolle kein Box-to-Box Spieler.Trägt oder passt primär den Ball nach vorne. Er muss nicht viel in den Abschluss kommen, aber dafür seine Mitspieler mit intelligenten Pässen gut in Szene setzen können.
League | Player | Team | Position | Age | Market value |
Brazil | Gabriel Menino | Palmeiras | LDMF, RDMF | 22 | 10Mio |
Argentinien | Ezequiel Fernández | Boca Juniors | LCMF, DMF, RCMF | 21 | 5.5Mio |
Uruguay | Augustin Álvarez | Torque | RCMF, DMF, LCMF | 22 | 0.5Mio |
Paraguay | Hugo Quintana | Olimpia | LCMF, RCMF | 21 | 1.3Mio |
Ezequiel Fernández ist sowohl bei den defensiven MF und auch bei den progressiven MF top gerankt. Das sind sehr gute Voraussetzungen.
Radare und Event Daten:
Zentraler/offensiver Mittelfeldspieler – Box to Box (8)
Sample size (CMF, RCMF, LCMF U23 >800min) := 273 Spieler
Profil:
Box to Box Midfielder mit guter Technik und Stamina der defensiv wie offensiv grosse Teile des Spielfelds abdecken kann. Hohe Spielintelligenz und gutes Risikobewusstsein. Kann mit seinen Pässen viel Gefahr produzieren. Ist aber nicht "nur" reiner Assist Spieler. Schaltet schnell in beide Richtungen um und kommt selber in die Box und auch regelmässig selber zum Abschluss.
League | Player | Team | Position | Age | Market value |
Argentina | Benjamin Rollheiser | Estudiantes | AMF, CF, RW | 23 | 3Mio |
Uruguay | Tomas Verón | Racing | RCMF, RW | 23 | 0.425Mio |
Argentina | Hernan López | Godoy Cruz | AMF | 23 | 2Mio |
Argentina | Pablo Solari | River Plate | RAMF, CF, RWB | 22 | 7Mio |
Veränderungen Update April 2024 Benjamin Rollheiser seit 2024 Benfica Lissabon mit Martwert 10 Mio
Wingers – attacking
Sample size (AMF, RW, LW, RWF, LWF U23 >800min) := 169 Spieler
Bei den Flügeln suche ich nicht nach den klassischen Linienspielern, die die Aussenbahn bespielen und nach den Dribblings viele Flanken produzieren. Ich suche nach zentrierten möglichst fuss-inversen Flügeln (Rolemodel: Robben) die, gute Dribbler sind, Mitspieler gut zwischen den Linien finden, viele Schussvorlagen produzieren und auch selber in den Abschluss kommen.
League | Player | Team | Position | Age | Market value |
Argentina | Pablo Solari | River Plate | RAMF, CF, RWB | 22 | 7Mio |
Argentina | Lucas Besozzi | Central Córdoba | LW | 20 | |
Uruguay | Tiago Palacios | Torque | RWF, CF, AMF | 22 | 1Mio |
Paraguay | Elvio Vera | Sportivo Ameliano | LW, RW | 22 | 0.4Mio |
Radare
Stürmer (CF)
Sample size (AMF, RW, LW, RWF, LWF U23 >800min) := 163 Spieler
Es gibt viele Ausprägungen für einen Stürmer. Und nicht alle von ihnen erzielen jede Menge Tore.
Hier suche ich einen polyvalenten nicht zu fest auf die Box reduzierten Stürmer. Selbstverständlich soll er oft und gut in Abschlussposition kommen und effizient im Abschluss sein. Zusätzlich soll er aber variabel sein und auch mal seitlich ausweichen und dann auch als Link seine Mitspieler gut in Szene setzen können.
League | Player | Team | Position | Age | Market value |
Argentina | Lucas Beltrán | River Plate NEU: Fiorentina | CF | 22 | 12Mio |
Brazil | Thiago Borbas | Red Bull Bragantino | CF | 21 | 4Mio |
Brazil | Endrick | Palmeiras | CF | 17 | 25Mio |
Uruguay | Matias Arezo | Peñarol | CF | 20 | 7Mio |
Veränderungen Update April 2024 Endrick per 21.7.2024 Real Madrid mit Martwert 55 Mio
Peak Data-Scouting
Wir selektieren jeweils Spieler mit verschiedenen Algorithmen und Methoden. Eine spezielle Methode nennen wir "Peak Scouting". Wir suchen nicht nach Generalisten, sondern bewusst nach Spielern, bei denen die Werte einer relevanten Metrik explodieren. Ein Spieler der in einer Metrik alle überstrahlt. Sogenannte Ausreisser. Julio Enciso wurde im 2022 von Brighton & Hove Albion wohl so gescoutet. Bei ihm waren es als 2nd-Striker die Progressiven Runs.
Oder auch Karou Mitoma der schon 2020 bei den Kawasaki Frontale ein "Ausreisser" war.
Die Perzentilen sind bei den Ausreissern bei 100, weil sie die besten in ihrer Liga sind.
Mit der Perzentile ist es aber nicht möglich den effektiven Abstand zum zweiten aufzuzeigen, dafür braucht es andere mathematische Funktionen. Folgende Spieler in Südamerika führen eine Metrik mit riesigem Abstand an.
League | Player | Team | Position | Age | Market Value | Strenght |
Uruguay | Cristian Olivera | Boston River Neu: LA FC | RW | 21 | 4Mio | Runs |
Paraguay | Antonio Galeano | Cerro Porteño | RW | 23 | 0,7Mio | Runs |
Brazil | Adson | Corinthians Neu: Nantes | RW | 22 | 6Mio | Runs |
Scouting mit Ählichkeits-Algorythmus
Similarity Scores hat im Sport erstmals der Sabermetric Pionier Bill James angewandt. Seine Methoden wurden auch von Billy Beane im Baseball bei den Oakland Athletics genutzt. Bekannt aus dem Buch/Film Moneyball (The Art of Winning an Unfair Game, by Michael Lewis)
Es handelt sich um eine mathematische Methode, um die Ähnlichkeit zwischen zwei Vektoren zu bestimmen. Sehr vereinfacht ausgedrückt, wird bei den Spielern die Gesamt-Ähnlichkeit der Distanz zum Durchschnitt bei allen relevanten Metriken verglichen. Damit können wir die Datensätze der einzelnen Spieler auf Gesamt-Ähnlichkeit untersuchen und erhalten als Resultat eine Deckung von -1 (entgegengesetzt) und 1 (identisch) .
Wir können damit von einem Benchmark Spieler ausgehen und ähnliche Spieler finden. Nehmen wir zum Beispiel Lionel Messi. Wir können wir mit dem Algorithmus in allen Ligen dieser Welt nach Spielern suchen, die ein möglichst ähnliches Profil/Ausprägung haben.
Das bedeutet nicht, dass die gefundenen Spieler gleich gut wie Messi sind. Aber, dass sie gleiche Stärken und Schwächen aufweisen und vom Stil und der Ausprägung sehr ähnlich sind. Auch mit dieser Methode finden wir interessante Spieler, die manchmal erst bei der genaueren Betrachtung noch interessanter werden.. .
Similarity Score Lionel Messi (PSG 2022-23) 88.7% B. Rollheiser (23, Estudiantes, Argentinian Primera División 2023)
88% A. Gómez (23, Sudeva, I-League 22-23)
86,6% A. Carrasquilla (24, Houston Dynamo, MLS 2023)
Similarity Score Neymar (PSG 2022-23) 90.6% N. Lang (23, Club Brugge, Belgian Pro League 22-23)
89,8% Oc. Popescu (20, FCS Bucureşti, SuperLiga României 22-23)
89.85 Sergio Lozano (24, Villarreal B, La Liga 2 22-23)
87.6% Dani Olmo (25, RB Leipzig, Bundesliga 22-23)
Similarity Score Federico Valverde (Real Madrid 2022-23) 83.2% A. Bondarenko (22, Shakhtar Donetsk, Ukrainian Premier Liha 22-23)
81% K. Thuram (22, Nice, Ligue 1 22-23)
78.4% R. Amane (20, Häcken, Allsvenskan 2023)
Daten sind nicht DIE Wahrheit, sondern ein (wichtiger) Teil der Wahrheit
Es ist keine Überaschung, dass einige der selektieren Spieler bereits während der Saison von anderen Vereinen in Top-Ligen verpflichtet wurden. Weitere werden folgen.
Unterdessen durften wir schon verschiedene Vereine aus verschiedenen Profi-Ligen beim Datenscouting unterstützen. Analytics wird immer wichtiger und es gibt unterdessen fast keinen Verien, der das Potential des Datenscoutings nicht erkunden und seine Fähigkeiten nicht erweitern möchte. Analytics is on fire.
Alle Vereine nutzen Daten, um Spieler zu vergleichen und zu scouten. Aber nur wenige schöpfen wirklich das ganze Potential aus.
Eine smarte und erfolgreiche Nutzung von Daten geht weit über den reinen Kauf von standardisierten Tools hinaus. Wir verfügen über langjährige Erfahrung in den Bereichen Fussballtrainer, Spielentwicklung, Spielanalyse und Datenscouting. Ergänzend bringen wir auch Fachwissen in den Bereichen Geschäftsinnovation, Design Thinking und Produktentwicklung an den Tisch.
Hat Dir die Qualität unseres Beitrags gefallen? Dann belohne uns mit Deinen "Credits" und like und teile diesem Beitrag innerhalb Deines sozialen Netzwerkes. Besten Dank.
Um keinen Beitrag zu verpassen kannst Du den Blog abonnieren.
footballytics – mit smart data die besseren Entscheidungen treffen
Wir unterstützen Vereine, Trainer, Agenturen und Spieler mit Analyse- und Beratungsdienstleitungen beim Nutzen und Interpretieren von Daten. Um im Scouting, in der Spielanalyse und auf dem Spielfeld die besseren Entscheidungen zu treffen
Blog von www.footballytics.ch Über Data Analytics Themen im Fussball - improve the game - change the ǝɯɐƃ
Teilen Sie diesen Beitrag