چگونه تحلیل داده‌ها به باشگاه‌ها کمک کرد بهتر خرید کنند

هفت‌یک– می‌گفتند این اتفاق هرگز رخ نخواهد داد. به نظر فوتبال بیش از اندازه سیال و بی‌نظم‌ بود. جابه‌جایی بازیکنان در زمین بسیار سخت امکان ردیابی داشت. اما دهه‌ها بعد از این‌که ورزش‌هایی مانند بیس‌بال از آمار بازیکنان استفاده کردند، در فوتبال هم استفاده از داده‌ها شروع شد. تد ناتسون، یکی از موسسان و مدیر اجرایی سایت StatsBomb، یکی از کمپانی‌های آنالیز فوتبال که در بطن انقلاب داده‌ها در این ورزش است، گفت:” عادت داشتیم که بشنویم فوتبال خیلی پیچیده و سیال‎تر از آن است که بتوان از داده‌ها استفاده کرد اما این روزها دیگر چنین چیزی گفته نمی‌شود.”

استفاده از اعداد و آمار در فوتبال خیلی هم جدید نیست: برای دهه‌ها، گزارشگران با دردسر زیاد، آمارهای مختلفی از تعداد پیروزی‌های پیاپی تا بیش‌ترین ارسال‌هایی یک دیدار را جمع‌آوری می‌کردند. اما در یک دهه گذشته، شیوه‌های علمی‌تری ظهور کرد که نه تنها نتایج تیم‌ها را تغییر داد، بلکه روی پولی که باشگاه‌ها برای خرید استعدادهای جدید صرف می‌کنند، تاثیر گذاشت.

عصر آنالیز فوتبال با شیوه دشوار “ایونت دیتا” (توضیح مترجم: Event data اطلاعات مربوط به تغییراتی است که در یک لحظه خاصی از زمان رخ می‌دهد) آغاز شد- با ضبط جزئیات هر حرکتی که روی توپ انجام می‌شد. در سال 2006، تیم ثبت آمار بازی در کمپانی اُپتا اسپورت، مستقر در لندن، شروع به ثبت زمان و موقعیت هر پاس، شوت، تکل و دریبل کردند.

این روزها هر بازی‌ای که توسط اپتا ثبت می‌شود، شامل 2 هزار داده است. سپس از روی این داده‌ها، “گل‌های قابل انتظار”- سیستمی برای در نظر گرفتن احتمال گل شدن هر شوت، براساس فاصله و زاویه نسبت به دروازه- به دست می‌آید.

وقتی مفهوم “گل‌های موردانتظار” (expected goals) در سال 2017 در برنامه Match of the day معرفی شد، بسیار مورد توجه قرار گرفت. مهم‌ترین تاثیر در اختیار داشتن چنین حجمی از اطلاعات درباره بازیکنان، بر روی خرید و حفظ بازیکنان بود. اکنون باشگاه‌ها می‌توانند فهرستی از بازیکنانی تهیه کنند که آمارشان با آنچه آنها برای خرید ایده‌آل در نظر دارند، همخوان باشد و همه اینها با چند کلیک در دسترس است.

به این ترتیب، بازیکن‌یاب‌ها می‌توانند بازی‌ها و ویدئوهای کم‌تری از بازیکنان را بررسی و در هزینه‌ها و زمان صرفه‌جویی کنند. “باشگاه بیست‌ویکم” (21st Club) یکی از کمپانی‌ها در زمینه خرید بازیکن است. ابزار مشاوره این کمپانی، ارتباط بین عملکرد بازیکنان در زمین و سطح عملکرد کلی تیم را ارزیابی کرده و برای هر بازیکن، امتیازی در نظر می‌گیرد. باشگاه‌ها می‌توانند از این داده‌ها متوجه شوند که یک بازیکن می‌تواند باعث تقویت سطح عملکرد کلی تیم آنها شود، آن را تضعیف کند یا تاثیر کمی بگذارد.

چند ماه قبل، “باشگاه بیست‌ویکم” از این ابزار برای پیدا کردن یک بازیکن جدید برای یک باشگاه در شرق اروپا استفاده کرد. این بازیکن 25 درصد کم‌تر از میانگین 20 بازیکن موجود در لیست باشگاه، دستمزد دریافت می‌کرد. مدل ارزیابی تخمین زد که این بازیکن، از همه‌ی آن 20 بازیکن به جز یک نفر، بهتر است.

عمر چاودری، رئیس بخش اطلاعات فوتبال “باشگاه بیست‌ویکم” گفت:” این قدرت استفاده هوشمندانه از داده‌ها را نشان می‌دهد. این بازیکن از مارکتی بود که آنها [باشگاه] ضرورتا از منابع لازم برای زیر نظر گرفتن او با جزئیات دقیق برخوردار نبودند اما با استفاده از داده‌ها، ما توانستیم یک بازیکن خاص را به قیمتی که آنها به دنبالش هستند، پیدا کنیم.”

با داده‌هایی که کمپانی‌هایی مانند “باشگاه بیست‌ویکم” در اختیار دارند، باشگاه‌ها می‌توانند بهترین بازیکن ممکن را بخرند.

هرچند، در نظر گرفتن کانتکست هم اهمیت دارد. یک بازیکن نمی‌تواند وقتی در یک فضای چند متری، توسط بازیکنان حریف احاطه شده، همان تصمیم را بگیرد؛ بنابراین سایت StatsBomb مشخص می‌کند که آیا یک بازیکن در زمان پاس یا شوت، تحت فشار بوده یا نه. آنها همچنین جاگیری دروازه‌بان و موقعیت مدافعانِ قرار گرفته بین یک بازیکن و دروازه در زمان زدن شوت را هم ثبت می‌کنند.

اما ناتسون اعتقاد دارد آنچه در حال حاضر نیاز است “مدل‌های پیچیده‌ای هستند که به ارزیابی آنچه مهم‌ترین مهارت‌های فوتبال هستند، کمک کند”؛ منظور در اینجا پاس دادن است. StatsBomb یکی از چندین سایت آنالیزوری است که مجموع پاس‌ها را به همراه اطلاعات حاصل از دشواریِ پاس‌های ارسال شده ارائه می‌دهد. الگوی خرید بعضی از باشگاه‌های بزرگ، با انجام خریدهای کم‌تر اما بازیکنان مناسب‌تر، نشان می‌دهد که آنها از چنین ابزاری برای ارزیابی خریدهای خود استفاده می‌کنند.

ناتسون می‌گوید:” لیورپول یک مورد مطالعه خوب است. منچسترسیتی هم دیگر مهاجم بد نمی‌خرد. آنها دی بروین، استرلینگ و سانه را پشت سر هم خریدند که همگی [براساس داده‌ها] جزو بهترین گزینه هستند.”

در باشگاه‌ها، کادرهای فنی می‌گویند که این تکنیک‌های جدید به مربیان و بازیکنان کمک کرده و باعث تقویت آنها می‌شود و به آنها در انجام بهتر، سریع‌تر و هوشمندانه‌تر کارشان یاری می‌رسانند. خاویر فرناندس، دیتا ساینتیست (data scientist) که در باشگاه بارسلونا کار می‌کند، می‌گوید:” جالب‌ترین سوال‌هایی که ما از طرف مربیان می‌شنویم، چیزهایی که در ثبت داده‌ها پوشش داده نمی‌شد. مربیان درباره فضا صحبت می‌کنند- ایجاد فضا، رفتن به فضا. بنابراین ما متوجه شدیم که ما نیاز به روش‌های دقیق‌تری برای درک فضای درون زمین داریم.”

با استفاده از الگوریتم‌های خاص، می‌توان فضای تحت پوشش هر بازیکن را مشخص کرد.

و این‌که این فضا با حرکت بازیکنان در زمین، چگونه تغییر می‌کند

در نوآورانه‌ترین پیشرفت، دیتا ساینتیست‌ها تکنیکی به نام “گوستینگ” (ghosting) را توسعه دادند که در آن، الگوریتم‌ها، محتمل‌ترین حرکتی که بازیکنان در شرایط مشخص انجام خواهند داد، پیش‌بینی می‌کند. پل پاور، یکی از دانشمندان کمپانی STATS، یک کمپانی آنالیزوری، می‌گوید:” شما یک سناریوی مشخص تعریف کرده که تمایل دارید با آن حریف را به هم بریزید و به شما یک برنامه 30 ثانیه‌ای داده می‌شود که در آن حریف سازماندهی‌اش را از دست داده است. این 30 ثانیه‌ای است که شما در تمرینات روی آن تمرکز می‌کنید.”

این تکنیک هم در به خدمت گرفتن بازیکن جدید، ارزش زیادی دارد. مدل‌های حرکتی بازیکنان می‌تواند به سبک بازی کل تیم اضافه شود. این به بازیکن‌یاب‌ها اجازه می‌دهد تا بازیکنانی با سبک بازی مشابه تیم که قابلیت سازگاری تاکتیکی بیش‌تری را دارند، جذب کنند.

آنها می‌توانند از روش گوستینگ برای مدل‌سازی تاثیر به خدمت گرفتن یک بازیکن استفاده کنند، به این ترتیب نه تنها از ارزیابی‌های حداقلی مانند امتیازات فصل یک بازیکن استفاده می‌شود، بلکه می‌توانند تغییری که یک بازیکن می‌تواند در اجرای بعضی حرکات خاص در بازی تیم ایجاد کند، هم متوجه شوند.

بیست سال قبل، هنوز این تصور وجود داشت که فوتبال سیال‌تر از آن است که بتوان داده‌های ارزشمند از آن تهیه کرد اما پیشرفت تکنولوژی این تصور را از بین برد. تحول شرایط رصد کردن حرکات بازیکنان از ابزارهای اولیه تا ابزارهایی که می‌توانند حرکت بعدی حریف را پیش‌بینی کنند، اکوسیستمی ایجاد کرده که شایسته زیباترین ورزش دنیاست.