مغزهاي متفکر پشت فوتبال مدرن

به گزارش خبرگزاري فارس؛  «اين تحليل داده‌ها تو فوتبال، همش چرنده... نه؟» شايد باورش سخت باشد، اما اين جمله‌اي است که جلسه اول همکاري يکي از مهم‌ترين چهره‌هاي علم داده در فوتبال انگليس با آن آغاز شد.

ايان گراهام، دانشمند داده‌اي که بعدها در موفقيت‌هاي تاريخي ليورپول نقش مهمي ايفا کرد، با همين جمله از سوي مدير جذب تاتنهام مواجه شد. ترديد، تمسخر و مقاومت، بخشي از مسير دشواري بود که پيش‌گامان داده در فوتبال براي اثبات خود پيمودند. اما آنچه روزي موضوعي حاشيه‌اي و ناشناخته بود، امروز به يکي از ستون‌هاي اصلي در ساختار فني باشگاه‌ها بدل شده است.

از بي‌اعتمادي تا پذيرش: فوتبال در برابر تحليل داده

در دهه 2000، شرکت‌هايي مثل Opta و Prozone داده‌هايي از بازي‌ها جمع‌آوري مي‌کردند، اما تلقي عمومي از اين اطلاعات بيشتر به «گزارش تعداد پاس و دويدن» محدود بود؛ نه چيزي که واقعاً به تصميم‌گيري فني کمک کند. حتي کساني مثل مايکل ادواردز، که بعدها به‌عنوان مدير ورزشي ليورپول شناخته شد، به‌شدت نسبت به تحليل داده بي‌اعتماد بودند. تجربه شخصي او به‌عنوان تحليل‌گر در پورتسموث نشان داده بود که گزارش‌ها با واقعيت بازي فاصله زيادي دارند.

اما اتفاقاتي مثل تحول ليورپول تحت هدايت يورگن کلوپ و با همکاري مستقيم گراهام و تيم تحليل‌گرانش، ورق را برگرداند.

بر خلاف بيسبال، که داده‌هايش ساختاريافته و قابل‌تحليل است، فوتبال به‌دليل پيچيدگي تعامل 22 بازيکن، ديناميک بالاي بازي و ابهام در تعريف مفاهيمي مثل پاس موفق يا دفاع خوب، بسيار سخت‌تر تحليل مي‌شود. سارا رود، تحليل‌گر سابق آرسنال، مي‌گويد: «خيلي وقت‌ها نمي‌دانستيم بازيکن قصد شوت داشت يا سانتر؛ همين يک چالش اساسي براي ساختن مدل تحليلي است».

حتي تعريف ساده‌اي مثل تغيير جناح موفق هم در عمل به بازبيني مربيان نياز دارد، چون ممکن است انتقال توپ درست باشد، اما بازيکن پشتيبان در جاي مناسب قرار نگرفته باشد. همين بازخوردها، گاهي باعث بازتعريف موفقيت در مدل‌ها مي‌شد.

ظهور xG و عصر جديد تحليل عملکرد

تحليل‌گراني مثل سم گرين و سارا رود هم‌زمان اما مستقل از هم روي توسعه مدل «گل‌زده‌ مورد انتظار» (xG) کار کردند؛ آماري که حالا در گزارش‌هاي تلويزيوني و اپليکيشن‌هاي هواداري استفاده مي‌شود. xG تلاش مي‌کند احتمال گل شدن هر شوت را با توجه به موقعيت مکاني، نوع ضربه و شرايط دفاعي تخمين بزند.

اين مدل‌ها، اگرچه در ابتدا به‌ندرت مورد توجه قرار مي‌گرفتند، بعدها مبنايي براي تحليل کيفيت موقعيت‌هاي گل و ساختار حمله تيم‌ها شدند.

باشگاه‌هايي مثل برنتفورد و برايتون، تحت مالکيت چهره‌هايي مثل متيو بنهام و توني بلوم با سابقه در دنياي شرط‌بندي، در استفاده تجاري و استراتژيک از داده پيشتاز بودند. اين باشگاه‌ها، با بودجه کمتر، بازيکنان ارزان‌تري جذب مي‌کردند، آن‌ها را توسعه مي‌دادند و با سود به فروش مي‌رساندند.

در آرسنال، تيمي به رهبري سارا رود داده‌هايي اختصاصي از نحوه دفاع، موقعيت‌گيري، و رديابي رفتار بازيکنان طراحي کرد؛ داده‌هايي که حتي هنوز در بيشتر باشگاه‌هاي دنيا وجود ندارند. نتيجه؟ تغيير محسوس نسبت «موفق‌ها به شکست‌ها» در خريدهاي نقل‌وانتقالاتي از سال 2020 به بعد.

همه مخالف‌اند، تا وقتي موفقيت را ببينند

تد ناتسون، موسس Statsbomb، تجربه همکاري با باشگاه‌هايي داشته که يا مدل‌هاي او را ناديده مي‌گرفتند يا خواهان تغيير داده‌ها بودند. او مي‌گويد: «حتي باشگاه‌هايي بودند که براي تغيير گزارش‌ها فشار آوردند اما ما با آن‌ها قطع همکاري کرديم چون صداقت، ارزش بيشتري دارد».

از طرف ديگر، وقتي موفقيت مدل‌ها ثابت مي‌شد، همان مديراني که ديروز تمسخر مي‌کردند، حالا به‌دنبال استخدام متخصصان داده مي‌رفتند. امروز در بسياري از باشگاه‌ها، حتي مديران فني سابقه فعاليت در تحليل داده دارند.

آينده از آن تمرين است، نه فقط خريد

گرچه تمرکز بسياري از پروژه‌هاي داده‌اي روي جذب بازيکن بوده، تحليل‌گران معتقدند آينده بزرگ‌تر در حوزه تمرين‌ها و توسعه فردي نهفته است. استفاده از تکنولوژي‌هايي مانند دوربين‌هاي فوق‌سريع و رادارها مي‌تواند دقت در ضربه‌زني يا توانايي پاس‌بلند را ارتقا دهد؛ قابليتي حياتي در مدافعان مرکزي مدرن.

انسان يا ماشين؟ پاسخ پيچيده است

با وجود همه پيشرفت‌ها، تحليل‌گران داده تأکيد مي‌کنند که مغز انسان هنوز در برخي تصميم‌هاي سريع (مثل فضاهاي باز لحظه‌اي در بازي) از مدل‌ها بهتر عمل مي‌کند. ايان گراهام مي‌گويد: «داده هنوز در تاکتيک‌ها نقش زيادي ندارد چون مدل‌هاي رهگيري پيچيده، فقط در اختيار چند باشگاه بزرگ هستند. و تا وقتي مربي را قانع نکني، هيچ مدل موفقي کار نمي‌کند».

راه دراز فوتبال ايران

با وجود پيشرفت جهاني تحليل داده در فوتبال، در ايران هنوز استفاده سيستماتيک از داده‌ها در سطح باشگاهي در مراحل ابتدايي قرار دارد. برخي باشگاه‌ها از نرم‌افزارهاي آماري براي بررسي عملکرد بازيکنان استفاده مي‌کنند، اما اين ابزارها بيشتر به‌عنوان مکمل گزارش‌هاي چشمي ديده مي‌شوند تا مبناي تصميم‌گيري فني يا نقل‌وانتقالاتي.

فقدان زيرساخت‌هاي سخت‌افزاري مانند دوربين‌هاي رهگير، نبود تيم‌هاي تحليل داده داخلي و نبود ساختار مديريت فني مستقل (نظير مدير ورزشي) از مهم‌ترين موانع گسترش تحليل داده در فوتبال ايران است. در غياب اين مؤلفه‌ها، استعدادسنجي، اصلاح تاکتيک‌ها، و حتي برنامه‌ريزي تمريني همچنان وابسته به تجربه و شهود مربيان باقي مانده است.