Fotboll: En ursäkt att vara glad!
Det var under en universitetsaktivitet som jag först stötte på ScoutDecision. Den dagen visade Miguel mig att även någon med en bakgrund som verkar avlägsen från fotboll (ja, vi är ingenjörer) kan ha en betydande påverkan på denna vackra sport. Från det ögonblicket var jag som ett barn med en dröm—driven av en besatthet av data. (Förresten, Moneyball är ett mästerverk!) Mitt mål för examensarbetet var tydligt: att identifiera tekniskt begåvade spelare i lägre divisioner som kunde prestera på samma nivå som de i högsta ligorna, och låta data tala för sig själv för att definiera en effektiv frontier. Scouting är en otroligt komplex process. För det första, eftersom det inte finns ett enda “korrekt” sätt att utvärdera spelare—varje Scout har sin egen metodik och sina övertygelser, vilket innebär att samma spelare kan bedömas olika av olika scouts. För det andra, eftersom det inte finns någon gyllene formel som definierar talang. Talang är ett abstrakt och mångfacetterat koncept, vilket gör varje spelare unik och svår att bedöma med absolut säkerhet. Slutligen är scouting mycket subjektivt; ibland är det svårt att uttrycka i ord vad vi ser (den där oförklarliga “tränarens öga”-känslan). Min uppgift var att ta itu med några av dessa utmaningar genom att strukturera scoutingprocessen på ett klart och objektivt sätt—hjälpa klubbar och intressenter att rationalisera sina övertygelser och stödja beslutsfattande. För att uppnå detta utvecklade jag en Multi-Criteria Player Performance Model—en utgångspunkt för observationer i verkliga situationer: DataScouting. Men jag insåg snabbt att scouting inte är en universallösning. Behoven och preferenserna hos varje klubb varierar baserat på deras vision, spelstil och önskade spelarkaraktäristika. Därför blev det avgörande att integrera beslutsfattarnas preferenser (Chief Scout, Sportchef eller Huvudtränare) i modellen. Denna metod tillät mig att: Identifiera den grupp av kriterier som värderas mest för varje position och/eller funktion baserat på lagets kontext. Avvika från idén att alla kriterier har samma vikt—vissa attribut är viktigare för vissa positioner och roller. Erkänna att kriterier inte är isolerade—vissa attribut skapar synergi och förbättrar den övergripande prestationen. Göra processen transparent för alla intressenter och etablera en tydlig och intuitiv spelarrollsprofil för varje position. Inget skulle ha gjort mig stoltare än att implementera detta projekt i min klubb—den som formade mig—Sporting Clube da Covilhã. Det första steget? Anpassa modellen till klubbens kontext: Vad är klubbens vision? Varifrån kommer spelarna vanligtvis? Nästa steg var datainsamling. Klubben hade aldrig haft en formell scoutingavdelning. Med tanke på Football Managers databassuccé globalt använde jag dess data som grund för min process. Lagets prioritet var att förstärka forwardspositionen, vilket ledde till definitionen av två distinkta profiler: en fast forward och en mobil forward. Med klubbens ekonomiska begränsningar kom målvärdena från fjärdedivisionen (Campeonato de Portugal). Men för att skapa en kvalitetsbenchmark samlade jag även data på forwards från andra och tredje divisionen (Liga 2 och Liga 3). Beslutsfattaren valde gruppen av kriterier för varje scenario och rankade de kriterier de värderade mest för varje forwardprofil. Sedan identifierade de synergieffekter mellan attribut och justerade skalorna därefter. Resultaten? • Fast Forward: Av 229 utvärderade forwards var 38 på den effektiva fronten, men endast 7 spelade i Campeonato de Portugal. • Mobil Forward: 57 forwards klassificerades som effektiva, med 18 från Campeonato de Portugal. • Endast en striker var gemensam för båda profilerna. Denna grupp av identifierade effektiva spelare användes sedan som referens för verkliga scoutinguppgifter. Forwards som inte befann sig på den effektiva fronten utvärderades också, vilket gjorde det möjligt att identifiera kriterier där de fortfarande hade brister jämfört med de på den effektiva fronten. Dessutom hjälpte rangordningen av ineffektiva forwards att bedöma hur nära de var att nå den effektiva fronten och gav insikter om deras potentiella utveckling. I slutet av projektet tjänade modellen också som ett valideringsverktyg för scoutingprocessen. Spelare identifierade av beslutsfattaren testades mot modellen: två av tre klassificerades som effektiva, medan den tredje hamnade på sjunde plats, mycket nära effektivitetsgränsen. Detta gav datadriven bekräftelse på beslutsfattarens bedömning. I slutändan är en scout mer än bara en talangspanare—en scout är en beslutsfacilitator. Om en ingenjör kunde leda Portugals landslag, finns kanske plats för ingenjörer inom fotboll.
