La Crescente Importanza della Football Analytics

Negli ultimi due decenni, l’influenza dell’analisi dei dati è cresciuta in ogni ambito della nostra vita: nelle aziende di ogni tipo, ma anche nella sanità, nei media e nello sport. Fino a pochi anni fa, il calcio era ritenuto immune da questa tendenza. Ora, quelli che sono stati i primi ad adottare la data analytics nei principali campionati europei, hanno iniziato a beneficiare di un importante vantaggio competitivo: Liverpool, AZ Alkmaar e Brentford sono solo alcuni dei casi di successo, in una lista in rapida crescita. A nostro avviso, i club che non stanno pianificando di entrare presto in questa lista, rischiano di perdere molto terreno, nonché una grande opportunità.


Breve storia della football analytics

Le origini della football analytics: Charles Reep e il problema dell’interpretazione dei dati

Charles Reep

La football analytics non è una disciplina così giovane, come spesso pensiamo. Il primo a proporla fu un contabile della British Royal Air Force di nome Charles Reep, che, dopo la Seconda Guerra Mondiale, iniziò a raccogliere e analizzare i dati delle partite di calcio a cui assistiva, usando una matita e un semplice block notes.

Dall’analisi, Reep concluse che la maggior parte dei goal venivano segnati dopo azioni con meno di tre passaggi e per questo era strategicamente importante far avanzare la palla il più velocemente possibile. La sua teoria divenne nota come “long ball” (tradotta in gergo calcistico nostrano con “palla lunga e pedalare”) e avrebbe avuto una grande influenza sul calcio inglese per molti anni a venire, specialmente negli anni Ottanta. Reep lavorò per il Brentford, il Wolverhampton e il Sheffield Wednesday, ma collaborò anche con il Wimbledon, il Watford e la nazionale norvegese, continuando a profetizzare lo stile di gioco cosiddetto”diretto“.

Le conclusioni di Reep, tuttavia, si dimostrarono non accurate. Jonathan Wilson (autore di ‘La Piramide Invertita‘), ha sottolineato come l’analisi di Reep abbia mostrato che il 91,5% delle azioni nelle partite da lui prese in esame, erano contraddistinte da meno di 3 passaggi e che, logicamente, ciò comportava che il 91,5% di tutti i gol venissero generati da azioni con meno di 3 passaggi.

Insomma, quello che Charles Reep stava facendo bene era la raccolta dei dati. Dove sbagliò, invece, furono le conclusioni raggiunte dopo aver analizzato il proprio database, messo insieme con tanta passione. In fondo, Reep era un contabile, non certo un data scientist.

Questo è un chiaro esempio di come i dati da soli non siano sufficienti per ottenere un vantaggio competitivo; quello che è ancora più importante è la capacità di interpretarli. Oggi giorno, questo sta diventando sempre più evidente, con i database in continua crescita e il ruolo dei data scientist che diventa sempre più importante.

L’establishment calcistico, anziché prendere la parte buona del lavoro di Reep -la raccolta dei dati – e concentrarsi sul miglioramento dell’interpretazione degli stessi, respinse l’esperimento e il concetto alla sua base, vale a dire che con i dati fosse possibile comprendere meglio il gioco del calcio e ottenere un vantaggio competitivo.

I dati da soli non bastano: servono le soluzioni di analytics per interpretarli

Il problema dell’interpretazione dei dati è ancora attuale. Ad esempio, nonostante le società calcistiche siano invase da enormi flussi di numeri, mancano spesso del know-how interno per interpretarli ed estrarre informazioni fruibili. Il risultato: i dati diventano quasi inutili. È come dare tutti i prezzi, i ratio, i multipli e gli indicatori su azioni, valute e materie prime ad una persona che non conosce i mercati finanziari: quei dati non renderanno certo tale persona un trader infallibile. Per prendere buone decisioni, le squadre di calcio hanno bisogno di dati, ovviamente, ma hanno anche bisogno di semplici tool di analytics per comprenderne il senso. Quella che segue è una buona rappresentazione del concetto, ideata dall’Imperial College di Londra.

L'importanza dell'analytics per dare un senso ai dati

L’ascesa della sport analytics dopo Moneyball

Billy Beane agli Oakland Athletics

La pubblicazione nel 2003 di “Moneyball: The Art of Winning an Unfair Game” ha rappresentato la reale introduzione degli sport analytics al vasto pubblico. Scritto da Michael Lewis, il libro si concentra sulla squadra di baseball degli Oakland Athletics e sul suo direttore generale, Billy Beane. Il libro – e otto anni dopo il film Moneyball, interpretato da Brad Pitt e Jonah Hill – è stato determinante per divulgare il concetto di sabermetrics (l’analisi statistica del baseball) e più in generale la sport analytics.

Secondo l’autore, prima che la sabermetrics venisse introdotta nel baseball, le squadre dipendevano esclusivamente dalla abilità dei loro scout nel trovare e valutare i giocatori. Lewis sostiene che la dirigenza degli Oakland A’s si creò un vero e proprio vantaggio competitivo utilizzando gli indicatori prestazionali più analitici e innovativi, ottimizzando lo scouting dei giocatori, cosa che permise loro di costruire una squadra che riuscisse a competere con i club più ricchi della Major League Baseball. La squadra divenne famosa per aver vinto 20 partite consecutive, tra il 13 agosto e il 4 settembre 2002.

Gli Oakland Athletics diedero l’esempio e tutte le altre squadre della MLB ne presero atto e andarono a ruota. Nel giro di pochi anni, anche gli altri sport statunitensi, come il basket e il football americano, cominciarono ad organizzarsi, per diventare sempre più “data driven”.

Gli allenatori e i dirigenti calcistici, inizialmente, rimasero scettici. Molte persone pensavano che, a differenza degli sport americani, il calcio sarebbe stato impossibile da analizzare usando i dati.

Ma alcune persone, particolarmente testarde, non erano d’accordo. E diedero il via a una vera e propria “data revolution” nel calcio. Uno di questi fu lo stesso Billy Beane, profondamente interessato al calcio. In questo post, abbiamo descritto come è diventato consigliere del club olandese AZ Alkmaar, nel 2015.

Gli sviluppi più recenti – i casi di successo di Liverpool, AZ Alkmaar, FC Midtjylland e Brentford – dimostrano che non solo è possibile analizzare il calcio, ma coloro che lo fanno acquisiscono un vantaggio competitivo importante.

Applicazioni della data analytics nel calcio


I progressi che abbiamo visto nel settore negli ultimi cinque anni saranno nulla, rispetto a ciò che accadrà nei prossimi cinque.


Negli ultimi anni, l’esponenziale velocità di miglioramento delle tecnologie a supporto della raccolta, archiviazione e analisi dei dati è andata di pari passo con un aumento esponenziale del capitale umano investito negli sport analytics. Questo ha comportato l’esplosione della quantità e anche della qualità dei dataset. A nostro avviso, tuttavia, i progressi che abbiamo visto nel settore negli ultimi cinque anni saranno nulla, rispetto a ciò che accadrà nei prossimi cinque.

Man mano che i dataset sono aumentati e migliorati, il numero di potenziali applicazioni della data analytics nel calcio si è moltiplicato, rendendo quello di “football analytics” un concetto abbastanza generico. Di seguito, proviamo a riassumere i principali campi di applicazione.

Scouting

Smart scouting: tre motivi principali

A nostro avviso, l’analisi dei dati è uno strumento di scouting molto potente, per tre motivi principali:

  1. Risparmi. La ricerca di giocatori tramite statistiche, in database ampi e dettagliati, consente ai club di risparmiare incredibili quantità di tempo e denaro. Dopo aver applicato i filtri desiderati, lo scout può limitare l’area di interesse a un numero selezionato di giocatori e iniziare a vedere i video di questo gruppo di calciatori. Nel nostro ipotetico “scouting funnel”, concettualizzato nella foto qui sotto, grazie ai video lo scout può filtrare ulteriormente il numero di giocatori da andare a visionare dal vivo. Riteniamo che i database non possano sostituire gli scout, ma piuttosto che possano integrare le loro capacità di identificazione dei talenti.
  2. Il silicio ha più memoria di te o di me. Ricordi tutte le azioni, tutti i tiri, tutti i cross e i dribbling della tua squadra del cuore nella passata stagione? Certo che no. E lo stesso sarebbe vero anche limitando tale analisi al tuo giocatore preferito. Al contrario, mentre un computer non ha una squadra o un giocatore preferito, può ricordare tutto ciò che è accaduto non solo nella presente, ma in tutte le n passate stagioni. Ciò ha un valore inestimabile per gli scout, che sono spesso indotti in errore da prestazioni eccessivamente positive o negative di un giocatore in una determinata partita, o anche su periodi più lunghi.
  3. Limitare i pre-concetti. Scorrendo ed analizzando i database spesso si ottengono risultati controintuitivi. In alcuni casi, questi potrebbero essere falsi positivi. In altri casi, offrono i cosiddetti “eureka moments”: i tuoi occhi non avevano catturato quella particolare abilità, di quel particolare calciatore, ma la prossima volta che lo osservi giocare, tutto diventa chiaro.

Soccerment: Lo scouting funnel a partire dai dati

Quando si tratta di smart scouting e player trading, ci sono tre club che si distinguono e che hanno i dati al centro delle loro routine di scouting. Due di questi club sono di proprietà dello stesso signore: Matthew Benham.


Smart scouting: Brentford

Matthew Benham e Rasmus Ankersen

Il loro successo nel mercato dei trasferimenti consente al Brentford di competere con successo nella Championship inglese, nonostante il club abbia un budget inferiore del 60% rispetto alla media del campionato.


Matthew Benham (a sinistra nella immagine sopra, ritratto con il suo amico e collega Rasmus Ankersen) è un ex trader della City, che ha fondato la società di consulenza Smartodds, una società privata che fornisce servizi di ricerca statistica e servizi di modellistica sportiva ai clienti come i giocatori d’azzardo professionisti.

Nel giugno 2012 Benham è diventato il proprietario di maggioranza del Brentford FC, che all’epoca lottava per la promozione dalla League One. Nel luglio 2014 è diventato anche proprietario del club danese FC Midtjylland.

Il club inglese Brentford e il danese FC Midtjylland hanno una cosa in comune, a parte la loro proprietà: sono in grado di lottare al di sopra delle proprie possibilità, cioè hanno capito come competere con budget molto inferiori rispetto ai loro avversari. Il modo in cui lo fanno è un concetto relativamente semplice, ma molto difficile da mettere in pratica: massimizzare i rendimenti nel calciomercato.

Di seguito, a titolo di esempio, c’è una tabella che abbiamo preso dal libro “The Expected Goals Philosophy“, scritto da James Tippett, un ex “osservatore” di Smartodds. Un osservatore è responsabile del monitoraggio delle statistiche delle partite di calcio, le stesse statistiche che alimentano gli algoritmi di Smartodds, Brentford e FC Midtjylland.


PlayerPurchasing fee (£ m)Selling fee (£ m)Profit (£ m)
N. Maupay1.82018.2
A. Gray0.51211.5
S. Hogan0.751211.25
C. Mepham01111
E. Konsa2.5129.5
R. Woods16.55.5
N. Yennaris0.254.8
Jota1.564.5
J. Tarkowski0.34.54.2
J. Egan0.443.6
D. Bentley0.4543.55
R. Sawyers0.32.92.6
M. Odubajo13.52.5
M. Colin0.932.1
F. Jozefzoon0.92.81.9
Totale12.5109.296.7
Source: The Expected Goals Philosophy

La tabella riportata sopra rappresenta i trasferimenti più redditizi per il Brentford nel corso degli ultimi anni. Include la cifra che il Brentford ha pagato il loro acquisto, la cifra ricevuta alla vendita e le plusvalenze lorde derivanti dall’operazione. Come si nota, il Brentford ha sborsato £12,5 milioni per quella lista di giocatori e ne ha incassati £109,2 con la loro vendita, per una plusvalenza lorda di £96,7 milioni.

Secondo il libro, il loro successo nel mercato dei trasferimenti consente al Brentford di competere con successo nella Championship inglese, nonostante abbia un budget salariale inferiore a £ 15 milioni, del 60% più basso della media del campionato (£ 39 milioni).

Smart scouting: Liverpool

Liverpool's Michael Edwards

Il Liverpool ha un team di ricerca composto da quattro persone, che rappresenta il vero “dream team”della football analytics. Le società calcistiche, quando credono fortemente all’analisi dei dati, normalmente hanno al massimo una persona con il loro background. Averne quattro così, è molto più che senza precedenti, è rivoluzionario.


Nel 2010 il Liverpool è stato acquisito dalla società americana Fenway Sports Group, proprietaria della squadra di baseball dei Boston Red Sox dal 2002. Conquistati dalla sabermetrics, i Red Sox cercarono di assumere Billy Beane, che però rifiutò la loro offerta, preferendo rimanere agli Oakland Athletics. I Red Sox si rivolsero così ad un altro dei pionieri della sabermetrics, Bill James, come consigliere speciale del club. Il termine “sabermetrics” fu coniato dallo stesso Bill James, derivandolo dall’acronimo SABR, che significa “Society for American Baseball Research“, fondata nel 1971.

I Red Sox non vincevano le World Series da 84 anni, apparentemente condannati dalla cosiddetta “Maledizione del Bambino“. Nel 2004, due anni dopo l’acquisizione da parte di Fenway, i Red Sox sono stati in grado di rompere la maledizione e sono diventati una delle squadre di baseball più dominanti di sempre, vincendo nuovamente le World Series nel 2007, 2013 e 2018.

A Liverpool, Fenway Sports Group ha deciso di replicare lo schema, investendo denaro e risorse nella data analytics. Assunsero molto presto Damien Comolli come Direttore della Strategia. Comolli aveva la reputazione di scovare talenti sconosciuti attraverso l’analisi dei dati: mentre era al Tottenham, ad esempio, comprò Luka Modric e Dimitar Berbatov.

A Liverpool, nonostante gli acquisiti di Luis Suarez e Jordan Henderson, le cose non andarono secondo i piani per Comolli, che lasciò il club nella primavera del 2012. Prima di lasciare il Liverpool, però, fece una assunzione importante, un uomo che diventò fondamentale per i recenti successi del club. Per una volta, non stiamo parlando di una football star, ma di un data analyst: Michael Edwards, “iconizzato” qui sopra.

Assunto da Comolli come responsabile della performance e dell’analisi, Michael Edwards è stato nominato come primo direttore sportivo nella storia del Liverpool nel novembre 2016.

Edwards collabora con il capo del reclutamento Dave Fallows, il capo scout Barry Hunter e un gruppo di ricerca di quattro uomini guidato da Ian Graham (PhD in Fisica a Cambridge) e che include William Spearman (PhD in Fisica ed ex-CERN), Tim Waskett (PhD in Astronomia) e Dafydd Steele (ricercatore statistico). Questo gruppo di persone è il vero dream team della football analytics. Le società calcistiche, quando credono fortemente all’analisi dei dati, normalmente hanno al massimo una persona con il loro background. Averne quattro così, è molto più che senza precedenti, è rivoluzionario.

La loro capacità di analizzare e dare un senso ai dati prestazionali ha permesso al Liverpool di cercare i giocatori più adatti allo stile di gioco di Jürgen Klopp. Un’altra caratteristica importante del Liverpool è che esistono chiare sinergie tra l’area tecnica, guidata da Klopp, e i data scientist, una relazione che è favorita dalla fiducia e dal rispetto reciproci.

A nostro avviso, la maggiore qualità e quantità del loro database, ha in molti casi permesso al Liverpool di battere la concorrenza di numerose squadre in fase di calciomercato. Per alcuni top players, infatti, i Reds hanno offerto cifre molto elevate, ma tali offerte erano più informate rispetto ai concorrenti, avendo il Liverpool molte più informazioni su quei giocatori e potendo quindi applicare un inferiore sconto per il rischio nelle proprie valutazioni.

Gli acquisti di Mohamed Salah, Alisson e Virgil van Dijk, quando sono stati fatti, sembravano tutti troppo costosi. Invece, le valutazioni di questi giocatori sono notevolmente aumentate da quando il Liverpool li ha acquistati. Nella tabella seguente includiamo tutti gli acquisti più importanti del Liverpool (valori di acquisto superiori ai €10 milioni) dal 2016/17 (la prima stagione completa con Edwards come direttore sportivo) e confrontiamo la commissione di acquisto con la valutazione corrente (post-COVID) o quanto incassato dalla loro vendita. È da notarsi che non includiamo i trasferimenti gratuiti come Joel Matip o gli acquisti inferiori ai €10 milioni, come Andrew Robertson.


PlayerPurchasing
fee (€ m)
Current
valuation (€ m)
Valuation
change (€ m)
S. Mané41.2120+79
G. Wijnaldum27.550+22
V. van Dijk84.790+5.3
M. Salah42.0150+108
A. Oxlade-Chamberlain38.035-3.0
Alisson62.572+9.5
N. Keïta60.060
Fabinho45.050+5.0
X. Shaqiri14.725+10
Totale415.6652+236
Source: Transfermarkt

Smart scouting: la formula segreta

Quindi, qual’é la formula segreta che stanno usando il Brendford ed il Liverpool? Noi crediamo che si riduca a due fattori principali, che insieme formano la filosofia sottostante: la ricerca della razionalità.


Gli incassi derivanti dalla vendita dei giocatori offrono a una squadra di calcio l’opportunità di reinvestire il denaro in talenti sottovalutati, o in giocatori che meglio si adattano allo stile di gioco della squadra. Il Sacro Graal dello scouting sta nel raggiungere contemporaneamente entrambi gli obiettivi. E il Liverpool non sembra lontano da ottenerlo.


  1. Data analytics: il Brentford e l’FC Midtjylland utilizzano i dati e gli algoritmi di Smartodds che, secondo Tippett, si basano sul concetto di Expected Goals (anche se calcolati in un modo particolare – vedere il paragrafo sugli Expected Goals di seguito, per maggiori dettagli); il Liverpool ha formato un dream team di data scientist per raccogliere e analizzare meglio i dati;
  2. Vendere gli over-performers: Non aver paura di vendere un giocatore è la chiave dell’approccio finanziario di Brentford e Liverpool. In sede di calciomercato, le società calcistiche spesso dimenticano le considerazioni razionali di lungo termine e fanno delle emozioni a breve termine dei loro tifosi il principale motore delle loro decisioni. Per il successo finanziario a lungo termine di un club, è fondamentale rimanere il più possibile logici. Per fare ciò, a nostro avviso, non esistono molte opzioni migliori dell’analisi dei dati. Così come il Brentford di Matthew Benham, i dirigenti del Liverpool non hanno paura a vendere giocatori importanti (Suarez, Coutinho e Sterling per nominarne solo alcuni), perché gli incassi danno loro l’opportunità di reinvestire il ricavato in talenti sottovalutati o in giocatori che meglio si adattano allo stile di gioco della squadra. Il Sacro Graal dello scouting sta nel raggiungere contemporaneamente entrambi gli obiettivi. E il Liverpool non sembra lontano da ottenerlo.

Performance analysis

Football, Performance Indexes, Stats, Advanced Metrics

L’analisi dei big data ci aiuta a scoprire fatti controintuitivi sul calcio, su cui possiamo costruire una strategia innovativa e vincente.


Le squadre di calcio, così come i media e persino i tifosi, possono, con il supporto dei dati, capire più facilmente come una squadra o un giocatore hanno “performato” nel corso di una partita o di una stagione.

Anche le statistiche più elementari, come il numero di tiri, i tiri nello specchio e il possesso di palla, possono offrire una indicazione, seppur incompleta, su come si sono esibite le due squadre e se la loro prestazione è stata in linea con il risultato della partita.

Se poi miglioriamo la granularità delle statistiche, includendo anche indicatori prestazionali selezionati, il dataset inizia gradualmente a dare un quadro più definito e completo di ciò che è accaduto sul terreno di gioco, consentendo un’analisi dettagliata. Tale granularità può offrire a un allenatore maggiori informazioni sulla prestazione della squadra, incluso importanti indicazioni sul fatto che i giocatori si siano attenuti o meno alle istruzioni pre-partita.

L’analisi delle prestazioni normalmente comprende video e dati. Sta diventando sempre più comune che gli allenatori, nei commenti post-partita ai loro giocatori, spieghino loro cosa hanno fatto di sbagliato o dove potrebbero migliorare, con l’aiuto di video e statistiche. In fondo, mostrare dati e fatti oggettivi può essere un modo molto più efficace e persuasivo per consolidare un’idea.

Inoltre, l’analisi dei big data ci aiuta a scoprire fatti controintuitivi sul calcio, su cui possiamo costruire una strategia di gioco innovativa e vincente. Ad esempio, sta diventando sempre più chiaro che abusare dei cross dal fondo non sia una strategia molto efficace. Abbiamo pubblicato un’analisi ad hoc su questo tema, ecco il link.



Expected Goals (xG)

Gli “Expected Goals” sono tra le metriche avanzate più rivoluzionarie e allo stesso tempo più semplici nel calcio. Gli “Expected Goal” (o “xG”) rappresentano il valore atteso di un tiro, ovvero la probabilità che un tiro si trasformi in gol. Il calcolo di tale probabilità dipende da una serie di fattori, tra cui la distanza dalla porta avversaria, l’angolazione del tiro, la parte del corpo con cui è stato effettuato (testa, piede forte o debole, etc.), la situazione di gioco (tiri su azioni manovrate, contrattacco, etc.) e altri (ad esempio se c’erano degli avversari che bloccavano lo spazio davanti).


Gli “Expected Goal” (o “xG”) rappresentano il valore atteso di un tiro, ovvero la probabilità che un tiro si trasformi in gol.


Gli Expected Goals vengono solitamente calcolati utilizzando un approccio “frequentista”: un set di dati di diverse migliaia di tiri è classificato in base alle suddette variabili (distanza dall’obiettivo, angolo, parte del corpo, ecc.). Se un tipo di tiro, che ad esempio si è verificato 10.000 volte nel dataset, si è trasformato in gol 200 volte, allora quel tipo di tiro vale un xG di 0,02 (probabilità del 2% di essere trasformato in gol). Utilizzando questa metodologia, possiamo determinare, ad esempio, che un rigore vale 0,76 Expected Goals, ovvero un rigore ha una probabilità implicita del 76% di essere segnato. È più raro che i modelli di Expected Goals siano costruiti con un approccio di tipo “bayesiano”, ma qualche volta lo sono. Infine, in alcuni casi selezionati, sembrano essere costruiti senza alcun fondamento statistico. Secondo il libro “The Expected Goal Philosophy“, la società di consulenza di scommesse Smartodds, di proprietà di Matthew Benham del Brentford, calcola gli Expected Goals in un modo diverso: invece di basarsi sui valori statistici attesi dei tiri effettuati, si basano su delle opinioni soggettive circa la probabilità che ogni attacco (quindi non un singolo tiro) venga trasformato in gol.


Il concetto di Expected Goal consente agli analisti di includere la qualità dei tiri nelle equazioni che storicamente sono state dominate dalla quantità dei tiri stessi e da alcune opinioni soggettive sulla loro pericolosità.


Come gli Expected Goals possono rivoluzionare il calcio? A nostro avviso, ci sono due aree principali che sono pronte per essere rivoluzionate:

  • Un’analisi più approfondita e più ampia degli Expected Goals “costringerà” gli allenatori di calcio a ripensare le loro strategie tattiche, in particolare per quanto riguarda le posizioni da cui vengono effettuati i tiri. Nei prossimi 10-15 anni ci aspettiamo di vedere nel calcio qualcosa di simile a quello che è successo in NBA: una revisione completa delle posizioni da cui vengono effettuati i tiri in porta. Nel libro “Sprawlball: A Visual Tour of the New Era of the NBA”, vengono confrontate le posizioni di tiro più comuni nella NBA 2001-02 a quelle della NBA 2016-17 (vedi immagine sotto). È evidente come le considerazioni di rischio-rendimento basate sull’analisi dei dati abbiano notevolmente aumentato la quantità dei tiri da tre punti e contestualmente limitato il numero dei tiri da due al di fuori dell’area cosidetta “the paint”.
NBA: le più comune zone di tiro nella stagione 2001/02 vs 2016/17
Fonte: Sprawlball: A Visual Tour of the New Era of the NBA
  • Ci aspettiamo che le squadre di calcio faranno sempre più affidamento su misure oggettive come gli Expected Goals, quando si tratta di valutare le prestazioni delle squadre e valutare quanto bene o male stiano facendo gli allenatori. Capita troppo spesso che gli allenatori vengano licenziati dopo scarsi risultati, nonostante questi non siano causati da scarse prestazioni della squadra, ma piuttosto da sfortuna.

Gli Expected Goals, come sopra discusso, permettono di meglio quantificare e misurare le prestazioni, distinguendole dai risultati.

Expected Assists (xA)

Gli Expected Assists sono derivati dagli Expected Goals e misurano la probabilità che un “ultimo passaggio” sia effettivamente convertito in gol. Con l’aiuto degli Expected Assists, i creatori di gioco più talentuosi possono essere riconosciuti come tali, anche quando i loro compagni di squadra non sono efficaci terminali offensivi.

Per esempio, prendiamo il caso di Kylian Mbappé (il puntino rosso nel grafico sottostante): in Ligue 1 in questa stagione ha registrato 5 assist, ovvero 0.3 assist ogni 90 minuti di gioco. Non male, ma comunque lontano dalle statistiche dei top performer su questa metrica. Analizzando meglio i dati, vediamo come Mbappé abbia creato 10,6 Expected Assists: 0,625 ogni 90 minuti, uno dei valori più alti in Europa.



Indicatori di performance

Antonio Gagliardi, Head of Match Analysis Italian National Team

Invece di esaminare singole variabili e metriche, alcuni club, federazioni e società private hanno iniziato ad aggregarle, creando specifici indicatori di performance. Un esempio è “L’Indice di Pericolosità“, creato per la Nazionale Italiana da Maurizio Viscidi e Antonio Gagliardi (nell’immagine sopra).

Soccerment Performance Rating (SPR) e Performance Indexes

Noi di Soccerment abbiamo sviluppato il nostro indice di performance – con cui misuriamo tutti i calciatori e le squadre nel nostro database – chiamato Soccerment Performance Rating (‘SPR’). L’SPR è una misura sintetica con cui valutare il contributo di un giocatore alla performance della sua squadra. Tutti gli eventi in campo vengono presi in considerazione e ponderati utilizzando coefficienti ad hoc, che dipendono anche dal ruolo dei giocatori. I nostri algoritmi dividono il contributo dei giocatori in tre fasi – difesa, costruzione e attacco – al fine di darci una visione più chiara dell’approccio complessivo dei giocatori in campo.

I Performance Indexes, visualizzati nelle nostre “spider charts”, offrono una misura sintetica di un aspetto molto specifico delle prestazioni del giocatore. Ogni Performance Index prende in considerazione n metriche appartenenti ad un determinato evento tecnico. Ad esempio, per l’indice “Vision”, prendiamo in considerazione, tra l’altro, la quantità e la qualità delle occasioni create, i passaggi filtranti e i lanci nello spazio; mentre l’indice “Passing” applica pesi diversi ai passaggi dei giocatori, a seconda dell’area del campo da cui provengono, della loro direzione, della loro precisione e della loro lunghezza. Come esempio, mostriamo di seguito la “spider chart” di Messi (in blu): confrontiamo i suoi indici di performance a quelli della media degli attaccanti presenti nel nostro database (in grigio).


Soccerment Performance Indexes | Spider Chart | Lionel Messi

I Performance Indexes e l’SPR sono efficaci strumenti di scouting. I primi sono in grado di identificare chiaramente i migliori giocatori in un aspetto specifico e tecnico della performance; mentre il secondo offre una visione immediata del livello delle prestazioni dei giocatori durante la stagione o anche per tutta la loro carriera. Utilizzando un performance index come il nostro, è possibile trovare facilmente gli “outliers” in un determinato dataset. Nel caso seguente, l’abbiamo usato per trovare gli outliers per le diverse fasce d’età all’interno del nostro database. Per ulteriori informazioni, è possibile leggere il nostro post su LinkedIn.

Sviluppo dei giocatori

AZ Alkmaar, Marijn Beuker

Non compriamo il successo, lo creiamo.” (Marijn Beuker)


L’analisi dei dati sta diventando sempre più importante anche per quanto concerne lo sviluppo dei giovani calciatori. Il motivo è semplice: avere un feedback oggettivo e misurabile può aiutare sia gli allenatori che gli stessi giocatori ad accelerare i processi di apprendimento e creare cicli di sviluppo virtuosi. Fondamentalmente, l’analisi dei dati diventa uno strumento per aiutare a prevedere e coltivare il potenziale dei giocatori.

Il miglior esempio per questo ambito di utilizzo dei dati è rappresentato dal club olandese dell’AZ Alkmaar.

Abbiamo ampiamente descritto come l’AZ strutturi il suo processo di sviluppo attraverso i dati, nell’analisi che riportiamo qui in basso. Nell’analisi spieghiamo anche come la pianificazione a lungo termine richieda una governance chiara ed efficiente, che non è ancora troppo comune nelle società calcistiche, a qualsiasi livello. Sopra una immagine di Marijn Beuker, Direttore dello Sviluppo Sportivo presso l’AZ Alkmaar.



Noi di Soccerment stiamo lavorando su soluzioni innovative per raccogliere statistiche omogenee e approfondite tra le squadre giovanili di età diverse. Per avere informazioni aggiuntive, mandateci pure un’email a info@soccerment.com. Se desideri semplicemente rimanere aggiornato, fai clic di seguito.


Prevenzione e riabilitazione dagli infortuni

Le origini: Il Milan Lab

Milan Lab: Jean Pierre Meersseman

Il Milan Lab è stato fondato nel 2002 per ridurre il rischio di infortuni dei giocatori del Milan, aiutare i giocatori infortunati a riprendersi più velocemente e migliorare le metodologie di allenamento, permettendo la personalizzazione delle sessioni. Si dice che l’allora presidente del Milan, Silvio Berlusconi, abbia deciso di formare Milan Lab, incaricando al suo sviluppo il medico belga Jean Pierre Meersseman (nella immagine sopra), dopo che Fernando Redondo si ruppe il legamento crociato anteriore durante un allenamento pre-stagionale, poco dopo essere stato acquistato dal Real Madrid.

La fama del Milan Lab è cresciuta negli anni, tanto che iniziò a essere visto come uno dei fattori determinanti che portarono al dominio del Milan sul calcio europeo. Quando i Rossoneri vinsero la Champions League nel 2007, ad esempio, l’età media della squadra era molto sopra ai trenta anni e il capitano Paolo Maldini stava andando per i quarant’anni. Sembrava che il Milan Lab potesse allungare di molto la carriera dei giocatori. Nel 2008, Simon Kuper, uno degli autori di Soccernomics, indicò il Milan Lab come il “segreto della giovinezza” del Milan, in un articolo sul Financial Times.

Sebbene l’uso della tecnologia e dei dati sia stato fondamentale per il Milan Lab, i suoi detrattori affermano che al centro del progetto c’era la filosofia chiropratica, che è vista come non ortodossa dalla maggior parte del mondo scientifico.

Oggi: Dati & tech per aiutare la performance atletica e la prevenzione degli infortuni

Soccerment Head of R&D Matteo Zago

Il monitoraggio delle prestazioni può fornire una visione chiara del quadro richiesto per sviluppare e ottimizzare i modelli utilizzati per analizzare i carichi di allenamento.


Dall’inizio degli anni 2000 c’è stato un aumento esponenziale delle ricerche sul modo in cui si monitorano i carichi di allenamento, consentendo agli sport scientist di sviluppare le loro analisi su solide basi. Al giorno d’oggi, qualsiasi club di alto livello monitora costantemente la posizione dei giocatori, mentre il tracciamento della velocità con GPS consente loro di misurare oggettivamente il “carico esterno”, cioè la quantità di lavoro svolto sul campo. Le variabili più frequentemente utilizzate per quantificare il carico esterno durante le sessioni di allenamento e le partite sono: la distanza percorsa in diverse zone di velocità (jogging, corsa, sprint), accelerazioni, variabili relative alla frequenza cardiaca e metriche dell’accelerometro (carico del giocatore, intensità).

Il tracking del carico esterno attraverso i GPS può anche essere utilizzato per predire il rischio degli infortuni dei calciatori. Ricerche recenti hanno dimostrato che gli infortuni dei giocatori di calcio possono spesso essere previsti osservando i carichi di lavoro dei giocatori durante l’allenamento e la partita. I ricercatori hanno scoperto che il più elevato rischio di infortunio si è verificato dopo che i giocatori hanno accumulato un numero molto elevato di brevi picchi di velocità durante l’allenamento, per un periodo di tre settimane. I giocatori hanno registrato metri al minuto significativamente più elevati nelle settimane precedenti un infortunio, rispetto alle loro medie stagionali (+9,6% e + 7,4% per i blocchi di 1 e 4 settimane, rispettivamente), indicando che l’aumento dell’allenamento e dell’intensità di gioco aumentano la probabilità di infortunio. Inoltre, i “blocchi di infortunio” hanno mostrato un carico atletico medio significativamente più basso rispetto alle medie stagionali (-15,4% e -9,0% per i blocchi di 1 e 4 settimane, rispettivamente). Periodi di scarsa preparazione potrebbero quindi comportare per i giocatori l’incapacità di affrontare intensi sforzi ad alta intensità, durante le partite agonistiche. Questo è chiaramente un problema molto attuale, con i campionati europei che stanno riprendendo l’attività, dopo le sospensioni indotte dal coronavirus.

Le attuali ricerche sulla biomeccanica sportiva supportano questa tendenza, dimostrando che i pattern di movimento degli atleti si deteriorano in modo potenzialmente dannoso, quando corse intense e cambi di direzione vengono ripetuti sistematicamente. Questo è un link ad una ricerca sull’argomento, scritta da Matteo Zago, a capo del team Ricerca e Sviluppo di Soccerment (nell’immagine sopra) e pubblicata sul prestigioso European Journal of Sports Science.

In breve, il monitoraggio delle prestazioni può fornire una visione chiara del quadro richiesto per sviluppare e ottimizzare i modelli utilizzati per analizzare i carichi di allenamento. Ciò consente a questi modelli di ottenere una migliore comprensione della forma fisica dei giocatori, della loro prontezza alla performance e alla fatica, migliorando la qualità e l’efficienza nella loro assistenza allo staff tecnico.

Football analytics: libri da leggere


Nella foto sopra, una selezione di libri di cui raccomandiamo la lettura, per aumentare la conoscenza e la comprensione della data analytics nel calcio.

Il modo migliore per iniziare, a nostro avviso, è con un libro che non ha a che vedere con il gioco del calcio: “Moneyball: The Art Of Winning An Unfair Game” (scritto da Michael Lewis), che abbiamo già menzionato in questa analisi. Il libro parla della storia della squadra di baseball degli Oakland Athletics e ben descrive l’importanza della sport analytics.

In seguito, leggeremmo “The Numbers Game“, scritto da Chris Anderson e David Sally, per iniziare a immergersi nei numeri del calcio. Il libro mostra che l’uso dei dati nel calcio non è solo possibile ma estremamente utile, soprattutto quando si tratta di sfatare miti consolidati.

Soccernomics” (scritto da Simon Kuper e Stefan Szymanski), “Soccermatics” (di David Sumpter) e “Football Hackers” (di Christoph Biermann) sono tutte valide overview di come la disciplina della football analytics è evoluta ed ha iniziato a prosperare. Infine, “The Expected Goals Philosophy” (di James Tippett) restringe il campo di analisi agli Expected Goals e offre interessanti spunti su come vengono gestiti Brentford e Smartodds.


Per rimanere informato sulla nostra ricerca e sullo sviluppo dei nostri dispositivi, fai clic sul pulsante in basso e, se non l’hai ancora fatto, iscriviti a Soccerment Analytics. Promesso: no spam!


La registrazione è “troppo” ma vorresti comunque rimanere in contatto? Metti un “like” alla nostra pagina Facebook e seguici su Instagram e Twitter.

Per qualsiasi domanda, suggerimento o commento, mandaci pure un’email: research@soccerment.com.