Ez lehet a magyar futball új titkos fegyvere: így keresik a jövő sztárjait, már Marco Rossi is felfigyelt rá

Pénzcentrum: Tíz-tizenöt éve még alig beszéltünk futball-adatelemzésről, ma viszont már szinte minden komolyabb klubnál és szövetségnél egyaránt jelen van. Te hogyan kerültél erre a pályára? Volt előtted elképzelt vagy akár kijelölt karrierút?

Kocsis Bence: Szerintem egzakt, mindenki számára egyformán járható karrierút ebben a szakmában nem nagyon létezik. Én közgazdasági irányból érkeztem: 2013-ban kezdtem az egyetemet Szegeden, később pedig a mesterszakot már Budapesten, a Corvinuson végeztem el. Ez pont az az időszak volt, amikor a Moneyball-szemlélet egyre inkább elkezdett beszivárogni az európai sportgondolkodásba is.

Akkoriban már Magyarországon is egyre többen beszéltek arról, hogy az amerikai sportokban mennyire tudatosan használják az adatokat. Több amerikai futballt, kosárlabdát közvetítettek itthon, megjelentek olyan műsorok, amelyek ezt a gondolkodásmódot népszerűsítették. Emellett egyre több amerikai befektető jelent meg európai futballkluboknál, és ez is hozta magával az adatalapú szemléletet.

EZ IS ÉRDEKELHET

Rakonczay Gábor: Évekig gondolkodtam azon, miért nem haltam meg az óceán közepén

Rakonczay Gábor szerint az agyunkat egyáltalán nem úgy használjuk, ahogy lehetne, és azt is elmondta, mi jut eszébe az embernek, amikor percekre lehet a saját halálától.

Nekem nagy szerencsém volt az egyetemen, mert a közgazdaságtanban sok olyan tanárral találkoztam, akik nyitottak voltak az új témákra. Írhattam beadandókat például az amerikai sportligák működéséről vagy arról, hogyan épül fel egy amerikai futballklub gazdasági modellje. Innen indult el nálam a sport és az adatok összekapcsolása.

Az első szakdolgozatomat is ilyen témában írtam. Egy játékospiaci inflációs modellen dolgoztunk: azt vizsgáltuk, hogyan változott a játékosok árszínvonala a nemzetközi labdarúgásban. Ezt mikro- és makroökonómiai szempontokkal próbáltam összekötni. Akkoriban ez még nagyon újszerű témának számított, és nem is volt könnyű konzulenst találni hozzá. Többször lepattantam, mire valaki azt mondta: lehet, hogy ő maga nem rajong a futballért, de a téma szakmailag izgalmas.

Ha ma odamenne hozzád egy 16–20 éves fiatal, hogy futball-adatelemző szeretne lenni, mit tanácsolnál neki? Közgazdaságtant tanuljon, programozást, sporttudományt, vagy inkább autodidakta módon kezdjen el képezni magát?

Először is szerezzen egy erős alapot. Nekem ebben a közgazdaságtan nagyon sokat adott, de nem azért, mert mindenkinek közgazdásznak kell lennie, hanem azért, mert ott megtanul az ember rendszerekben, ösztönzőkben, stratégiában és összefüggésekben gondolkodni.

A közgazdaságtan nagyon szerteágazó terület. Ha valaki nemzetközi gazdálkodást, gazdaságtudományt, nemzetközi kapcsolatokat vagy hasonló szakot tanul, abból rengeteg dolgot tud később hasznosítani. Akkor is, ha végül nem a sportban dolgozik. Ez fontos, mert be kell látni: a futball-adatelemzésbe bekerülni szerencse, időzítés és kapcsolódási pontok kérdése is. Jókor kell jó helyen lenni.

A tanfolyamok, online kurzusok, autodidakta képzések szerintem nagyon jó kiegészítők. Én is rengeteget tanultam így. Amikor én jártam egyetemre, a programozás még egyáltalán nem volt annyira természetes része a képzésnek, mint ma. Ezt később magamtól tanultam meg, YouTube-ról, online kurzusokból, foci-specifikus képzésekből. Ma viszont már más a belépési szint. Amikor én elkezdtem az MLSZ-ben dolgozni, sokkal inkább arra volt szükség, hogy rendszerezzünk, folyamatokat építsünk, gyorsan használható eredményeket adjunk. Ha ma kezdeném, sokkal specifikusabb adatelemzői és programozói tudásra lenne szükségem. A kollégáim például programozásban már sokkal magasabb szinten vannak, mint amilyen szinten én voltam, amikor bekerültem.

Ez a szakma nagyon gyorsan fejlődik. Ma már nem elég szeretni a futballt, és nem elég érteni a statisztikához sem. A kettőt össze kell kötni: kell futballszakmai érzék, adatértelmezés, programozási képesség, stratégiai gondolkodás és kommunikációs készség is.

Többször említetted a stratégiai gondolkodást. Miért ennyire fontos ez a futball-adatelemzésben?

Az adat önmagában nem stratégia. Egy futballklub vagy egy szövetség működésében az a legfontosabb kérdés, hogy pontosan mit akarunk elérni. Miben hiszünk? Milyen játékosokat akarunk képezni vagy igazolni? Milyen futballt akarunk játszani? Hogyan akarunk versenyelőnyt teremteni?

Ezt nagyon sokszor alábecsülik, pedig a futballklubok nagy része gazdasági értelemben sokkal kisebb szervezet, mint ahogy kívülről gondolnánk. Nyilván egy Real Madridot nehéz kisvállalkozásként elképzelni, de ha összevetjük egy globális nagyvállalat árbevételével, akkor egészen más a kép. Ezeknél a szervezeteknél a stratégia jelentősége óriási.

Egy nagyvállalatnál az ember sokszor nem érzi a saját bőrén, hogy egy stratégiai döntés milyen gyorsan és milyen közvetlenül hat. Egy kisebb szervezetben, például egy szövetségben vagy egy klubban viszont ez azonnal látszik. Ha nincs világos irány, akkor az adatelemzés is csak elszigetelt riportok gyártása lesz. Ezért gondolom azt, hogy az adatelemzés nem pusztán technikai munka. Nem csak arról szól, hogy lehúzunk egy adatbázist, írunk egy kódot, kirajzolunk egy grafikont. A kérdés az, hogy ez hogyan illeszkedik a klub vagy a szövetség működésébe. Ha nincs mögötte stratégiai vízió, akkor az adat könnyen öncélúvá válik.

Hol különül el az adatelemző és a videóelemző munkája? Azért kérdezem, mert sokszor összemossák a kettőt a labdarúgásról szóló közbeszédben.

Nagyon leegyszerűsítve azt mondanám, hogy a videóelemzés inkább a napi operatív munkát segíti, az adatelemzés pedig elsősorban a hosszabb távú trendeket tudja jól leírni. A videóelemzők meccseket, edzéseket, ellenfeleket néznek. Azt vizsgálják, hogyan helyezkednek a játékosok, milyen mintázatok vannak az ellenfél játékában, hol lehet őket megbontani, ki hajlamos hibázni, milyen edzésgyakorlat működött jól vagy kevésbé jól. Ez nagyon közvetlenül kapcsolódik az edzői munkához.

EZ IS ÉRDEKELHET

Őszintén vallott visszavonulásáról Berki Krisztián: Nem akartam a futottak még kategóriába kerülni!

Létfontosságú, hogy megmaradjon valamekkora állami támogatás a hazai tornasportban akkor is, ha a finanszírozási rendszert most átalakítják - mondja Berki Krisztián.

Az adatelemzés más típusú kérdésekre ad választ. Például: hogyan változnak a fiatal magyar játékpercek az NB I-ben? Milyen tendenciák látszanak az utánpótlás-bajnokságokban? Melyik korosztályban milyen játékstílus-jegyek jelennek meg? Milyen területeken fejlődnek vagy stagnálnak a játékosok? Ezekre egyetlen meccs videója nem ad megbízható választ.

Persze a kettő összeér. Ha a videóelemző azt látja, hogy egy ellenfél bizonyos szituációkban sebezhető, akkor ezt érdemes adatokkal is alátámasztani. Vagy fordítva: ha az adat mutat egy tendenciát, akkor videón meg kell nézni, hogy mi van mögötte. Az adat nem helyettesíti a videót, és a videó sem helyettesíti az adatot. A kettő együtt működik jól.

Egy mérkőzésen belül az adatok nagyon torzíthatnak, nagy bennük a zaj. Mi, adatelemzők inkább a nagyobb trendeket tudjuk jól azonosítani. Éppen ezért óvatosnak kell lennünk, nehogy féligazságokat gyártsunk. Szerintem a féligazság a legveszélyesebb dolog ebben a szakmában.

Mennyire nyitottak az edzők az adatokra?

Az edzők alapvetően nyitottak, ha azt érzik, hogy az adat valóban segíti őket. Ez a kulcs. Egy edzőt az érdekel, hogy kap-e olyan információt, amely segíthet neki mérkőzést nyerni, játékost fejleszteni vagy jobb döntést hozni. A válogatottnál is azt tapasztalom, hogy van nyitottság, Marco Rossi stábjával régóta kialakult munkafolyamatok vannak. A videóelemzői oldalról Beregi István már régóta dolgozik vele, ezért sokszor rajta keresztül mennek át azok az anyagok, amelyeket a szakmai stáb elé kell vinni. Az utánpótlás-válogatottaknál más a kapcsolat, ott az adatelemző kollégáim rendszeresen közvetlenül dolgoznak az edzőkkel. Meccsek után leülnek, átbeszélik, miben kellene fejlődni, milyen területeken látszik előrelépés, hol vannak visszatérő problémák.

Nem szabad csak azért nagyot mondani, hogy fontosnak tűnjünk. A stábok egyre nagyobbak, sok a kiszolgáló terület, és ilyenkor mindenki szeretné bizonyítani, hogy az ő munkája nélkülözhetetlen. De az adatelemzésben nem nagyot kell mondani, hanem jót. Olyat, amiben biztosak vagyunk, ami alátámasztható, és ami tényleg segíti a szakmai döntéshozatalt.

Egy klub meddig juthat ma adatelemzés nélkül? Van még út azoknak, akik tudatosan nem akarnak részt venni ebben az „adatforradalomban”?

Szerintem nem az a kérdés, hogy minden klubnak ugyanúgy kell-e adatalapon működnie. Nincs egyetlen üdvözítő út. Ami igazán fontos, az a világos stratégia. Vegyük például a Paksot: szerintem azért érdekes példa, mert nagyon pontosan tudják, miben hisznek. Tudják, milyen játékosokat keresnek, milyen edzői felfogás illeszkedik hozzájuk, hogyan akarnak sikeresek lenni. Nem biztos, hogy náluk az adatelemzés a fő szervezőelv, de van egy világos működési modelljük, és ez láthatóan eredményes.

Ugyanez nemzetközi szinten is megfigyelhető. Vannak klubok, amelyek nagyon erősen adatalapú rendszert építettek, például a Brentford vagy a Brighton. Náluk nem egyetlen sportigazgató személyén múlik a siker, hanem a szervezeti mechanizmusokon. Fentről jön a vízió, és azt következetesen végigviszik. Más klubok inkább hagyományosabb scoutingra, kapcsolati hálóra, futballszakmai intuícióra építenek. Ez is működhet, ha következetes. A Porto például sokáig nagyon erős volt abban, hogy pontosan tudta, honnan, milyen típusú játékosokat kell megszereznie, majd továbbértékesítenie.

A baj akkor van, ha nincs világos irány. Ha egy klub egyik évben adatalapú akar lenni, másik évben teljesen más logika szerint működik, harmadik évben megint új modellt próbál, akkor könnyen káosz lesz belőle. Szerintem a lényeg nem az, hogy valaki „adatklub” vagy „nem adatklub”, hanem az, hogy legyen stratégiája, és azt folyamatosan vizsgálja felül.

Nézzük meg mélyebben a szakmát. Ha egy átlagos futballszurkoló mélyebben akarja érteni a játékot, mit figyeljen a labdán kívül is?

Szerintem az, hogy hogyan nézünk meccset, elsősorban attól függ, mi van a fejünkben. Ahhoz, hogy valaki ne csak a labdát kövesse, kell egy tágabb futballtudás. Én nagyon sok könyvet olvastam, mire azt éreztem, hogy elkezdtem másképp látni a mérkőzéseket.

Aki ebbe bele akar mélyedni, annak jó kiindulópont lehet Jonathan Wilson taktikatörténeti munkássága, Michael Cox könyvei, Christoph Biermann futball-adatelemzéssel foglalkozó írásai, vagy Ian Graham könyve a Premier League-ről és az adatalapú klubépítésről - ez utóbbi sokkal inkább sztorizós, mint mélyebb szakmai itiner, de kiindulásnak remek. Emellett rengeteg jó cikk és szakanyag érhető el xG-ről, xT-ről, játékstílusokról, pressingről, labda nélküli mozgásokról.

EZ IS ÉRDEKELHET

Madaras Norbert: Létfontosságú, ha nem is TAO-nak hívják, de valamilyen hasonló támogatási rendszer megmaradjon

A pólószövetség elnöke azt mondta: nagyon jól áll a vízilabda utánpótlása, de a munkát így sem lehet félvállról venni, ha újra olimpiai bajnok pólócsapatot akarunk látni.

Ha már van egy ilyen háttértudása valakinek, akkor az ember eleve más dolgokra kezd figyelni meccsnézés közben; például arra, hogy egy csapat hogyan építi fel a támadásait, hol próbál létszámfölényt kialakítani, milyen magasan védekezik, hogyan reagál labdavesztés után, és így tovább. Én elemzői szemmel ma már sokszor a váratlant keresem. Ki az a játékos, aki nem azt csinálja, amit a szituáció alapján mindenki várna? Ki tud olyan passzt, mozgást vagy döntést hozni, amire nehéz felkészülni?

A legjobb játékosok sokszor nem csak azért különlegesek, mert technikailag kiemelkedők, hanem mert nagy nyomás alatt, nagy pillanatokban hoznak jó döntéseket.

A labda nélküli játék jelentőségéről rengeteget hallani. Ezt mennyire lehet objektíven mérni?

Először is külön kell választani az adattípusokat. Az egyik típus a GPS-adat: ezeket a játékosok által viselt "mellényekből" kapjuk. Ezek nagyon hasznosak az edzésterhelés monitorozására: megtett táv, gyorsulások, pulzus, intenzív futások, regenerációs szempontok mind azonnal kinyerhető adatok. De ezekből csak a saját játékosainkat látjuk, az ellenfelet nem, ráadásul a GPS nem mondja meg, kinél van a labda, milyen taktikai szituációban történt a mozgás.

A másik típus az eseményadat, vagyis a labdás adat. Ezekből tudjuk, ki passzolt, hova passzolt, ki lőtt, honnan lőtt, ki cselezett, hol veszített labdát. Ezeket a mai napig jellemzően emberek "taggelik": egy mérkőzést több elemző dolgoz fel, majd ellenőrzik az adatokat. Ez különösen fontos, mert ezek az adatok például a közvetítésekben, szakmai elemzésekben és a sportfogadási piacon is megjelennek.

EZ IS ÉRDEKELHET

Kifakadt a Magyar Kerékpárosklub elnöke: Budapest ziccerhelyzetben van, mégis elbukja a bringás forradalmat

Tavasszal és nyáron szabályosan kirajzanak Budapest utcáira a kerékpárosok, meglepő lehet tehát az az adat, hogy a budapestiek fele soha nem ül bringára.

A harmadik típus az optikai tracking adat. Ehhez már olyan kamerarendszer kell, amely belátja az egész pályát, és másodpercenként sokszor rögzíti minden játékos pozícióját. Ebből már sokkal pontosabban lehet vizsgálni a labda nélküli mozgásokat: hol helyezkedik a védelem, milyen távolságok vannak a csapatrészek között, hogyan mozognak a játékosok egymáshoz képest.

Ezek az adatok sokszor nem hozzáférhetők széles körben. Egy bajnokság klubjai hozzáférhetnek bizonyos saját ligán belüli adatokhoz, de például egy magyar klub nem feltétlenül látja ugyanígy az angol, német vagy spanyol bajnokság tracking adatait, ezért scoutingra is korlátozottan használhatók. Vannak olyan cégek, amelyek tévés közvetítésekből próbálnak tracking adatot előállítani. Ez ugyan valameddig hasznos, de az vele a probléma, hogy a televíziós kamera nem látja egyszerre az egész pályát. Ha nem látszik minden játékos, akkor bizonyos mozgásokat becsülni kell. Ez hosszabb távon, sok mérkőzés alapján hasznos lehet, de egyetlen meccsen belüli fizikai teljesítmény pontos értékelésénél torzíthat.

Az xG, vagyis a várható gólok száma mára visszavonhatatlanul bekerült a futball-közbeszédbe. Nincs túlértékelve?

Én szeretem az xG-t, de csak akkor, ha megfelelő kontextusban értelmezzük. Önmagában egyetlen xG-szám nagyon félrevezető lehet. Az xG azt mutatja meg, hogy egy adott lövésből átlagosan mekkora valószínűséggel születik gól. Ez hosszú távon nagyon hasznos, mert jól jelzi, hogy egy csapat milyen minőségű helyzeteket alakít ki, illetve milyen minőségű helyzeteket enged az ellenfeleknek.

De egy mérkőzésen belül rengeteg torzítás lehet. Nem mindegy, mikor keletkezett az xG. Ha egy kisebb csapat az első 15 percben kialakít egy 0,6-os helyzetet, abból gólt szerez, majd visszaáll védekezni, akkor az ellenfél lehet, hogy a meccs végére összeszed 2,5 vagy 3 xG-t. De ez nem feltétlenül jelenti azt, hogy végig dominált vagy valóban tiszta helyzetek sorát alakította ki. Lehet, hogy távoli lövésekből, kapu előtti kavarodásokból, nyomásból jött össze.

Az xG akkor működik igazán jól, ha hosszabb távú trendeket vizsgálunk. Egy teljes szezonban az xG-különbség már elég szépen megmutatja, kik a valóban erős csapatok, kik teljesítenek alul vagy felül, kik vannak veszélyben. Egyetlen meccs alapján viszont nagyon óvatosan kell következtetni.

Van olyan mutató, amelyről szerinted kevesebbet beszélünk, pedig fontos lenne?

A tizenhatoson belüli labdaérintések száma szerintem nagyon hasznos mutató. Ez azt jelzi, hogy egy csapat mennyire tudja bejuttatni a labdát veszélyes területekre. Nem elég birtokolni a labdát, nem elég passzolgatni a középpályán: az számít, hogy eljutunk-e olyan zónákba, ahonnan valóban veszélyt lehet kialakítani.

Az xT-t, vagyis expected threatet is nagyon szeretem. Ez nem csak a lövésekre koncentrál, hanem arra, hogy egy akció vagy labdamozgatás mennyivel növeli a támadás veszélyességét. Például egy jó progresszív passz, amely még nem lövéshez vezet, de veszélyesebb zónába juttatja a labdát, xT-ben már értéket képvisel.

A mesterséges intelligencia mennyire fogja átalakítani az adatelemzői szakmát? Elképzelhető, hogy néhány év múlva már nem emberek taggelik a mérkőzéseket?

Biztosan lesz hatása, de szerintem ezt nehéz pontosan megjósolni. A már említett mérkőzés-taggelés nagyon összetett feladat, mert rengeteg finom döntést kell meghozni. Mondok egy példát: egy középhátvéd hosszú indítást akar adni, rosszul találja el a labdát, az pedig majdnem a kapu felé megy, a kapusnak kell lehúznia. Ez kapura lövés? Szerintem nem. A játékos szándéka nem az volt, hogy kapura lőjön, hanem az, hogy indítson. Egy ember ezt a kontextusból érti. A kérdés az, hogy a mesterséges intelligencia mikor lesz képes ilyen helyzeteket megbízhatóan elválasztani.

EZ IS ÉRDEKELHET

Kitálalt a Diósgyőr volt sportigazgatója: Sokan a meg nem érdemelt egzisztenciájukat féltik a magyar futballban

Valószínűleg nem lesz egy darabig annyira fiatal sportigazgató egy hazai NB I-es klubnál, mint amilyen Horváth Csenger volt Diósgyőrben. Most vele készítettünk nagyinterjút.

Vagy ott van az a szituáció, amikor valaki három méterről erősen passzol, a társát térden találja a labda, és elpattan. Ez rossz passz? Rossz átvétel? Blokkolt labda? Ezek finom különbségek, csakhogy az adatminőség szempontjából rendkívül fontosak.

Az AI szerintem először nem feltétlenül kiváltani fogja az elemzőket, hanem támogatni. Gyorsabban lehet majd keresni videórészletek között, előszűrni eseményeket, mintázatokat találni, riportokat automatizálni. De a futballszakmai értelmezés, a kontextus és a döntéstámogatás továbbra is emberi feladat marad.

Mennyire lehet ma ebből megélni? Egy jó adatelemző értékes munkaerő lett a futballban?

Egyre inkább igen. Amikor én elkezdtem ezen a területen mozogni, nagyon kevés ilyen álláshirdetés volt, és ha volt is, sokszor kifejezetten alacsony fizetést kínáltak. Emlékszem, évekkel ezelőtt láttam egy londoni klubnál meghirdetett elemzői pozíciót, amelyre éves szinten olyan összeget ajánlottak, amiből Londonban már akkor is lehetetlen volt megélni.

A klubok akkoriban még sokszor nem értették pontosan, milyen értéket jelenthet ez a terület, de ez folyamatosan változik. Egyre több klubnál dolgoznak nagyon képzett emberek: PhD-val rendelkező adatelemzők, programozók, adattudósok, olyan szakemberek, akiket akár tanácsadócégektől, banki vagy telekommunikációs szektorból is el lehetne vinni - sokszor meg is teszik, ez pedig felhajtja az értéküket. A sportklubok sokáig kihasználták, hogy náluk dolgozni érzelmi szempontból vonzó: sokan hajlandók voltak kevesebb pénzért is futballban dolgozni, mint amennyit más iparágban kereshetnének. De egy pont után ez nem elég.

Ha valaki valóban jó, és a klub vezetése érzi, hogy hozzá tud járulni a működéshez, akkor meg kell fizetni.

Az adatelemzés más iparágakban is elképesztően erősödik: bankoknál, telekommunikációban, technológiai cégeknél, tanácsadásban. A futballnak ezekkel a szektorokkal is versenyeznie kell a jó szakemberekért. Ezért szerintem a következő években az elemzők értéke tovább fog nőni.

Ha egy mondatban kellene összefoglalnod, mi a jó futball-adatelemzés lényege, mit mondanál?

A jó adatelemzés nem megmondani akarja a futball igazságát, hanem segít jobb kérdéseket feltenni és megalapozottabb döntéseket hozni. Az adat nem helyettesíti a futballtudást, hanem rendszerezi, ellenőrzi és kiegészíti azt.

címlapkép és fotók: Gosztola Judit/Pénzcentrum