эссе студентов
Датафикация футбольного скаутинга: как алгоритмы трансформируют представления о таланте и ценности игрока

Эссе посвящено датафикации футбольного скаутинга и тому, как алгоритмы трансформируют представления о таланте, ценности и перспективности игрока. На материале футбольных клубов «Брентфорд» и «Мидтьюлланн» рассматривается переход от преимущественно воплощённого экспертного знания, основанного на наблюдении и интуиции скаута, к модели принятия решений, опирающейся на большие данные, количественные метрики и алгоритмические прогнозы. Теоретическую основу исследования составляют критические исследования данных, социология квантификации и теория соизмерения. Особое внимание уделяется различию между данными и capta, идеологии датаизма, проблеме metric fixation, локальности данных и непрозрачности алгоритмических систем.

В эссе показывается, что алгоритм не просто обнаруживает уже существующий талант, а участвует в конструировании самого понятия «хорошего» игрока. Метрики вроде xG позволяют сопоставлять игроков и выявлять рыночную недооценённость, однако одновременно редуцируют сложность игровой деятельности и делают невидимыми качества, не поддающиеся точному измерению. Ограниченность инфраструктуры данных приводит к систематическому исключению отдельных лиг, регионов и категорий игроков, включая представителей женского футбола. Кроме того, датафикация меняет трудовую идентичность скаута: из самостоятельного эксперта он постепенно превращается в верификатора алгоритмических рекомендаций. В заключение утверждается, что алгоритмы не устраняют предвзятость, а переносят её в менее прозрачные инфраструктуры сбора, категоризации и обработки данных. Поэтому ключевой вопрос заключается не в выборе между человеком и машиной, а в понимании границ алгоритмического знания и механизмов контроля над ним.

Автор эссе: Артемьев Михаил

Введение

В 2016 году футбольный клуб «Брентфорд» принял решение, которое в мире профессионального футбола выглядело скорее как безумие, нежели гениальность: клуб закрыл свою молодежную академию. Вообще, в футбольном мире, особенно английском, академия выполняет не только свою непосредственную функцию «взращивания» новых игроков, но и считается некоторым символом идентичности, статуса, воплощением традиции. Однако руководство ФК «Брентфорд» в этом увидело в большей степени убыточную строку бюджета, а не способ получить преимущество перед соперниками. Вместо академии же была создана «Команда-Б», которая стала функционировать по совершенно иным принципам.

Но началась эта история еще в 2012 году, когда руководить клубом стал Мэттью Бенхэм. Основатель SmartOdds — компании, которая предоставляет услуги по анализу спортивных событий, и, по всей видимости, большой любитель анализа данных и статистических моделей, Бенхэм почти сразу же стал вводить принципы датафикации и алгоритмизации в приобретенный им клуб. Всего через 4 года это привело к уже описанному ранее решению о закрытии академии, что было продиктовано логикой алгоритма, который уже на тот момент доказал свою эффективность руководству клуба.

Почему нам необходимо об этом знать? Прежде всего, эта история иллюстрирует важный сдвиг в том, как футбольная индустрия производит данные о таланте и ценности игрока. И у этого сдвига есть масса последствий, от небольших в виде подписания тех или иных игроков, доисторических в виде принятия важнейших управленческих решений (таких как закрытие академии). Тем не менее, процессы датафикации и алгоритмизации мы видим повсюду, собственно, этому и посвящено около 50 эссе на нашем курсе. В этом эссе мы, однако, сосредоточимся именно на футболе, скаутинге в нем, на данных, которые в этом процессе используются и (или) производятся и на алгоритмах, которые (не)диктуют управленческие решения.

Для ответа на исследовательский вопрос, который звучит в самом заглавии эссе, автор обращается к двум взаимосвязанным теоретическим традициям. Первая из них — критические исследования данных (Kitchin, 2014; Gitelman, 2013), рассматривает данные как социальный конструкт в их связи с отношениями власти (и не только, конечно). Вторая — социология квантификации и соизмерения, изучающая, как числа производят и трансформируют социальные реальности (Espeland & Stevens, 1998; Muller, 2018). В качестве основного эмпирического материала используются кейсы ФК «Брентфорд» и ФК «Мидтьюлланн» — двух клубов, принадлежащих одному владельцу и реализующих наиболее радикальную (из ныне известных) версию алгоритмического скаутинга в современном профессиональном футболе.

Историческая и концептуальная рамка датафикации скаутинга

Скаутинг в футболе — это, прежде всего, эпистемологическая практика: способ производить знание о людях в условиях неопределенности и временных ограничений. На протяжении большей части истории профессионального футбола это знание было воплощенным (embodied) — укорененным в телесном опыте наблюдения, в профессиональной интуиции, в способности «читать игру». Скаут мог сказать: «Этот игрок хорош» — и весь авторитет этого суждения держался на репутации, накопленной за годы верных предсказаний.

Числовое измерение в футболе, разумеется, не появилось вчера. Базовая статистика — голы, передачи, победы — сопровождала игру с самого начала. Однако, как показывает Роб Китчин, важно различать разные типы данных: данные-исчерпание (exhaust data), возникающие как побочный продукт цифровой активности, и данные транзакционные, фиксирующие конкретные события (Kitchin, 2014). Принципиально важно в этом контексте и разграничение между data и capta. Данные (data) в традиционном понимании — это то, что «дано», то, что существует независимо от наблюдателя. Однако современное понимание данных вводит понятие capta, то есть нечто «схваченное», сконструированное в акте наблюдения, категоризации и записи.

Современный алгоритмический скаутинг основан именно на exhaust data нового рода: каждое касание мяча, каждый рывок, каждая смена позиции фиксируются системами трекинга и становятся новой точкой в базе данных. Применительно к capta можно привести пример, что когда система трекинга фиксирует «прогрессивную передачу» игрока, она не регистрирует объективный факт, но применяет заранее определенную категориальную схему, которая как раз и решает, что считать «прогрессивным» и при каких условиях.

Это согласуется с центральным тезисом сборника Лизы Гительман «Raw Data» Is an Oxymoron: данные никогда не бывают «сырыми» — они всегда уже обработаны, категоризированы и отобраны в соответствии с определенными теоретическими предпосылками и инфраструктурными возможностями (Gitelman, 2013). Алгоритм видит игрока в той мере, в какой он был видим конкретными камерами, покрывающими конкретные лиги, и категоризирован в рамках конкретной системы событий.

Здесь мы плавно (или не очень) переходим к идеологической функции данных. Ван Дейк различает два понятия: датафикацию как технологический процесс перевода аспектов социальной жизни в форму данных — и датаизм как идеологию, убеждение в том, что данные обеспечивают более объективное, более истинное знание, чем человеческое суждение (van Dijck, 2014).

В контексте футбольного скаутинга датаизм проявляется в конкретной управленческой логике: алгоритм знает лучше, чем скаут. Именно эту логику последовательно реализует Бенхэм в своих клубах. Брэд Миллингтон и Роб Миллингтон показывают, что датафикация спорта — это не просто технологическое обновление практик, но производство новой системы легитимации решений: численный результат алгоритма приобретает авторитет объективности, который вытесняет авторитет экспертного суждения (Millington & Millington, 2015).

Теория измерения: как метрики конструируют «талант»

Центральная теоретическая проблема алгоритмического скаутинга заключается в том, что «талант» выступает как качественная характеристика, тогда как алгоритмические системы оперируют количественными показателями. Переход между этими регистрами требует процесса, который Венди Эспеланд и Митчелл Стивенс обозначают как соизмерение (commensuration) — приведение качественно различных сущностей к единой шкале сравнения (Espeland & Stevens, 1998). Соизмерение не просто фиксирует различия, но реконфигурирует их: оно редуцирует сложность объектов, делая их сопоставимыми через числовые показатели и выражая различия в терминах количественной величины (Espeland & Stevens, 2008).

Важно, что, по Эспеланд и Стивенс, количественные метрики не являются нейтральным инструментом описания. Они участвуют в формировании категорий и стандартов оценки, задавая рамки того, каким образом акторы воспринимаются и сравниваются. В этом смысле числа способствуют конституированию нормативных представлений о «хорошем» игроке. Например, использование показателя xG в оценке форвардов смещает акцент с фактической результативности на способность создавать моменты, тем самым институционализируя определенный профиль нападающего как предпочтительный. Данная логика соотносится с аргументацией Тайны Бухер, согласно которой алгоритмы не просто отражают реальность, но участвуют в ее упорядочивании, определяя, какие характеристики становятся значимыми в конкретных практиках (Bucher, 2018).

Ожидаемые голы (Expected Goals, xG) — центральная метрика современного футбольного анализа. Показатель измеряет статистическую вероятность того, что удар с конкретной позиции, под конкретным углом, после конкретного типа передачи завершится голом. Однако xG — это прокси. Он не измеряет «голевой потенциал игрока» напрямую, а лишь определяет вероятность гола исходя из пространственно-тактических характеристик момента, которые доступны для фиксации. Давление защитников, усталость в конкретный момент матча, психологическое состояние игрока, особенности взаимодействия с конкретным партнером — все это либо не фиксируется вовсе, либо фиксируется с недостаточной точностью. Именно это Джерри Мюллер называет metric fixation — тенденцией замещать суждение числом даже тогда, когда число является лишь несовершенным прокси для измеряемого качества (Muller, 2018).

Если проблема прокси касается качества данных о видимых игроках, то проблема «невидимых игроков» касается структурной неполноты охвата. Йиоргос Лукиссас формулирует принцип: все данные локальны (Loukissas, 2019). Каждый набор данных производится в конкретном месте, в конкретных инфраструктурных условиях, с конкретными ресурсами.

Применительно к футбольному скаутингу это означает следующее: алгоритм работает только с теми игроками, о которых есть данные. Системы оптического трекинга покрывают топ-5 европейских лиг в полном объеме, еще несколько десятков лиг — в существенном объеме. Большинство африканских лиг, значительная часть азиатских, многие южноамериканские лиги второго-третьего уровня либо покрыты частично, либо не покрыты вовсе. Игроки из этих лиг «не существуют» для алгоритма — или существуют с таким количеством пропущенных данных, что модель не может сформировать достаточно надежный прогноз.

Таким образом, клубы, ориентированные исключительно на алгоритмический скаутинг, систематически воспроизводят невидимость целых регионов, тем самым консервируя неравенство в доступе к ресурсам глобального футбольного рынка, а тезис Гительман о том, что «сырых данных» не существует — обретает здесь вполне материальное измерение.

Наиболее наглядно эта проблема проявляется в собственном признании Бенхэма. Когда «Брентфорд» рассматривал 19-летнего Брайана Мбёмо, игравшего во втором дивизионе Франции, алгоритм был скептичен: недостаточно данных, недостаточно матчей, недостаточно уверенного прогноза. Модель, по словам Бенхэма, говорила: «нет, неинтересно». Решение подписать игрока было принято вопреки модели, на основе настойчивости скаутов. По итогу, Мбёмо стал одним из ключевых игроков «Брентфорда» в Премьер-лиге, тем самым доказав, что алгоритм не может являться истиной в последней инстанции.

Черный ящик, трудовая идентичность и политическая экономия

Есть еще несколько не менее важных рамок, с точки зрения которых следует рассмотреть алгоритмический скаутинг. Так, Фрэнк Паскуале описывает «общество черного ящика» как систему, в которой алгоритмические решения имеют реальные последствия для людей, но механизмы этих решений остаются непрозрачными — как для тех, кого они касаются, так и нередко для самих организаций, их применяющих (Pasquale, 2015). Алгоритм SmartOdds — классический случай такого черного ящика. Результат его работы виден: ранжированный список игроков, рекомендованных для трансферного рассмотрения, однако логика, по которой этот список был составлен, остается в значительной мере непрозрачной.

Миллингтоны, в свою очередь, показывают, что датафикация спорта меняет не только технологии, но и профессиональные идентичности и режимы труда (Millington & Millington, 2015). Традиционный скаут — это эксперт, чье знание непрозрачно для организации и потому незаменимо. Скаут в датафицированной системе — это исполнитель, чья функция состоит в верификации того, что алгоритм уже решил.

Наконец, алгоритмический скаутинг существует не в вакууме: он встроен в конкретную политическую экономию данных. Opta, StatsBomb, Wyscout, Hudl — это не нейтральные технические поставщики, а инфраструктуры, которые монополизируют данные и создают зависимость пользователей. Именно они определяют, какие события фиксируются как значимые, как они категоризируются, с какой гранулярностью, для каких лиг и в каком формате.

Когда «Брентфорд» использует SmartOdds, а последняя работает в том числе с данными Opta, клуб фактически принимает онтологическую схему Opta как рамку для определения таланта. Более того, поскольку ведущие платформы предоставляют данные всем крупным клубам, это создает парадокс информационного выравнивания. Если все клубы используют одни и те же данные и схожие алгоритмы, конкурентное преимущество от датафикации нивелируется — или перемещается к тем, кто способен производить с помощью уникальных алгоритмов собственные данные, недоступные конкурентам.

Анализ эмпирических кейсов

История «Брентфорда» при Мэтью Бенхэме — это наиболее документированный и наиболее радикальный случай алгоритмического скаутинга в европейском футболе. Бенхэм взял клуб в 2012 году, когда тот пребывал в третьем дивизионе английского футбола, и последовательно применил к нему принципы, которые ранее сделали его [Бенхэма] состоятельным в мире ставок: приоритет статистической вероятности над интуицией, выявление рыночных неэффективностей, систематическое снижение случайности через накопление данных.

Архитектура скаутинговой системы «Брентфорда» — сама по себе воплощение теории соизмерения Эспеланд и Стивенс. Клуб выделяет не традиционные 11 позиций, а 16 специфических ролей, каждая из которых оценивается по шести критериям, сочетающим количественные данные с качественными оценками. База SmartOdds охватывает около 85 000 игроков по всему миру — число, которое само по себе говорит о логике системы: прежде чем рассматривать игрока «человеческим глазом», его должен увидеть алгоритм.

Решение закрыть академию в 2016 году является наглядной иллюстрацией того, как идеология датаизма определяет стратегические решения. Академия стоила около £1,5 млн в год и производила единичных игроков, востребованных на трансферном рынке. Алгоритм же позволил находить игроков с сопоставимым потенциалом значительно дешевле — в низших дивизионах европейского футбола, в молодежных командах топ-клубов, среди «отвергнутых» игроков, чья статистика указывала на недооцененность.

Финансовая эффективность этой стратегии задокументирована впечатляющими примерами. Нил Мопей куплен за £1,6 млн, продан за £20 млн. Олли Уоткинс куплен за £6,5 млн, продан за £30 млн. Иван Тони подписан за £5 млн, впоследствии оценен рынком в сумму, кратно превосходящую эту цифру. Дэвид Рая куплен за £3 млн у «Блэкберна» и на пике формы арендован «Арсеналом» с обязательством выкупа. Стратегия «buy low, sell high», основанная на алгоритмическом выявлении недооцененности, работала с достаточной последовательностью, чтобы обеспечить клубу выход в Премьер-лигу впервые за 74 года.

Однако если «Брентфорд» — это кейс постепенного и прагматичного внедрения аналитики, то ФК «Мидтьюлланн» при том же Бенхэме представляет собой нечто более близкое к идеологическому эксперименту. Анкерсен, назначенный председателем клуба, с самого начала сформулировал радикальный принцип: не просто использовать данные наряду с традиционными методами, но перестроить весь режим принятия решений вокруг статистического мышления.

Показательно, что «Мидтьюлланн» переопределил роль скаутов по той же логике, что и «Брентфорд», но сформулировал это еще радикальнее. Анкерсен в интервью The Correspondent объяснял: скаут, который приезжает на один матч и выносит суждение о игроке — это плохой скаут, потому что один матч ничего не говорит о реальном уровне игрока. Видеоанализ сотен матчей дает статистически более надежную картину. Поэтому задача скаута в «Мидтьюлланне» — не оценивать талант, который алгоритм уже оценил, а понять личность игрока: психологический профиль, мотивацию, способность адаптироваться к новой культурной среде.

«Брентфорд» и «Мидтьюлланн» — наиболее радикальные примеры алгоритмического скаутинга, но они не уникальны. «Брайтон» при техническом директоре Дэне Эшворте построил систему, позволившую найти Мойсеса Каседо в Эквадоре и Алексиса Мак Аллистера в Аргентине — игроков, которые впоследствии были проданы суммарно более чем за £200 млн. Оба были идентифицированы через статистические модели, указавшие на специфические паттерны оборонительных действий и прогрессивных передач, сигнализирующих о потенциале, непропорциональном лиговому контексту. «Ливерпуль» при Клоппе подписал Эндрю Робертсона из «Халла» — клуба, только что вылетевшего из Премьер-лиги — во многом опираясь на его показатели оборонительных действий и прогрессивных передач, которые были статистически выдающимися на фоне лигового контекста.

Итак, датафикация и алгоритмизация скаутинга являются довольно распространенными феноменами в наше время (а ведь сколько есть «закрытых кейсов»). Тем не менее, важным представляется вопрос: а проблема ли это?

Негативные последствия датафикации футбольного скаутинга

Мюллер описывает metric fixation как когнитивную и институциональную ловушку: начав использовать метрику как инструмент, организации постепенно начинают относиться к ней как к цели, забывая о том явлении, которое метрика должна была измерять (Muller, 2018). В контексте скаутинга это означает, что клуб, оптимизирующий рекрутинг под xG, рискует системно упускать игроков, чей вклад не поддается стандартной метрификации. Проблема здесь не в конкретных метриках, а в структурной логике соизмерения. Когда талант переведен в число, само по себе несоответствие числу становится основанием для отказа — даже если причина несоответствия состоит в ограниченности данных, а не в ограниченности игрока.

Пасквинелли ставит этот вопрос наиболее остро: ИИ — это инструмент измерения, а измерение — это всегда редукция (Пасквинелли, 2024). Редукция, конечно, не всегда плоха: именно она позволяет обрабатывать масштабы данных, недоступные человеческому восприятию. Но редукция всегда что-то теряет — и вопрос о том, что именно теряется и для кого это критично, не является техническим.

Также упомянутый принцип Лукиссаса «все данные локальны» имеет принципиальное значение для понимания негативных эффектов алгоритмического скаутинга (Loukissas, 2019). Женский футбол — дополнительный пример той же структурной проблемы. Уровень покрытия женских лиг данными несопоставимо ниже, чем мужских. Алгоритмический скаутинг, уже трансформирующий мужской профессиональный футбол, остается в значительной мере недоступным для женского. Это означает, что именно там, где рынок наиболее неэффективен и где данные могли бы иметь наибольший потенциал для выявления недооцененности, их попросту нет.

Существует соблазн сформулировать критику алгоритмического скаутинга как противопоставление алгоритма против человека, данных против интуиции, наконец, объективности против субъективности. Тем не менее, кейс «Брентфорда» не является историей замены человека алгоритмом. Это история перераспределения, когда когнитивные функции оценки «объективного» качества переходят к алгоритму, функции же оценки «субъективных» качеств остаются за человеком.

Проблема, однако, в том, что его позиция меняется: из эксперта, чье независимое суждение о таланте является ценным ресурсом организации, скаут превращается в верификатора. Тем не менее, человеческое суждение оказывается релевантным именно там, где алгоритм признает собственную недостаточность, но это принципиально иная структура экспертизы, чем та, что существовала в профессиональном скаутинге до датафикации.

Заключение

Датафикация футбольного скаутинга представляет собой эпистемологический сдвиг: изменяется то, что считается легитимным знанием о таланте и каким образом это знание производится, верифицируется и используется для принятия решений. Кейсы «Брентфорда» и «Мидтьюлланна» демонстрируют, что алгоритм не «находит» лучших игроков — он переопределяет, что значит быть «лучшим», вводя новую систему соизмерения, основанную на метриках, доступных для вычисления.

Это переопределение имеет конкретные социальные эффекты. Первый — конструирование нового идеала игрока, оптимизированного под измеримые параметры в ущерб неизмеримым. Второй — структурная невидимость игроков из лиг и регионов с недостаточным покрытием данными, воспроизводящая существующее неравенство через алгоритмическую инфраструктуру. Третий — трансформация профессиональной роли скаута: от носителя воплощенного экспертного знания к верификатору алгоритма. Четвертый — концентрация контроля над знанием о таланте у платформ, производящих данные (Opta, StatsBomb, Wyscout), которые становятся невидимой инфраструктурой глобального футбольного рынка.

Вместе с тем критическая интерпретация этих процессов не должна воспроизводить противоположную датафикации ностальгию по «чистому» скаутинговому суждению, свободному от систематических искажений. Традиционный скаутинг был наполнен собственными предвзятостями: сетевыми, культурными, расовыми, географическими. Тем не менее, алгоритм не устранил предвзятость, а заменил одни формы предвзятости другими, значительно менее прозрачными.

Именно эта непрозрачность — главная проблема алгоритмического скаутинга с точки зрения Critical Data Studies. Традиционная предвзятость скаута видима и оспорима: можно указать, что скаут никогда не ездил в Африку, что он предпочитает определенный тип телосложения, что его сеть контактов ограничена конкретным регионом. Предвзятость алгоритма — структурная, встроенная в инфраструктуру сбора данных, в категориальные схемы платформ, в логику обучающих выборок — значительно сложнее поддается верификации и оспариванию.

Кейс Мбёмо остается самым точным резюме этого противоречия: алгоритм ошибся, скауты оказались правы. Это не доказывает, что алгоритм плох, но показывает, что он имеет определенные пределы, которые необходимо понимать и учитывать. И здесь вопрос состоит не в том, использовать алгоритм или нет. Скорее необходимо понимать, какое место алгоритм занимает в структуре принятия решений, кто контролирует его логику, какие данные в него «заходят» и какие игроки из него «выходят».

Источники

  1. Bucher, T. (2018). If… then: Algorithmic power and politics. Oxford University Press.
  2. Espeland, W. N., & Stevens, M. L. (1998). Commensuration as a social process. Annual Review of Sociology, 24, 313−343.
  3. Espeland, W. N., & Stevens, M. L. (2008). A sociology of quantification. European Journal of Sociology, 49(3), 401−436.
  4. Gitelman, L. (Ed.). (2013). "Raw data" is an oxymoron. MIT Press.
  5. Kitchin, R. (2014). The data revolution: Big data, open data, data infrastructures and their consequences. Sage.
  6. Loukissas, Y. A. (2019). All data are local: Thinking critically in a data-driven society. MIT Press.
  7. Millington, B., & Millington, R. (2015). "The datafication of everything": Toward a sociology of sport and big data. Sociology of Sport Journal, 32(2), 140−160.
  8. Muller, J. Z. (2018). The tyranny of metrics. Princeton University Press.
  9. Pasquale, F. (2015). The black box society: The secret algorithms that control money and information. Harvard University Press.
  10. van Dijck, J. (2014). Datafication, dataism and dataveillance: Big Data between scientific paradigm and ideology. Surveillance & Society, 12(2), 197−208.
  11. Пасквинелли, М. (2024). Измерять и навязывать: Социальная история искусственного интеллекта. Individuum.

Для кейсов