В современном футболе успех на трансферном рынке всё чаще зависит от работы с огромным массивом данных. Ошибка в расчётах стоит клубам миллионы евро. За последние пять лет европейский футбол пережил фундаментальные изменения: рынок всё меньше нуждается в традиционном анализе показателей, переходя к машинному обучению и алгоритмам ИИ.

Российский футбол сейчас находится в промежуточном состоянии. Клубы РПЛ регулярно используют сервисы RuStat или Opta, а в штате команд есть аналитики. Однако эти ресурсы пока применяют на самом базовом уровне. Пока европейские обитатели середины таблицы превращают нейросети в инструмент заработка, в России продолжают искать игроков через простые фильтры и агентские каналы.

Описательный скаутинг VS Предиктивные модели

Для понимания проблемы нужно разделить два подхода к обработке информации.

Описательная статистика

На этом этапе зафиксировалось большинство клубов Премьер-Лиги. Скаутский отдел формирует стандартный запрос в базу данных: «Центральный защитник, рост от 187 см, процент выигранных единоборств выше 68%, отборы больше 4 за матч».
Система выдаёт список из сотен кандидатов. Дальше скауты вручную отсматривают видеоклипы и сверяются с продвинутыми, но всё ещё описательными метриками – xG (ожидаемые голы), xA (ожидаемые передачи) или PPDA (интенсивность прессинга).

Главный минус этого подхода – слепота к контексту. Описательная статистика фиксирует факт, но не объясняет его причины. Игрок может показывать 85% успешных передач просто потому, что его команда пасуется в защитной третьей и не рискует. Защитник из чемпионата Аргентины может доминировать в верховых дуэлях, пока играет против низких форвардов, однако в РПЛ его показатели неизбежно рухнут. Кроме того, традиционная статистика полностью упускает из виду 95% времени матча, когда футболист перемещается без мяча.

Предиктивное машинное обучение

Европейские отделы данных оценивают не только то, что игрок сделал на поле, но и то, как он принимает решения в динамике. Для этого используются алгоритмы компьютерного зрения (Computer Vision) и трекинговые данные, отслеживающие координаты всех 22 игроков каждую секунду.

Благодаря этому предиктивный скаутинг видит глубинный контекст. Нейросети анализируют качество открываний, сужение пространств при обороне, тайминг рывков за спину и способность перекрывать линии передач. Машина оценивает не сам факт паса, а его реальную ценность: сколько соперников отрезала передача и насколько выросла вероятность гола после этого решения.

Главным оружием европейцев стал индекс конверсии лиг. Алгоритм берёт физические и тактические параметры игрока из чемпионата другой страны и математически моделирует его перформанс. Система заранее учитывает разницу в плотности обороны, среднюю скорость игры, силовую нагрузку и даже климатический фактор.

Разницу подходов легко понять на примере одного и того же трансфера. Допустим, вингер в бразильском первенстве забил 12 голов за сезон. Аналитики прогоняют игрока через алгоритм и выясняют: парень медленно принимает решения под давлением. В Бразилии ему давали время подумать, но при плотной обороне его сразу накроют. В итоге клуб вовремя отказывается от сделки и бережёт бюджет.

Как алгоритмы генерируют миллионы?

Эффективность машинного обучения в скаутинге – это давно не теоретическая гипотеза, а вполне конкретные цифры в финансовых отчётах европейских клубов.

Французская «Тулуза» полностью перестроила спортивный отдел. Они работают с трекинговыми данными системы SkillCorner (французская технологическая компания, основанная в 2016 году в Париже и являющаяся мировым лидером в области сбора спортивных данных и аналитики на базе искусственного интеллекта) и закрытыми ML-моделями (компьютерные программы, учащиеся находить скрытые правила и делать прогнозы на основе больших наборов данных).

Когда клуб искал нападающего, алгоритм обратил внимание на Тейса Даллингу из второго дивизиона Нидерландов. Система «Тулузы» зафиксировала системность его игры: высокое качество выбора позиции в штрафной и стабильность движения без мяча. Модель спрогнозировала, что парень сохранит результативность и в более сильной лиге. «Тулуза» приобрела Даллингу всего за €2,5 млн. За два сезона нападающий забил 37 мячей, выиграл с клубом Кубок Франции и летом 2024 года уехал в «Болонью» уже за €15 млн, принеся шестикратную прибыль.

Итальянская «Аталанта» использовал машинное обучение для решения противоположной задачи – подбора атлетов под специфические требования Джан Пьеро Гасперини. Именно благодаря совпадению физических данных и тактических параметров бергамаски вышли на 19-летнего Расмуса Хёйлунна из австрийского «Штурма». Алгоритмы и скауты зафиксировали: его взрывная стартовая скорость и объём рывков идеально подходят под стиль команды. Итальянцы инвестировали в трансфер €20 млн, а всего через 12 месяцев перепродали датчанина в «Манчестер Юнайтед» за €75+10 млн.

Однако применение алгоритмов давно вышло за рамки одного лишь анализа движения игроков по полю. В 2024 году «Севилья» вместе с IBM сделала следующий шаг, запустив систему Scout Advisor на базе генеративного ИИ. Клуб оцифровал и загрузил в нейросеть свыше 200 000 текстовых отчётов, которые скауты писали годами.

Через механизмы обработки естественного языка ИИ связал традиционную статистику с ментальными характеристиками игроков – их дисциплиной, адаптивностью и лидерскими качествами. Теперь спортивному директору андалусийцев не нужно тратить недели на чтение документов: за пару секунд система выдаёт готовую подборку кандидатов со сжатым тактическим и психологическим резюме.

Чем грозит технологический застой?

Проблема российского футбола не в отсутствии самих цифр. На многих стадионах РПЛ стоят трекинговые камеры RuStat, а тренеры по физподготовке регулярно изучают объём пробега и скорость спринтов.

Разрыв кроется в другом. У большинства клубов РПЛ нет штатных отделов Data Science (раздел информатики, изучающий проблемы анализа, обработки и представления данных в цифровой форме). Они покупают стандартные отчёты «из коробки» и используют оптический трекинг лишь для анализа физической формы или оценки уже сыгранных матчей своей команды. В то же время Европа использует эти координаты для предиктивного скаутинга – чтобы находить новичков по всему миру и моделировать их адаптацию.

Игнорирование ML-инструментов создаёт для российских команд системные проблемы. Без собственных алгоритмов поиска талантов на ранних стадиях клубы РПЛ попадают в зависимость от агентов и вынуждены систематически переплачивать за уже «раскрученных» футболистов.

Параллельно растёт процент трансферного брака: покупка легионеров на основе сухой базовой статистики регулярно приводит к провалам, ведь игрок с красивой цифрой ассистов в созидательном чемпионате часто теряется в физически требовательной и плотной РПЛ. Всё это выливается в гигантскую упущенную выгоду на нетривиальных направлениях.

Ручной анализ тысяч футболистов из Южной Америки или Балкан требует огромных ресурсов скаутского отдела, тогда как для предиктивных алгоритмов обработка таких массивов данных – вопрос нескольких часов. Свежая трансферная история РПЛ даёт массу примеров того, как ставка на традиционную аналитику приводит к финансовым потерям.

Из ЦСКА форвард Алеррандро, забивший 21 гол за сезон в Южной Америке, всего через год уехал обратно в Бразилию. Его тайминг открываний не подошёл под футбол РПЛ, а аргентинец Родриго Вильягра не смог пробиться в старт из-за спада динамических показателей. В «Спартаке» громким провалом оборвалась ставка на Виллиана Жозе. Статусный форвард приехал без должной физической моторики, не забил за полгода ни одного гола в чемпионате и досрочно расторг контракт. А «Локомотив», заплатив €5 млн за бразильца Педриньо, столкнулся с его полной непригодностью к силовой борьбе и отправил игрока по арендам.

В каждом из этих случаев клубы платили за поверхностные показатели, прошлые достижения или громкую афишу, а не за реальный потенциал футболиста в конкретной тактической схеме, который деконструирует продвинутый ML-алгоритм (алгоритм машинного обучения).

Списывать эту тенденцию исключительно на консерватизм менеджеров нельзя. У нынешней РПЛ есть жесткий экономический и географический контекст. В условиях текущих барьеров трансферный вектор сжался до нескольких специфических регионов (Латинская Америка, Африка, Балканы). Из-за ухода международных провайдеров трекинга российские клубы оказались оторваны от мировых баз данных, а сломанная экспортная модель лишила руководство стимула вкладываться в дорогостоящие Data Science департаменты.

Выборка игроков ограничена, доступа к глубоким мировым дата-сетам нет, и команды по старинке полагаются на агентские каналы и видеонарезки. Но именно в условиях изоляции и урезанных бюджетов цена трансферной ошибки стала как никогда высокой. Ограниченность рынка – это не повод отказываться от предиктивных моделей. В замкнутой системе математический расчёт становится мощным рычагом развития. И для этого клубам вовсе не нужно менять скаутов на роботов – достаточно правильно встроить данные в готовую систему принятия решений.

Не панацея, а инструмент

Даже самый лучший алгоритм не способен полностью заменить человека. ИИ идеален на этапе фильтрации и математического моделирования: он легко сократит выборку из сотен футболистов до 10–15 действительно подходящих кандидатов.

Современный скаутинг высокого уровня строится не на замене людей алгоритмами, а на эффективной гибридной модели:

Инструмент - Этап
ИИ - Фильтрация и предиктивный анализ
Видеоаналитик - Тактический контекст
Скаут - Психология и финальное решение

Для клубов РПЛ это означает главное: технологический переход не требует срочного написания нейросетей уровня IBM или затрат в десятки миллионов евро. Достаточно сместить фокус – инвестировать средства не в комиссии агентам и переплаты за трансферы, а в создание штатных отделов Data Science. Это позволит выстроить защитный барьер от агентского давления и начать находить кадры в развивающихся чемпионатах до того, как их ценник взлетит.

В условиях финансовых и логистических ограничений умение находить таланты через предиктивные модели становится главным условием конкурентоспособности.

Артём Токарев