داده‌‌‌ها و تصمیم‌گیری در فوتبال
مثلا واحد تحقیق باشگاه لیورپول، توسط یک دانش‌‌‌آموخته دانشگاه کمبریج در رشته فیزیک پلیمر مدیریت می‌شود. باشگاه آرسنال اخیرا یک مهندس نرم‌‌‌افزار سابق شرکت فیس‌‌‌بوک را به عنوان دانشمند داده استخدام کرده و باشگاه منچستر سیتی که آخرین قهرمان لیگ برتر انگلستان بوده، یک دانشمند هوش مصنوعی دارای مدرک PhD اخترفیزیک محاسباتی را برای واحد تحقیقات خود به کار گرفته است. تاد بوئلی، مالک آمریکایی جدید باشگاه چلسی، تابستان امسال را در آزمون و خطا برای استخدام یک مدیر ورزشی جدید که سابقه مطالعات داده را داشته باشد، گذراند. اینها همه نمونه‌‌‌هایی از انگلستان هستند که ثروتمندترین باشگاههای ورزشی دنیا را دارد و برای برتری در برابر رقبا، سرمایه‌گذاری‌‌‌های هنگفت می‌کنند و پیشتاز جذب بازیکن از باشگاه‌‌‌هایی هستند که سوابق اثبات‌‌‌شده دارند؛ باشگاه‌‌‌هایی مثل موناکو فرانسه و لایپزیک آلمان.
فوتبال، تاریخچه‌‌‌ای غنی در این نوع تحلیل‌‌‌ها دارد. چارلز ریپ، یک حسابدار نظامی بود که اولین تحلیلگر داده در دهه ۵۰ محسوب می‌شود ؛ یعنی قبل از رواج استفاده از کامپیوترهای شخصی. سپس در سال ۲۰۰۹ سیمون کوپر و استفان زیمانسکی، کتابی با عنوان «ساکرنومیکس (Soccernomics) » نوشتند که تجزیه و تحلیل داده‌‌‌محور ورزش را وارد عصر جدیدی کرد. از جمله یافته‌‌‌های آماری این کتاب این بود که دروازه‌‌‌بانان معمولا در بازار نقل و انتقال بازیکنان، کمتر ارزش‌‌‌گذاری می‌‌‌شوند و بازیکنان برزیلی بیشترین قیمت را دارند.
پاس رو به جلو
قدم بعدی در تحلیل فوتبالی، استفاده از داده برای توسعه و پیش‌بینی پیشرفت خود بازیکنان است که چشم‌‌‌انداز پیچیده‌‌‌تری است. تحلیل‌‌‌های جدید داده سعی می‌کنند سوالاتی را در مورد آینده، با سنجش میزان دوندگی، میزان سرعت، موقعیت در زمین، گل‌‌‌های زده مورد انتظار و پاس‌‌‌هایی که هر بازیکن می‌دهد، پاسخ دهند. دانستن اینکه داده‌‌‌ها چگونه می‌توانند عملکرد آینده را پیش‌بینی کنند، چالشی است که همه تصمیم‌گیران با آن مواجهند؛ تصمیم‌گیری برای پرداخت‌‌‌های هنگفت هنگام نقل و انتقال بازیکنان یا ترکیب تیم. به عنوان مثال، اگر یک مهاجم در لیگ هلند ۲۵ گل بزند، در لیگ برتر انگلستان که کیفیت بازی‌‌‌ها بسیار بالاست، چقدر می‌تواند بزند؟
اگر باشگاه به یک بازیکن، بیشتر از آنچه واقعا می‌‌‌ارزد پول بدهد، سودآوری خود را تحت‌‌‌الشعاع قرار می‌دهد. داده‌‌‌ها در فعالیت‌های روزمره هم مفید هستند: یک هافبک چپ شش بازی در سه هفته انجام داده و دچار گرفتگی عضله شده است آیا می‌توان مصدومیت‌‌‌های او را در آینده پیش‌بینی کرد؟ احتمال گل شدن یک نوع پاس مشخص چقدر است؟ در بازار نقل و انتقال، کجا می‌توان ارزش‌‌‌‌‌‌ها را پیدا کرد؟
روش‌های سنتی سنجش عملکرد یک مربی هم این روزها قابل ارتقا است. تحلیل مسیری که توپ طی کرده، ماهیت بازی را واضح‌‌‌تر از نتیجه نهایی نشان می‌دهد؛ چون در نتیجه بازی، شانس یا داوری بد می‌تواند تاثیرگذار باشد. بنابراین مربی‌‌‌ای که تحت فشار است، می‌تواند با استفاده از تجزیه و تحلیل داده، مدعی شود گل‌‌‌هایی که انتظار می‌‌‌رفت به ثمر برسند، شاخص بهتری برای عملکرد تیم هستند. در یکی از کنفرانس‌‌‌های تحلیل داده فوتبال که فارغ‌‌‌التحصیلان جوان رشته ریاضی در آن شرکت کرده بودند، مشخص شد یکی از باشگاههای یک لیگ برتر (که نخواست نامش فاش شود)، از ماشین‌‌‌حساب ارزش‌‌‌گذاری استفاده می‌کند. این ابزار، «ارزش بازار» (MV) هر بازیکن را محاسبه می‌کند و سوگیری‌‌‌های طبیعی مثل پست بازی، ملیت، تیم فعلی و سن را در نظر می‌گیرد و آن را با «ارزش ذاتی» (IV) که ارزش افزوده واقعی بازیکن در زمین را ارزیابی می‌کند، مقایسه می‌کند. در صنعتی که تیم‌‌‌ها می‌توانند با خرید و فروش هوشمندانه بازیکنان در بازار نقل و انتقال، از رقبای خود پیشی بگیرند - اتفاقی که در ورزش‌‌‌های دیگر، مثل فوتبال آمریکایی نمی‌‌‌افتد - این ابزار هم به باشگاه فروشنده کمک می‌کند (با شناسایی بازیکنانی که MV بالا و IV پایین دارند) و هم به باشگاه خریدار (با پیدا کردن بازیکنانی که IV بالا و MV پایین دارند).
برخی باشگاه‌‌‌ها بیشتر تمایل دارند در مورد استفاده از داده صحبت کنند. باشگاه میتیلند دانمارک، از سال ۲۰۱۴ سه بار قهرمان لیگ فوتبال این کشور شده است.
این تیم موفقیت خود را ناشی از اعداد و ارقام می‌‌‌داند. آنها با جذب یکسری بازیکنان جدید و به کارگیری یک مربی متخصص ضربه ایستگاهی و یک مربی متخصص پرتاب اوت، توانستند به یک مزیت رقابتی برسند. باشگاههای برنتفورد و برایتون‌اند هوو هم برای تصمیم‌گیری‌‌‌های نهایی خود از داده استفاده می‌کنند.
تعدادی از باشگاههای اروپا هم سنجش ویژگی‌‌‌های ناملموس که کار سخت‌‌‌تری است را شروع کرده‌‌‌اند از جمله انعطاف و ترکیب تیم. یکسری اپلیکیشن‌‌‌های داده وجود دارد که مکانیک زیستی، پردازش شناختی و عملکرد فنی تیم‌‌‌ها را ارتقا می‌دهد. به عنوان مثال، باشگاه چلسی «روان‌شناسی عملکرد بازیکنان» را با کشیدن نمودار رفتارهای ناشی از اعتماد به نفس، تمرکز و انگیزه آنها، از طریق داده، اندازه گرفت.
این رویکرد، باعث می‌شود نحوه بازی در زمین متحول شود؛ مثلا حرکت‌‌‌های عادی مثل ضربات ایستگاهی و کرنر، پیشرفت می‌کنند و فرصت تیم‌‌‌ها را در زدن گل بیشتر ارتقا می‌دهند.
فوتبال قطعا یک بازی احساسی است و به غریزه، اشتیاق و شخصیت بازیکنان وابسته است. بنابراین طبیعی است که انقلاب داده را پس بزند. اما برای موفقیت، هر دوی اینها لازم است. هدف آنهایی که تصمیم‌گیری مبتنی بر سند و مدرک دارند، این است که از داده برای شناخت و آنالیز بهتر بازی‌‌‌ها استفاده کنند. یا همان‌طور که رایان اوهانلون، نویسنده فوتبالی، در کتاب جدیدش می‌‌‌نویسد: «به محض اینکه فکر کنید پاسخ را یافته‌‌‌اید، کسی پیدا می‌شود که راه بهتری برای سوال پرسیدن پیدا می‌کند.»
