डेटा का खेल: फुटबॉल में एनालिटिक्स कैसे भर्ती और रणनीति बदल रहा है

पिछले दो दशकों में फुटबॉल की अर्थव्यवस्था और रणनीति, दोनों में जो सबसे बड़ा बदलाव आया है, वह पिच के अंदर नहीं, बल्कि क्लबों के भीतर बने डेटा विभागों में हुआ है। जहाँ एक समय भर्ती का पूरा दारोमदार स्काउट की आँख और अनुभव पर था, वहाँ अब बड़े क्लबों के पास खिलाड़ियों का संख्यात्मक मॉडल है, जो उम्र, खेले गए मिनट, स्थिति और लीग-स्तर के हिसाब से उनके योगदान को तौलता है। क्लब अब पहला सवाल यह नहीं पूछते कि "यह खिलाड़ी अच्छा है या नहीं", बल्कि यह पूछते हैं कि "यह खिलाड़ी हमारी प्रणाली में, हमारे बजट में और हमारी ज़रूरत की जगह पर कितना सही है"। यही सवाल आज की एनालिटिक्स क्रांति का केंद्र है। पारंपरिक स्काउटिंग का तर्क सीधा था — खिलाड़ी को मैदान पर देखो, उसकी गति, तकनीक और निर्णय-क्षमता का अंदाज़ा लगाओ, और रिपोर्ट लिख दो। इस तरीके की सबसे बड़ी कमज़ोरी पूर्वाग्रह और नमूने का आकार है। एक स्काउट एक सीजन में सीमित संख्या में खिलाड़ी देख सकता है, और उसका मूल्यांकन उसके अनुभव, लीग के स्तर और यहाँ तक कि मौसम से प्रभावित होता है। डेटा मॉडल इसके उलट काम करता है: वह हज़ारों खिलाड़ी-सीजन को एक ही मापदंड पर लाता है और उन्हें एक-दूसरे से तुलनीय बनाता है। लेकिन यह कोई जादू नहीं है। मॉडल उतना ही अच्छा होता है जितना उसमें डाला गया डेटा, और उतना ही भरोसेमंद जितनी सही उसकी परिभाषाएँ। इंग्लिश फुटबॉल में इस बदलाव के सबसे चर्चित उदाहरण ब्रेंटफोर्ड और ब्राइटन हैं। दोनों क्लबों ने सीमित संसाधनों के बावजूद खिलाड़ी-पहचान और विकास को एक व्यवस्थित प्रक्रिया बना दिया। ब्रेंटफोर्ड ने लोअर लीग और विदेशी बाज़ारों में उन खिलाड़ियों को खोजा जिन्हें बड़े क्लब नज़रअंदाज़ कर रहे थे, और उन्हें प्रीमियर लीग के स्तर तक विकसित किया। ब्राइटन ने भी इसी तर्ज पर काम किया और ऐसे कई खिलाड़ियों को बड़े क्लबों तक पहुँचाया जो शुरुआत में कम चर्चित थे। इनमें मोइसेस कैसेडो और एलेक्सिस मैक एलिस्टर जैसे नाम शामिल हैं। दोनों मॉडलों की साझा विशेषता यह है कि वे खिलाड़ी को उसके नाम या बाज़ार-मूल्य से नहीं, बल्कि उसकी प्रोफ़ाइल और टीम की ज़रूरत के मेल से आँकते हैं। एक्सपेक्टेड गोल्स यानी xG आज आम दर्शक तक पहुँच चुका है, लेकिन उसका इस्तेमाल अक्सर गलत तरीके से होता है। xG बताता है कि किसी शॉट की स्थिति और प्रकार को देखते हुए उससे गोल होने की संभावना कितनी थी — यह नहीं कि खिलाड़ी ने अच्छा खेला या बुरा। कम xG पर लगातार ज़्यादा गोल करना हमेशा कौशल नहीं होता और ज़्यादा xG पर कम गोल करना हमेशा बदकिस्मती नहीं। अलग-अलग डेटा कंपनियाँ शॉट की गुणवत्ता को अलग तरीके से परिभाषित करती हैं, इसलिए एक ही मैच का xG अलग-अलग स्रोतों पर भिन्न दिख सकता है। गंभीर विश्लेषण में xG को अकेले नहीं, बल्कि शॉट की गुणवत्ता, टीम की संरचना और प्रतिद्वंद्वी के स्तर के साथ पढ़ा जाता है। लीग-समायोजन एनालिटिक्स का सबसे नाज़ुक हिस्सा है। नॉर्वे, बेल्जियम, नीदरलैंड या दक्षिण अमेरिका की लीग में किए गए आँकड़े प्रीमियर लीग या ला लीगा में सीधे लागू नहीं होते, क्योंकि खेल की गति, शारीरिक टकराव और जगह की उपलब्धता हर जगह अलग होती है। इसलिए अच्छे मॉडल खिलाड़ी के आँकड़ों को उस लीग के औसत के सापेक्ष देखते हैं, न कि निरपेक्ष रूप से। उम्र भी उतनी ही अहम चर है। 22 साल का खिलाड़ी सुधार की गुंजाइश के साथ आता है, जबकि 29 साल का खिलाड़ी तत्काल प्रदर्शन देता है पर उसका पुनर्विक्रय मूल्य कम होता है। क्लब इन दोनों को एक ही तराजू पर तौलते हैं। चोट और उपलब्धता का पहलू अक्सर नज़रअंदाज़ किया जाता है, जबकि यह भर्ती की सफलता में सबसे बड़ी भूमिका निभाता है। एक खिलाड़ी जो सीजन में तीस मैच खेलता है, वह किसी प्रतिभाशाली लेकिन बार-बार घायल होने वाले खिलाड़ी से अधिक मूल्यवान साबित होता है। आधुनिक क्लब अब मेडिकल रिकॉर्ड, मिनट-प्रबंधन और रिकवरी डेटा को भर्ती मॉडल में शामिल करते हैं। यही कारण है कि कई बार बाज़ार में चर्चित नाम के बजाय कम चर्चित लेकिन भरोसेमंद खिलाड़ी चुना जाता है। ट्रांसफर बाज़ार पर इसका सीधा असर पड़ा है। जब क्लब खिलाड़ी के मूल्य को उसके योगदान से जोड़कर देखते हैं, तो नाम और प्रतिष्ठा के आधार पर बनने वाली कीमतें कम तर्कसंगत लगती हैं। साथ ही, डेटा-संचालित क्लब समझौतों में विक्रय-शर्तें, बोनस और पुनर्विक्रय का प्रतिशत जोड़कर जोखिम कम करते हैं। इसका एक परिणाम यह भी है कि टैलेंट की खोज जल्दी शुरू हो जाती है — क्लब अब 16-18 साल के खिलाड़ियों के आँकड़ों पर भी नज़र रखते हैं। मैच-डे पर भी एनालिटिक्स का दखल बढ़ा है। सेट-पीस डिज़ाइन, प्रतिद्वंद्वी के पासिंग नेटवर्क का विश्लेषण, दबाव के क्षेत्र और हाई-प्रेस की सफलता दर — ये सब पहले से तैयार किए गए मॉडल का हिस्सा होते हैं। कुछ क्लबों ने विशेषज्ञ सेट-पीस कोच नियुक्त किए हैं, क्योंकि आँकड़े बताते हैं कि सीजन में गोल का एक बड़ा हिस्सा स्थिर स्थितियों से आता है। लेकिन यहाँ एक सीमा भी है: मैच के दौरान लिए गए फैसले दबाव में होते हैं और मॉडल हर परिस्थिति को नहीं पकड़ सकता। एनालिटिक्स की सबसे बड़ी आलोचना यह है कि आँकड़े पिच पर दिखने वाली समझ को नहीं माप सकते। एक अच्छा रक्षक हमेशा टैकल की संख्या से नहीं पहचाना जाता, क्योंकि बेहतर रक्षक वह है जो टैकल करने की ज़रूरत ही न पड़ने दे। इसी तरह, मिडफील्डर की उपयोगिता उसके पास प्रतिशत से नहीं, बल्कि उस जगह से तय होती है जहाँ वह पास पाता है और किस दिशा में खेल को आगे बढ़ाता है। यही कारण है कि आज के मॉडल सिर्फ़ घटनाओं की गिनती नहीं करते, बल्कि घटनाओं के संदर्भ को मापने की कोशिश करते हैं। सबसे व्यावहारिक नतीजा यह निकला है कि डेटा ने स्काउट को बदला है, हटाया नहीं है। सफल क्लबों का सूत्र स्पष्ट है: मॉडल द्वारा तैयार की गई सूची, फिर स्काउट द्वारा उन खिलाड़ियों को मैदान पर देखना, फिर कोच और खेल-निदेशक के साथ चर्चा। जब डेटा और आँख दोनों एक ही निष्कर्ष पर पहुँचते हैं, तो निर्णय की सफलता दर बढ़ती है; और जब वे टकराते हैं, तो अक्सर स्पष्टीकरण में ही असली जानकारी छिपी होती है। छोटे क्लबों के लिए यह बदलाव विशेष रूप से अवसर है। बड़े बजट वाले क्लब प्रतिभा खरीद सकते हैं, लेकिन प्रतिभा को पहचानने और विकसित करने के लिए संसाधनों की ज़रूरत नहीं होती — सिर्फ़ सही प्रक्रिया और धैर्य चाहिए। यही वजह है कि कई मध्यम स्तर के क्लब अब अपने डेटा विभाग में निवेश कर रहे हैं, क्योंकि एक सफल ट्रांसफर की आर्थिक गुंजाइश किसी भी एनालिटिक्स टीम की लागत से कहीं अधिक होती है। दर्शकों और मीडिया के लिए भी यह बदलाव मायने रखता है। जहाँ पहले टिप्पणी "किसने अच्छा खेला" से शुरू होती थी, वहाँ अब सवाल यह होता है कि "किस खिलाड़ी ने किस स्थिति में कितना जोखिम लिया"। यह बहस को अधिक ठोस बनाता है, लेकिन साथ ही एक नया खतरा भी पैदा करता है — आँकड़ों का चयन करके कोई भी पक्ष अपनी बात सिद्ध कर सकता है। इसलिए विश्लेषण में पारदर्शिता ज़रूरी है: कौन-सा मॉडल, कौन-सा नमूना और कौन-सी अवधि इस्तेमाल हुई, यह बताना चाहिए। इसके साथ एक नैतिक और नियामकीय पक्ष भी जुड़ता है। खिलाड़ियों की व्यक्तिगत डेटा, मेडिकल रिकॉर्ड और ट्रैकिंग जानकारी का संग्रह बढ़ रहा है, और यह तय करना ज़रूरी है कि इसका उपयोग कहाँ तक वैध है। कई देशों में श्रम कानून और डेटा संरक्षण नियम इन मामलों में स्पष्ट नहीं हैं, जबकि सट्टेबाज़ी कंपनियों और तीसरे पक्ष के डेटा दलालों की दिलचस्पी बढ़ रही है। क्लबों के लिए यह न सिर्फ़ कानूनी, बल्कि भरोसे का भी सवाल है। निष्कर्ष सरल है: फुटबॉल में डेटा ने खेल को जादुई तरीके से नहीं बदला, उसने निर्णय लेने का तरीका बदला। जो क्लब आँकड़ों को अंधविश्वास की तरह इस्तेमाल करते हैं, वे अक्सर भ्रमित होते हैं; जो उसे स्काउटिंग, कोचिंग और स्पष्ट खेल-दर्शन के साथ जोड़ते हैं, वे लगातार बढ़त बनाते हैं। आने वाले वर्षों में मुकाबला इस बात पर होगा कि कौन बेहतर सवाल पूछता है — क्योंकि डेटा उत्तर देता है, सवाल नहीं।