फुटबॉल की डेटा क्रांति: स्काउटिंग से लेकर अकादमी तक, खेल का चेहरा बदल रहा है

प्रस्तावना: पिच के बाहर चल रही खामोश क्रांति

फुटबॉल को लंबे समय तक एक ऐसे खेल के रूप में देखा जाता था जिसमें फैसले आंख, अनुभव और अंतर्ज्ञान से लिए जाते हैं। कोच मैदान के किनारे खड़ा होकर देखता था, स्काउट स्टैंड में बैठकर नोटबुक भरता था और खिलाड़ी की काबिलियत का फैसला उस एक नज़र पर टिका होता था जो मैच के नब्बे मिनट में बन जाती थी। पिछले डेढ़ दशक में इस तस्वीर में जो बदलाव आया है, वह सतही नहीं है। आज किसी क्लब में खिलाड़ी की भर्ती, उसकी ट्रेनिंग का डिज़ाइन, उसका रिकवरी प्लान, चोट से लौटने का समय-फलक और यहां तक कि टिकट की कीमत तय करने तक के फैसलों के पीछे डेटा मॉडल होते हैं।

यह बदलाव किसी एक आविष्कार से नहीं आया। इसके तीन अलग-अलग हिस्से हैं, जो धीरे-धीरे एक-दूसरे से जुड़ते गए। पहला ट्रैकिंग तकनीक — कैमरा और पहनने योग्य सेंसर, जो हर खिलाड़ी की हर हरकत को सेकंड के दसवें हिस्से तक रिकॉर्ड करते हैं। दूसरा एनालिटिक्स — वह गणित और सांख्यिकी जो कच्चे डेटा को अर्थपूर्ण संकेतकों में बदलती है। तीसरा संगठनात्मक बदलाव — क्लबों के अंदर ऐसे विभागों का बनना जिनमें भौतिक विज्ञानी, सांख्यिकीविद और सॉफ्टवेयर इंजीनियर बैठते हैं, और जिनकी राय भर्ती समिति में उतनी ही वज़न रखती है जितनी मुख्य कोच की।

इस रिपोर्ट का उद्देश्य यह समझना है कि यह क्रांति असल में कहां पहुंची है, कहां वह अतिरंजित है, और कहां उसकी सीमाएं खेल के मूल स्वभाव से टकराती हैं। यह किसी एक मैच, किसी एक ट्रांसफर या किसी एक क्लब की कहानी नहीं है। यह उस तरीके की कहानी है जिससे आधुनिक फुटबॉल सोच रहा है।

स्काउटिंग: आंख से मॉडल तक

पारंपरिक स्काउटिंग का तर्क सीधा था — किसी खिलाड़ी को बार-बार लाइव देखो, उसके फैसलों को अलग-अलग परिस्थितियों में परखो, और फिर अपनी राय बनाओ। यह तरीका पूरी तरह खत्म नहीं हुआ है, लेकिन उसका दायरा सिकुड़ा ज़रूर है। कारण सरल है: एक स्काउट एक साल में जितने मैच देख सकता है, उसकी संख्या सीमित है, और उसकी नज़र उन खिलाड़ियों तक पहुंचती है जो पहले से किसी की नज़र में आ चुके हैं। डेटा इस सीमा को तोड़ता है। एक मॉडल दुनिया की सौ से ज़्यादा लीगों के हज़ारों खिलाड़ियों को एक ही मापदंड पर छांट सकता है, और उन नामों को सामने ला सकता है जिन्हें कोई स्काउट कभी देखने नहीं गया होता।

यहां एक ज़रूरी बात समझनी होगी। डेटा स्काउट की जगह नहीं लेता, वह उसकी खोज का दायरा बढ़ाता है। आधुनिक भर्ती विभागों में आम तौर पर दो चरण होते हैं। पहले चरण में मॉडल किसी प्रोफ़ाइल के अनुरूप खिलाड़ियों की एक लंबी सूची बनाता है। दूसरे चरण में मानवीय स्काउट उनमें से चुनिंदा नामों को लाइव देखता है और उन चीज़ों को परखता है जो डेटा में नहीं आतीं — ड्रेसिंग रूम में उसका व्यवहार, दबाव में उसकी भाषा, हार के बाद उसकी प्रतिक्रिया।

यही वजह है कि आज के स्काउट से यह अपेक्षा नहीं की जाती कि वह सिर्फ "अच्छा खिलाड़ी" पहचाने। उससे यह अपेक्षा होती है कि वह डेटा की भाषा समझे और यह बता सके कि किसी संकेतक का क्लब की खेल शैली में क्या अर्थ है। एक सेंटर-बैक जो लंबी रेंज के पास में बेहतर है, उस क्लब के लिए बेकार है जो पीछे से खेलना पसंद नहीं करता। इसलिए आज स्काउटिंग का सवाल "कौन सबसे अच्छा है" से बदलकर "कौन हमारे लिए सबसे उपयुक्त है" हो गया है।

ब्रेंटफोर्ड और ब्राइटन का सबक

इस बदलाव के सबसे साफ उदाहरण इंग्लैंड की उन टीमों में मिलते हैं जिनके पास बड़े बजट नहीं थे, लेकिन जिन्होंने बड़े क्लबों को भर्ती के मामले में पीछे छोड़ा। ब्रेंटफोर्ड का मामला इसलिए महत्वपूर्ण है क्योंकि उसने दशकों तक निचली श्रेणियों में खेलते हुए एक ऐसी भर्ती प्रणाली बनाई जो खिलाड़ियों के मूल्य को उनके प्रदर्शन के आधार पर आंकती थी, न कि उनके नाम या उम्र के आधार पर। क्लब ने खिलाड़ियों को खरीदने की जगह "बाज़ार में गलत कीमत पर बिक रही संपत्ति" खोजने की रणनीति अपनाई — यानी वे खिलाड़ी जिनका वास्तविक योगदान उनकी कीमत से ज़्यादा था।

ब्राइटन का उदाहरण थोड़ा अलग है। यहां मालिक का पृष्ठभूमि ही सांख्यिकीय सोच वाला था, और क्लब ने शुरुआत से ही भर्ती, विश्लेषण और खेल विज्ञान को एक ही ढांचे में जोड़ा। नतीजा यह हुआ कि जब बड़े क्लब इन टीमों के खिलाड़ियों को खरीदने आए, तो ब्राइटन ने उन पैसों से फिर नए खिलाड़ी खोजे और अपनी लीग स्थिति बनाए रखी। इस मॉडल की असली ताकत खिलाड़ी बेचने में नहीं, बल्कि यह साबित करने में है कि भर्ती एक दोहराया जा सकने वाली प्रक्रिया है — भाग्य का खेल नहीं।

इन दोनों क्लबों ने एक ऐसी धारणा को चुनौती दी जो फुटबॉल में लंबे समय तक चली आ रही थी: कि सफलता के लिए पैसा ही एकमात्र रास्ता है। उन्होंने यह नहीं कहा कि पैसा मायने नहीं रखता, बल्कि यह दिखाया कि पैसे का इस्तेमाल कैसे किया जाता है, यह कम से कम उतना ही ज़रूरी है।

लिवरपूल का मॉडल: जब विज्ञान क्लब की रणनीति बन जाता है

अगर ब्रेंटफोर्ड और ब्राइटन ने दिखाया कि सीमित संसाधनों में डेटा कैसे काम आता है, तो लिवरपूल ने दिखाया कि बड़े क्लब में डेटा को संस्थागत दर्जा मिलने पर क्या होता है। क्लब ने पिछले एक दशक में भर्ती विभाग में भौतिक विज्ञान और गणित की पृष्ठभूमि वाले लोगों को जगह दी, और उनके काम को सिर्फ सलाह तक सीमित नहीं रखा। भर्ती के फैसले, अनुबंध की शर्तें, और यहां तक कि किस खिलाड़ी को कब बेचना है — ये सब उसी विश्लेषण ढांचे के भीतर देखे गए।

इस मॉडल की एक खास बात यह रही कि उसने "सस्ते में खरीदो, महंगे में बेचो" जैसे सरल नारे से आगे बढ़कर यह समझने की कोशिश की कि किसी खिलाड़ी का मूल्य समय के साथ कैसे बदलता है। एक खिलाड़ी की कीमत उसकी उम्र, उसकी चोटों के इतिहास, उसकी शैली और टीम की ज़रूरत — इन चारों के जोड़ से तय होती है। जब इन चारों को अलग-अलग मॉडल किया जाए, तो यह अनुमान लगाया जा सकता है कि कोई खिलाड़ी अगले तीन साल में किस दिशा में जाएगा।

यहां यह भी याद रखना ज़रूरी है कि यह मॉडल हर बार सफल नहीं हुआ। महंगे खिलाड़ी जो अपेक्षाओं पर खरे नहीं उतरे, ऐसी सूची हर डेटा-संचालित क्लब के पास है। फर्क यह है कि विफलता को अब प्रक्रिया का हिस्सा माना जाता है, और उससे सीख लेकर मॉडल को सुधारा जाता है।

डेटा क्या नहीं नाप सकता

फुटबॉल के डेटा विश्लेषण की सबसे बड़ी कमज़ोरी यह है कि वह उस चीज़ को नहीं नाप सकता जो खेल के भीतर सबसे ज़्यादा मायने रखती है — निर्णय। एक पास सही जगह पर गया या नहीं, यह तो मापा जा सकता है, लेकिन यह कि उस खिलाड़ी ने उस पल में वह पास क्यों चुना, यह डेटा में नहीं आता। इसी तरह, एक डिफेंडर का सही समय पर आगे बढ़ना और फिर पीछे हट जाना शायद किसी भी संकेतक में दर्ज न हो, लेकिन वही हरकत गोल रोकती है।

दूसरी सीमा यह है कि डेटा संदर्भ-मुक्त होता है। किसी लीग में 90 प्रतिशत पास सटीकता शानदार लग सकती है, लेकिन अगर वह टीम पीछे से खेलती है और उसके पास जोखिम लेने की गुंजाइश ज़्यादा है, तो यह आंकड़ा भ्रम पैदा कर सकता है। इसीलिए गंभीर विश्लेषण में हमेशा यह पूछा जाता है कि कोई संकेतक किस संदर्भ में पैदा हुआ।

तीसरी सीमा मानवीय है। ड्रेसिंग रूम का रसायन, कप्तान का असर, युवा खिलाड़ी का आत्मविश्वास — इन्हें मॉडल में नहीं डाला जा सकता। जो क्लब इन्हें नज़रअंदाज़ करते हैं, वे अक्सर ऐसे खिलाड़ी खरीद लेते हैं जो आंकड़ों में बेहतरीन हैं लेकिन टीम में घुल नहीं पाते। इसीलिए सबसे सफल क्लब वे हैं जो डेटा और मानवीय निर्णय के बीच संतुलन बनाते हैं, किसी एक को दूसरे पर हावी नहीं होने देते।

अकादमियों में डेटा: ला मासिया से रेड बुल तक

युवा अकादमियों में डेटा का इस्तेमाल सबसे दिलचस्प मोड़ ले रहा है, क्योंकि यहां मकसद खिलाड़ी खरीदना नहीं, बल्कि उसे विकसित करना है। पारंपरिक अकादमी मॉडल — जैसे बार्सिलोना की ला मासिया या आयाक्स की डे टोकॉम्स्ट — खेल शैली पर आधारित था। खिलाड़ी को एक तय तरीके से खेलना सिखाया जाता था, और जो उस ढांचे में फिट होता था, वह आगे बढ़ता था।

नया मॉडल इससे अलग है। इसमें हर युवा खिलाड़ी की अलग प्रोफ़ाइल बनाई जाती है — उसकी गति, उसकी सहनशक्ति, उसकी तकनीकी आदतें, उसकी चोटों की प्रवृत्ति। फिर उसके लिए अलग ट्रेनिंग योजना बनाई जाती है। मान लीजिए किसी सोलह साल के खिलाड़ी की रफ्तार अच्छी है लेकिन मुड़ने की क्षमता कमज़ोर है। पुराने ढांचे में उसे बस "और मेहनत करो" कहा जाता। नए ढांचे में उसके लिए ऐसे व्यायाम तय किए जाते हैं जो उस विशेष कमज़ोरी को दूर करें।

रेड बुल जैसे समूह ने इस दिशा में एक पूरा तंत्र विकसित किया है, जिसमें कई देशों की अकादमियां एक ही खेल दर्शन और एक ही डेटा भाषा से जुड़ी हैं। इसका फायदा यह है कि एक खिलाड़ी का विकास किसी एक देश की परिस्थिति तक सीमित नहीं रहता। नुकसान यह है कि खिलाड़ी को एक ढांचे में ढालने की प्रवृत्ति बढ़ जाती है, और जो खिलाड़ी उस ढांचे से बाहर हैं, वे हाशिये पर चले जाते हैं।

सवाल यह उठता है कि क्या डेटा रचनात्मकता को मार रहा है। जवाब इतना सीधा नहीं है। डेटा यह बता सकता है कि कोई खिलाड़ी किस स्थिति में कितनी बार सफल होता है, लेकिन यह नहीं बता सकता कि उसे कौन सी नई चीज़ आज़माने के लिए प्रेरित करेगा। इसलिए सबसे अच्छी अकादमियां डेटा को सीमा नहीं, दिशा के रूप में इस्तेमाल करती हैं।

चोट प्रबंधन: वह क्षेत्र जहां डेटा सबसे ज़्यादा काम आया

अगर किसी एक क्षेत्र में डेटा ने सबसे ठोस बदलाव लाया है, तो वह चोट प्रबंधन है। पहले चोट लगने के बाद इलाज शुरू होता था। अब कोशिश यह होती है कि चोट लगे ही नहीं। खिलाड़ियों के शरीर पर लगे सेंसर गति, दूरी, त्वरण और हृदय गति का डेटा देते हैं। इस डेटा से यह देखा जाता है कि किसी खिलाड़ी पर पिछले कुछ हफ्तों में कितना भार पड़ा है, और क्या वह सीमा के करीब जा रहा है।

इसका सीधा असर टीम चयन पर पड़ता है। कभी-कभी कोई खिलाड़ी पूरी तरह फिट दिखता है, लेकिन उसका भार डेटा बताता है कि अगर उसे लगातार तीसरा मैच खिलाया गया तो चोट का जोखिम बढ़ जाएगा। ऐसे में कोच को कठिन फैसला लेना पड़ता है — सबसे अच्छे खिलाड़ी को आराम देना। यह वह जगह है जहां डेटा और खेल की परंपरा आपस में टकराते हैं, क्योंकि पुरानी सोच कहती है कि अहम मैच में सबसे अच्छे खिलाड़ी को हर हाल में खेलना चाहिए।

गंभीर क्लबों में अब यह सामान्य हो गया है कि खिलाड़ी की रिकवरी के लिए नींद, पोषण और मानसिक थकान को भी डेटा में शामिल किया जाए। नींद की गुणवत्ता का मतलब है कि रिकवरी का समय बढ़ जाता है, और यह सीधे प्रदर्शन से जुड़ा है। इसी तरह, लंबे दौरों और यात्रा के असर को अब अलग से मापा जाता है।

इस पूरी प्रक्रिया का एक पहलू यह भी है कि खिलाड़ी अब अपने शरीर के बारे में पहले से ज़्यादा जानता है। यह अच्छी बात है, लेकिन इसके साथ एक नई ज़िम्मेदारी भी आती है — डेटा का इस्तेमाल खिलाड़ी के खिलाफ न हो, यह सुनिश्चित करना। किसी खिलाड़ी के स्वास्थ्य डेटा का इस्तेमाल उसके अनुबंध की शर्तें तय करने के लिए किया जाए, तो यह नैतिक सवाल खड़ा करता है।

रणनीति में डेटा: अपेक्षित गोल से आगे

फुटबॉल विश्लेषण में सबसे चर्चित संकेतक अपेक्षित गोल रहा है, जो यह अनुमान लगाता है कि किसी शॉट से गोल होने की संभावना कितनी थी। इसने खेल को देखने का तरीका बदल दिया — किसी टीम ने जीता या हारी, यह अब पर्याप्त सवाल नहीं है। असली सवाल यह है कि उसने कितने अच्छे मौके बनाए और कितने अच्छे मौके दिए।

लेकिन अपेक्षित गोल भी अब पुराना हो चुका है। आधुनिक विश्लेषण में इससे आगे देखा जाता है — गेंद को आगे बढ़ाने की क्षमता, दबाव में पास की सफलता, गेंद के बिना दौड़कर जगह बनाना, और डिफेंस में रक्षात्मक कवरेज को तोड़ना। इन संकेतकों ने यह दिखाया है कि कई खिलाड़ी जो आंकड़ों में साधारण लगते हैं, वे असल में टीम के लिए बहुत उपयोगी होते हैं क्योंकि उनका काम गेंद तक नहीं पहुंचता।

यही वजह है कि कई टीमों ने अपनी खेल शैली भी बदली है। जिन टीमों ने उच्च दबाव वाली शैली अपनाई, उन्होंने यह मापा कि विपक्षी टीम को कहां गलती करने पर मजबूर किया जा सकता है। इसका सीधा मतलब है कि रणनीति अब सिर्फ कोच की सोच नहीं, बल्कि विपक्षी टीम के डेटा पर आधारित अनुमान भी है।

ट्रांसफर बाज़ार: पारदर्शिता की ओर धीमा कदम

डेटा क्रांति का असर ट्रांसफर बाज़ार पर भी पड़ा है, लेकिन यहां बदलाव की गति धीमी रही है। एक बड़ा कारण यह है कि ट्रांसफर में पैसा, एजेंट और क्लबों के बीच के रिश्ते शामिल होते हैं, जिन्हें डेटा से नहीं मापा जा सकता। फिर भी कुछ बदलाव साफ हैं। क्लब अब खिलाड़ी की उम्र और उसके प्रदर्शन के बीच का संबंध पहले से बेहतर समझते हैं, और जानते हैं कि किस उम्र में किस तरह की गिरावट आती है। इससे अनुबंध की लंबाई तय करने में मदद मिलती है।

वैश्विक स्तर पर संगठनों ने भी पारदर्शिता बढ़ाने की कोशिश की है, ताकि यह पता चल सके कि पैसा किन रास्तों से गुजरता है। इसका मकसद यह सुनिश्चित करना है कि युवा खिलाड़ियों के साथ जुड़े सौदों में और प्रशिक्षण देने वाले क्लबों के हिस्से में पारदर्शिता आए। यह प्रक्रिया अभी अपने शुरुआती दौर में है, लेकिन इसने यह स्वीकार कर लिया है कि ट्रांसफर बाज़ार अब सिर्फ खेल का मामला नहीं, बल्कि एक वित्तीय तंत्र है जिसे विनियमन की ज़रूरत है।

भारत और उभरते बाज़ार: डेटा का दूसरा चेहरा

भारत जैसे देशों में डेटा के इस्तेमाल की कहानी अलग है। यहां सबसे बड़ी चुनौती प्रतिभा की कमी नहीं, बल्कि प्रतिभा को पहचानने और उसे विकसित करने का ढांचा है। पेशेवर लीग के विस्तार ने इस दिशा में कुछ रास्ते खोले हैं, लेकिन अब भी कई खिलाड़ी ऐसी जगहों से आते हैं जहां कोई स्काउट नहीं पहुंचता।

यहीं डेटा की सबसे बड़ी संभावना छिपी है। अगर देश के विभिन्न हिस्सों में होने वाले टूर्नामेंटों का डेटा एक जगह इकट्ठा किया जाए, तो ऐसे खिलाड़ी सामने आ सकते हैं जिन्हें कोई क्लब कभी देखने नहीं गया। इसके लिए ज़रूरी है कि डेटा इकट्ठा करना सस्ता हो और उसका मानकीकरण हो। कई देशों में यह काम अब स्मार्टफोन आधारित ऐप और सस्ते कैमरों से शुरू हो चुका है।

लेकिन यहां एक चेतावनी भी ज़रूरी है। अगर डेटा सिर्फ बड़े क्लबों और बड़े शहरों तक सीमित रहा, तो वह मौजूदा असमानता को और गहरा कर देगा। डेटा का लोकतंत्रीकरण तभी सार्थक है जब उसका फायदा उन तक पहुंचे जिनके पास संसाधन नहीं हैं।

जोखिम: जब डेटा खेल को सरल बना देता है

हर तकनीक की तरह डेटा के भी अपने जोखिम हैं। पहला जोखिम अति-अनुकूलन का है — यानी ऐसा मॉडल बनाना जो पुराने डेटा में तो सटीक हो, लेकिन नई परिस्थितियों में विफल हो जाए। फुटबॉल में परिस्थितियां लगातार बदलती हैं, इसलिए कोई भी मॉडल जो बीते प्रदर्शन को ही दोहराता है, वह जल्दी पुराना पड़ जाता है।

दूसरा जोखिम यह है कि डेटा उसी को मज़बूत करता है जो पहले से मज़बूत है। जिन क्लबों के पास बेहतर डेटा टीम है, वे बेहतर खिलाड़ी खोजते हैं, और इससे अंतर और बढ़ता है। अगर सभी के पास एक जैसा डेटा उपलब्ध हो जाए, तो प्रतिस्पर्धा संतुलित हो सकती है, लेकिन अभी वह स्थिति नहीं आई है।

तीसरा जोखिम निजता का है। खिलाड़ी के शरीर, नींद और मानसिक स्थिति का डेटा संवेदनशील है। यह तय करना ज़रूरी है कि यह डेटा कौन देख सकता है, कितने समय तक रखा जा सकता है और उसका इस्तेमाल किस हद तक हो सकता है। इस पर अभी दुनिया भर में स्पष्ट नियम नहीं हैं।

चौथा जोखिम सांस्कृतिक है। अगर हर अकादमी एक ही तरह के खिलाड़ी तैयार करने लगे, तो खेल की विविधता कम हो जाएगी। फुटबॉल की सुंदरता इसी में है कि अलग-अलग देश अलग-अलग तरह से खेलते हैं। डेटा को इस विविधता को मिटाने का ज़रिया नहीं, बल्कि उसे समझने का ज़रिया बनना चाहिए।

निष्कर्ष: डेटा साधन है, फैसला नहीं

फुटबॉल में डेटा क्रांति अब अपने शुरुआती जोश से आगे बढ़ चुकी है। पहले जहां हर क्लब डेटा विभाग बनाने की होड़ में था, वहां अब सवाल यह है कि उस विभाग का असर असल में कितना है। सबसे सफल क्लब वे नहीं हैं जिनके पास सबसे ज़्यादा डेटा है, बल्कि वे हैं जो डेटा को सही सवाल पूछने के लिए इस्तेमाल करते हैं और फिर उस जवाब को मानवीय समझ के साथ जोड़ते हैं।

आने वाले वर्षों में यह बहस और तेज़ होगी — कहां तक डेटा, और कहां से आगे इंसान। शायद सबसे अच्छा जवाब यही है कि डेटा उन चीज़ों को देखने में मदद करे जो आंख से छूट जाती हैं, लेकिन उन चीज़ों का फैसला न करे जिनका कोई आंकड़ा नहीं होता। एक अच्छा पास, एक सही समय पर लिया गया जोखिम, और एक खिलाड़ी का अपने साथी पर भरोसा — ये चीज़ें फुटबॉल में हमेशा रहेंगी। डेटा उन्हें माप सकता है, पर उनकी जगह नहीं ले सकता।