Úvod

Kontext a háček

Ve fotbalovém průmyslu dochází v posledním desetiletí k digitalizačnímu procesu, který každoročně zvyšuje množství generovaných dat. Zatímco v severoamerických sportech jako je basketbal, baseball a americký fotbal je analýza dat součástí už skoro 2 dekády, díky fenoménu „Moneyball“, který změnil tvář amerického sportu na „data-driven“ (Lewis, 2003). Data ve fotbale jsou složitěji integrována, než tomu je například v baseballu, kvůli jeho kontinuální povaze, což ztěžuje zhodnocení přínosu jednotlivců na hru (Anderson & Sally, 2013). Elitní evropské celky utrácejí nemalé peníze za externí datové zdroje – od veřejných statistik až po využívání proprietárních databází komerčních poskytovatelů. Přesto zůstává sporné, do jaké míry tato nákladná data mění rozhodování uvnitř klubů.

Problémové prohlášení

Přes veškeré pokročilé metriky a moderní technologie, v moderním fotbale stále existuje mezera mezi sběrem dat a jejich dopadem ve strategickém řízení. Hlavní problém, se kterým se zde potýkáme, je nejasná role externích dat v procesu rozhodování o investicích, od nákupu hráčů až po stavbu klubové infrastruktury. Není jasné, zda data řídí rozhodovací procesy klubů nebo jsou jenom nákladným validačním nástrojem, který pouze podporuje intuitivní lidské rozhodnutí trenérů, sportovních ředitelů či majitelů klubů. V případě, že jsou data využívána pouze jako validátor předsudků (Kahneman, 2011), namísto objektivních studií, kluby riskují finanční ztráty a etické problémy.

Výzkumné otázky

Tato práce se proto zaměřuje na kritickou analýzu přenosu externích dat do procesu rozhodování uvnitř klubů a odpovídá na následující otázky:

Jaká je typologie a hierarchie externích datových zdrojů využívaných pro strategické rozhodování v profesionálním fotbale?
Jsou tyto datové zdroje považovány za primární řídící faktor strategických rozhodnutí, zejména v oblasti nákupu hráčů, nebo plní roli validátoru?
Jaká kognitivní zkreslení a etická rizika limitují efektivní využití těchto dat a jak deformují výslednou organizační znalost?

Teoretická východiska a literatura

Pro kritickou analýzu vlivu externích dat na strategické rozhodování je důležité si nejprve definovat teoretický rámec práce s informacemi a upřesnit si povahu dat ve fotbalovém prostředí. Tato kapitola definuje hierarchii DIKW (data-informace-znalost-moudrost) ve sportovním managementu, porovnává rozdíly mezi fotbalem a severoamerickými sporty a identifikuje mezeru v aktuální literatuře týkající se využití externích datových zdrojů.

Hierarchie DIKW

Využití externích dat ve fotbale není jen pouhý sběr statistik, typu, kdo kolikrát vystřelil. Klíčové je aplikování konceptuálního rámce data, informace, znalost, moudrost. Ve fotbalovém prostředí tyto vrstvy definujeme takto:

Data: Jedná se o surové, nezpracované záznamy tzv. event data. Pod tím si můžeme představit například pohyb hráče po hřišti, souřadnici přihrávky či typ akce. Podle Beveridge pozorování zahrnuje smyslová vnímání a mentální procesy, jež mohou být ovlivněny nevědomými očekáváními a předsudky. Surová data tuto subjektivitu odstraňují a stávají se objektivním zdrojem, který ale v této surové formě bez kontextu nemá šanci promluvit do rozhodovacího procesu.
Informace: Toto jsou již data ve srozumitelné formě. Informace jsou vytvářeny jako agregované metriky. Typicky odpovídají na otázku „co se stalo?“ a informují nás např. o tom, jak úspěšný je sledovaný hráč ve vzdušných soubojích. Jednou z nejpoužívanějších metrik je xG (počet očekávaných gólů). Ta převádí souřadnici střely na pravděpodobnost skórování. Zde pak dochází k první fázi interpretace dat, kdy přijímáme informace o výkonech hráče. Analýza nám rozděluje pozorování na jednodušší koncepty, které nám pomáhají lépe porozumět datům.

Znalost: Zde přichází kritická fáze, kdy informace zasadíme do kontextu klubové strategie a informaci následně změníme v rozhodnutí. Například informace, že sledovaný hráč vyniká ve vzdušných soubojích, se změní na to, že je pro nás perfektní posilou, protože v našem herním stylu potřebujeme hrotového útočníka, který bude prodlužovat nákopy hlavou za sebe.

Moudrost: Nejvyšší stupeň tohoto rámce. Představuje aplikaci znalostí s ohledem na morální, etické a udržitelné principy. Znalost pomáhá v cestě za dlouhodobým úspěchem. Často spojeno s budováním soběstačných klubů. Moudrost transformuje znalost do podoby trvalého úspěchu korekcí kognitivních zkreslení, prediktivních diskriminací a narušování soukromí.

Problém, který tato práce pozoruje, spočívá ve špatném přenosu dat mezi těmito třemi vrstvami. Obvyklou chybou během strategického rozhodování bývá záměna korelace za kauzalitu. Příkladem může být mylný předpoklad, že asociace neznamená nutně kauzalitu (např. tým vyhrává, když má vysoké procento držení míče). Když manažeři zaměňují informace za znalost, dochází k chybným úsudkům, které následně mohou vést k finančním ztrátám. Interpretace dat vyžaduje expertní znalost problematiky, jinak jsou data jen izolovanými fragmenty.

Povaha dat: Proč fotbal není „Moneyball“

Pro pochopení limitů externích dat ve fotbale je potřeba provést porovnání s jinými sporty, konkrétně těmi americkými jako je basketbal a baseball. Zde vznikla analytika ve sportu. Mezi těmito sporty a fotbalem existuje jeden zásadní rozdíl, který usnadnil implementaci do zmíněných amerických sportů.

Diskrétní sporty (basketbal, baseball): Hra se skládá z izolovaných událostí (nadhoz-odpal). Tyto statické události jsou snadno měřitelné. Zde data velmi dobře fungují jako řidič rozhodovacích procesů. Lze jednoduše určit, jaký má hráč dopad na dění na hřišti. Existuje přímá a prokazatelná vazba mezi metrikou hráče a výhrou týmu.

Kontinuální sporty (fotbal, hokej): Fotbal je dynamická, plynulá hra s velkým množstvím vnějších vlivů. Úspěch zde závisí na komplexní interakci 11 hráčů. Je zde mnohem složitější určit, jak se hráč podílel na výkonu svého týmu. (Anderson & Sally, 2013)

Tento rozdíl má velký dopad na validitu dat. V experimentálním designu je klíčová kontrola matoucích proměnných. Ve fotbale se stává izolace výkonu hráče od kontextu spoluhráčů a taktiky soupeře téměř nemožnou. To vysvětluje, proč data ve fotbale historicky plnila spíše roli validátoru manažerských rozhodnutí než samotného řídícího faktoru strategického rozhodování.

Typologie zdrojů a identifikace mezery v literatuře

Současná literatura o fotbalové analýze se většinou zabývá optimalizací výkonu na hřišti. Často se řeší taktika či prevence zranění, ale kritická analýza dopadu dat na strategické řízení chybí.

V rámci této práce pracujeme s rozdělením externích datových zdrojů na dva typy podle konceptu vrstev webu:

Surface web: Do této kategorie řadíme veřejně dostupná data jako Transfermarkt, FBref a sociální sítě. K těmto datům se dostane každý fanoušek používající internet. Jsou to zdroje ovlivňující veřejné mínění a názory fanoušků, to vytváří tlak na kluby. Často jsou to data bez větší spolehlivosti. Mohou být i subjektivní.
Deep web: Proprietární databáze, které stojí kluby velké peníze (Wyscout, Statsbomb, Opta). Tato data nejsou veřejně indexována. Jsou to klíčové datové zdroje klubů, ale představují takzvaný „Black Box“ problém. Tento problém spočívá v metodice sběru dat, která je know-how poskytovatelů služeb, což vylučuje možnost nezávislého ověření jejich kvality. Často jsou tedy kluby nuceny rozhodovat na základě dat, jejichž zkreslení nejsou schopny kontrolovat.

Identifikovaná mezera

Existující výzkum nedostatečně reflektuje, jaký vliv má, spoléhání se na tato neověřitelná data, na kvalitu strategického rozhodování a jaká etická úskalí to přináší. Tato práce se zaměří právě na tuto mezeru v analýze a zkoumá, zda tato data opravdu redukují nejistotu, nebo poskytují pouze falešný pocit objektivity.

Metodika a klasifikace datových zdrojů

Tato kapitola má za cíl popis metodiky použité pro analýzu vlivu dat na strategické rozhodování. Interní strategické rozhodování je tajemstvím jednotlivých klubů a jejich postupy nejsou dostupné pro veřejnost. Proto je tato práce zpracována jako kvalitativní konceptuální analýza podpořená výsledky případových studií jednotlivých klubů. Tato analýza je vhodná pro explorativní výzkum, jehož účelem je porozumění důvodům a nástrojům, jak dochází k daným jevům, v případě nesouladu mezi dostupností dat a jejich reálným využitím.

Navržená taxonomie fotbalových externích datových zdrojů

Pro tuto práci bylo použito rozdělení datových zdrojů do dvou vrstev, vycházejících z vrstev webu. Surface web a Deep web. Toto rozdělení je nezbytné pro rozlišení mezi datovými zdroji, které ovlivňují mínění široké veřejnosti a daty, které mají potenciál řídit interní rozhodovací procesy v klubech.

Surface web

Tato vrstva obsahuje zdroje volně indexovatelné vyhledávači. Jsou snadno dostupná, ale trpí nižší granularitou a spolehlivostí.

Typ dat: zápasové statistiky jako góly, asistence, počty střel atd. Dalším typem jsou tržní hodnoty hráčů (odhady) a také názory fanoušků ze sociálních sítí a blogů.
Příklady: Transfermarkt, X, FBref, Livesport
Využití v rozhodovacích procesech: Tato data slouží spíše pro PR oddělení či marketing. Pro strategické rozhodování typu investic či nákupu hráčů tyto informace nejsou relevantním zdrojem, bývají často brané jenom jako šum, který vyvíjí tlak na management.

Deep web

Toto je klíčová kategorie pro profesionální fotbal. Tato vrstva zahrnuje neindexovatelné informace z proprietárních databází, ke kterým nemá široká veřejnost přístup. Jsou to často databáze za vysoké licenční poplatky.

Typ dat: Granulární „Event data“, která zaznamenávají každý dotek s míčem, časový údaj a souřadnice. Spadají sem také „Tracking data“. Tato data sledují pohyb hráčů dvacetpětkrát za sekundu. Dalším typem jsou lékařské záznamy, které obsahují data o zdravotním stavu hráčů.
Příklady: Wyscout, Statsbomb, Opta, InStat
Využití v rozhodovacím procesu: Toto jsou zdroje s potenciálem řídit rozhodování v klubech. Analýza se zaměří na to, jestli je kluby využívají k efektivním řešením či stále slouží jako validátor.

Vědecká a patentová data

Velmi specifická kategorie zaměřená primárně na inovace.

Typ dat: Recenzované fyziologické a biomechanické studie, patentové přihlášky nových technologií.
Využití v rozhodovacím procesu: Tento datový zdroj nám pomáhá rozhodovat o investicích do infrastruktury. Necháme si udělat studii o podloží a rozhodneme se, kde necháme vybudovat nové tréninkové centrum. Dále nám pomáhá identifikovat blížící se zranění našich hráčů.

Metoda sběru a vyhodnocování dat

Tato práce je založena na metodě komparativní analýzy přístupů k využití externích datových zdrojů. V rámci ověřování výzkumných otázek jsou data analyzována ve dvou rovinách:

Analýza informačního chování

Zkoumání, jak se sportovní ředitelé a skauti vypořádají s vyhledáváním a filtrací dat a informací z deep webu. Zaměřujeme se na rozpoznání momentu, kdy jdou data stranou a manažeři či skauti se řídí vlastní intuicí, která často nahrazuje rozhodnutí na základě faktů.

Případové studie

Pro zajištění replikovatelnosti závěrů, práce analyzuje veřejné případové studie tzv. „Smart“ klubů, které sdílejí informace o svém přístupu k datům a jejich využití v řídících procesech, v porovnání s tradičními kluby.

Omezení metodiky

Tato práce naráží na problém přístupu do interních databází fotbalových klubů, ty jsou chráněny jako obchodní tajemství. Z toho vyplývá, že je analýza omezena na externí pozorování a sekundární zdroje. Toto omezení je kompenzováno daty z vícero důvěryhodných reportů a odborných publikací.

Analýza: Vliv externích dat na strategické rozhodování

Tato kapitola analyzuje způsoby, jakými jsou data z externích datových zdrojů integrovány do strategického rozhodování fotbalových klubů. Analýzu je třeba rozdělit do tří strategických kategorií. První kategorií je výběr a následný nábor hráčů, druhou kategorií je správa aktiv a třetí kategorií je prevence rizik. Cílem kapitoly je rozlišení toho, kdy data fungují jako řídící faktor v rozhodovacích procesech a toho kdy se stávají pouhým validátorem subjektivního lidského rozhodnutí.

Nábor hráčů: Data vs. Intuice

Nábor hráčů a náklady na jejich mzdy jsou vůbec největším finančním nákladem klubů. S tím je také spojeno i největší riziko v rámci fotbalového klubu, špatný výběr hráče. Podle Dr. Iana Grahama (bývalý ředitel výzkumu v Liverpool FC) hned 50 % všech přestupů ve fotbale končí neúspěchem. (Graham, 2024) Využití externích datových zdrojů nám odhaluje zásadní rozdíly mezi teorií datově řízených klubů a realitou.

Fáze filtrace

V počáteční fázi skautingu jsou data z deep webu velmi důležitým zdrojem. Tato data slouží k filtraci tisíců hráčů na základě různých metrik. V této počáteční fázi data řídí zúžení výběru hráčů na těch pár desítek, které kluby kapacitně zvládají sledovat na živo. Zde je proces analogický s baseballem, kde také analýza slouží k identifikaci podhodnocených hráčů na trhu. (Lewis, 2003)

Fáze výběru

Ve chvíli, kdy se seznam zúží, se role dat mění. Zatímco v amerických sportech je často generální manažer schopen přijmout hráče čistě na základě dat, protože má největší pravomoc v rozhodování o odchodech a příchodech, ve fotbale je tomu trochu jinak, trenér má mnohem větší slovo při výběru posil.

V tomto momentu se role externích dat mění na pouhý validátor subjektivního mínění trenéra. Analytické oddělení je obvykle nuceno hledat právě ty metriky, které potvrzují trenérovo mínění o kvalitě dané posily. (Kahneman, 2011) Na varovné signály se neklade takový důraz jako tomu je při fázi filtrace. Data ztrácejí schopnost tvořit novou organizační znalost a stávají se spíše nástrojem k přesvědčování vyššího managementu.

Finanční rozhodování a prodej aktiv

Zatímco u nákupu hrají velkou roli emoce, u prodeje je tomu jinak, externí data mají silnější pozici jako řídící faktor rozhodování. Kluby jako Brighton and Hove Albion a Brentford FC využívají prediktivní modely k určení správného času prodeje svých hráčů. Tato strategie je etablovala v nejnáročnější lize na světě.

Kluby využívají algoritmy k porovnávání výkonnostních křivek hráčů, za pomoci benchmarkingu a historických dat. To klubům umožňuje dělat často nepopulární, ale vždy finančně racionální rozhodnutí, tj. prodat hráče předtím, než jeho hodnota a výkonnost začnou klesat. (Kuper & Szymanski, 2018) Tento princip se řídí jednoduchým pravidlem, prodat hráče na vrcholu. Data efektivně snižují nejistotu a dělají z prodeje čistou ekonomickou kalkulaci.

Role vědeckých dat a IP při řízení rizik

Specifickou oblastí, kde externí zdroje přímo ovlivňují strategii, je risk management a investice do infrastruktury. V této fázi do procesu přichází vědecká data a informace o duševním vlastnictví.

Kluby v procesu podpisu hráče se soustředí na recenzované lékařské studie a patentované technologie k rozhodnutí o uzavření kontraktu. Pokud lékařská prohlídka podpořená externími daty o biomechanice, například historie zranění ACL, značí velké riziko, klub od této investice odstoupí a vyhne se rizikové investici. (Chang, 2014) Vědecká data jsou v tomto případě řídícím faktorem při rozhodování, který může zamítnout rozhodnutí trenéra.

Interpretace výsledků: Hranice datového vlivu

Výše uvedená zjištění nám dohromady poskytují odpověď na otázku, zda jsou data opravdu těmi řídícími faktory strategického rozhodování. Odpověď závisí na organizační kultuře klubu:

Ve smart klubech jsou data v procesu považována za rozhodující faktor. Prostředí je nastaveno tak, aby data měla hlavní slovo.
V tradičních klubech stále dochází k využívání dat k validaci subjektivních mínění manažerů a trenérů. Data slouží k racionalizaci nákupů.

Povaha fotbalu jako kontinuálního sportu poskytuje kritikům dat prostor k argumentaci. Tento prostor spočívá v nehmotných faktorech jako výkon pod tlakem, vůdcovství a vliv v kabině, které nejsme schopni kvantifikovat, na rozdíl od sportů diskrétních. (Anderson & Sally, 2013) Manažer pak při poklesu výkonnosti může ignorovat tento fakt s argumentem, že hráč je vůdčí typ a jeho absence v základní sestavě by narušila soudržnost týmu.

Etika, rizika a omezení výzkumu

Předchozí kapitola analyzovala potenciální schopnost externích dat promlouvat do rozhodovacích procesů uvnitř klubu. Tato kapitola se zaměří na třetí výzkumnou otázku, tj. jaká rizika a zkreslení tento proces narušují. Kritická analýza poukazuje na to, že vliv dat vždy nemusí být pozitivní. V případě, že s externími datovými zdroji není zacházeno s ohledem na informační etiku a psychologii rozhodování, mohou výsledky vést k narušení základních práv hráčů a systémovým chybám.

Kognitivní zkreslení

Jedním z hlavních zjištění je, že data ve fotbalovém prostředí nejsou interpretována v čistě neutrálním (objektivním) prostředí. Tito lidé podléhají kognitivnímu zkreslení. Podle knihy Principles of scientific methods jsou lidská pozorování a interpretace zkreslené předchozími očekáváními pozorovatele, vědomým či nevědomým. (Chang, 2014) Ve fotbalovém kontextu se nejčastěji setkáváme s dvěma klíčovými riziky.

Potvrzovací zkreslení

Nejčastějším důvodem, proč data ve fotbale selhávají v roli objektivního řídícího faktoru rozhodovacích procesů je právě potvrzovací zkreslení. (Kahneman, 2011) Trenéři, manažeři a skauti jsou zde ovlivněni předsudky a mají tendenci preferovat informace potvrzující jejich přesvědčení. V praxi se to projevuje tak, že trenér preferuje hráče x na základě dojmu z video analýz, využije data z deep web zdrojů, ale místo porovnání s jinými hráči je využije k nalezení dat, která potvrdí jeho intuici. Tento jev se nazývá cherry picking, ignorování dlouhodobých dat o hráčově špatné efektivitě a následného nalezení metriky, například úspěšnost centrů, potvrzujících nákup. Data v případě tohoto jevu neslouží k objevení nejlepšího řešení, ale pouze ke zdůvodnění předsudků.

Výběrové zkreslení

Rozhodování klubů je ovlivněno tím, jaká data jsou k dispozici. Profesionální tracking data jsou k dispozici primárně z elitních soutěží. Tím dochází k systematickému zkreslení. (Chang, 2014) Kluby přehlížejí talenty z regionů bez kvalitního datového pokrytí (například nižší soutěže v rozvojových zemích). To dělá z výběru talentů nereprezentativní vzorek, čímž se snižuje efektivita náborových strategií. V těchto částech světa jsou stále nejdůležitějším článkem skauti.

Informační etika a „Dataveillance“

S nástupem wearables (chytré hodinky) a IoT senzorů se kluby dostaly do sporné pozice z pohledu etiky. Sběr dat o hráčích přesahuje do intimního života mimo jejich „pracovní dobu“, to naráží na principy ochrany lidské důstojnosti a ochrany soukromí. (Manley et al., 2012)

Narušení soukromí a kontextu

Hráči jsou pod neustálým dohledem. Dochází k 24/7 sběru dat o kvalitě spánku a variabilitě srdečního tepu. Dezinterpretace kontextu vede k etickému riziku. V případě, že je spánek algoritmem mylně vyhodnocen jako špatný, může dojít k označení špatného spánku za neprofesionalitu, což vede k disciplinárním trestům. (Manley et al., 2012) Ve skutečnosti ale může být příčinou rodinná situace, tím pádem dochází k poškození hráče.

Prediktivní diskriminace a vlastnictví dat

Jedním z nejzávažnějších problémů je využití scientific data, konkrétně lékařských záznamů, a prediktivních modelů AI při vyjednávání o smlouvách. V případě, že klub využívá tato data k predikci budoucích zranění, na čemž založí rozhodnutí o snížení mzdy, klub se dopouští diskriminace na základě pravděpodobnosti. Zde vzniká otázka vlastnictví dat. Pokud hráč opustí klub, zůstávají data ve vlastnictví klubu jako know-how, nebo má hráč právo na smazání biometrických dat?

Problém informovaného souhlasu

Etika výzkumu požaduje dobrovolný souhlas subjektů. (Chang, 2014) V kontextu fotbalových klubů je často tento souhlas vynucený. V případě odmítnutí GPS vesty se hráč dostává do problému. Tímto je porušen princip minimalizace rizik pro subjekt, protože benefity sběru dat čerpá primárně klub a hráč nese rizika. (Manley et al., 2012)

Omezení práce

Při interpretaci této práce je potřeba zohlednit následující faktory:

Absence interních dat: Tato práce je založena na sekundárních zdrojích, rozhovorech a veřejně dostupných informacích. Kluby chrání své datové modely jako obchodní tajemství. Ověření přesnosti proprietárních algoritmů tedy není možné.
Zobecnění: Analýza se soustředí na větší kluby s vyššími rozpočty. Závěry nemusí být plně přenositelné na menší a chudší kluby z důvodu velkých výdajů na nákup deep web databází.

Prohlášení o využití AI

Prohlašuji, že při tvorbě této práce byly využity nástroje generativní umělé inteligence. Konkrétně ve fázi brainstormingu pro strukturování argumentů a jazykových úprav. Formulace závěrů a aplikování teoretických konceptů je mým dílem.

Závěr a doporučení

Cílem této práce bylo kriticky zhodnotit roli externích dat ve strategickém rozhodování fotbalových klubů. Analýza vycházela z předpokladu, že i přes velké investice do datových zdrojů, vedení fotbalových klubů je ovlivněno intuicí a kognitivním zkreslením. Na základě provedené analýzy lze vyvodit následující závěry.

Odpovědi na výzkumné otázky

VO1: Analýza ukázala důležitost rozlišování mezi daty dostupnými veřejnosti a proprietárními daty. Zdroje ze surface webu jako transfermarkt, livesport či blogy ovlivňují vnímání fanoušků. Zdroje z deep webu přináší konkurenční výhodu, jelikož přináší proprietární databáze a vědecká data. Nicméně zde bylo identifikováno riziko tzv. Black boxu, efekt, kdy se kluby spoléhají na metodiku poskytovatelů informací. Kluby nemají kontrolu nad kvalitou vstupu. (Chang, 2014)

VO2: Hlavní otázkou této práce bylo, zda jsou data skutečně řídícím faktorem strategických rozhodnutí v klubech. Závěr je odlišný:

V oblasti řízení rizik a finančního plánování fungují data jako primární rozhodovací faktor. Vědecká data mají vždy právo u schvalování přestupů. Některé kluby řídí prodeje čistě modely, které naleznou maximální možnou hodnotu prodeje hráče. (Kuper & Szymanski, 2018)

V oblasti náboru hráčů data ve většině tradičních klubů plní roli validátoru. Strategie je zde řízena subjektivní preferencí trenéra nebo manažera pomocí eye testu. Externí data jsou zde v pozici pro racionalizaci rozhodnutí trenéra či manažera. (Anderson & Sally, 2013) Existuje jen malá skupina klubů, kde se i v této oblasti povedlo udělat z dat primární řídící faktor strategického rozhodování. (Graham, 2024)

VO3: V procesu transformace dat na organizační znalost dochází k systematickému narušování potvrzovacím zkreslením. Trenéři, manažeři a skauti mají tendenci vyhledávat pouze ta data, která zdůvodňují jejich rozhodnutí. (Kahneman, 2011) Z hlediska etiky to představuje obrovský sběr biometrických dat, který představuje riziko narušení soukromí hráčů. Může to také vést k diskriminaci založenou na prediktivních modelech, to následně může vyústit v soudní spory o vlastnictví biometrických dat. (Manley et al., 2012)

Teoretický a praktický přínos

Přínosem této práce je vytvoření klasifikačního rámce pro externí datové zdroje ve specifickém fotbalovém prostředí, který se pokouší o integraci konceptů informační vědy do sportu. Práce aplikuje principy vědecké metody na toto specifické prostředí a ukazuje, že bez zapojení kritického myšlení je rostoucí objem dat pouze přetěžováním serverů. (Chang, 2014)

Doporučení pro praxi

Na základě zjištění definujeme následující doporučení pro fotbalové kluby:

Role data translatora: Kluby by měly vytvořit pozici specializované osoby, která bude působit jako spojka mezi datovými analytiky a managementem. Měl by primárně přinášet kontext pro využití dat z externích datových zdrojů. (Anderson & Sally, 2013)
Separace procesu výběrů a filtrace: Kluby musí vytvořit šablonu podle které budou postupovat při výběru hráčů, tak aby byla co nejlépe využita nákladná data. Data by měla tvořit vstupní bránu, tj. udělat filtr a tím potvrdit kvalitu hráče, pak až může nastoupit subjektivní skauting, nikoliv naopak. (Graham, 2024)
Etický kodex pro biometrická data: Fotbalová společnost by měla společně definovat vlastnictví dat z wearables a omezit monitorování hráčů v soukromém čase, aby se vyvarovali právním rizikům. (Manley et al., 2012)

Závěrem lze říct, že externí data jsou velmi silným nástrojem v moderním fotbale, ale jejich dostupnost nutně nevede k úspěšným rozhodnutím. Skutečný rozdíl dělá to, jak jsou kluby schopny s tímto obrovským množstvím dat nakládat, tj. eliminovat kognitivní zkreslení, integrovat data etickým a systematickým způsobem.

Použitá literatura

Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.

Davenport, T. H. (2014). Analytics in sports: The new science of winning. Harvard Business Review

Hughes, M., & Bartlett, R. M. (2002). The use of performance indicators in performance analysis. Journal of Sports Sciences, 20(10), 739–754.

Bar-Eli, M., Azar, O. H., Ritov, I., Keidar-Levin, Y., & Schein, S. (2007). Action bias among elite soccer goalkeepers: The case of penalty kicks. Journal of Economic Psychology, 28(5), 606–621.

Manley, A., Palmer, C., & Roderick, M. (2012). Disciplinary mechanisms and the discourse of identity: The creation of ‘docile bodies’ among premier league academy footballers. Culture, Sport, Society, 15(1), 1-19.

Anderson, C., & Sally, D. (2013). The numbers game: Why everything you know about soccer is wrong. Penguin Books.

Chang, M. (2014). Principles of scientific methods. CRC Press.

Kuper, S., & Szymanski, S. (2018). Soccernomics: Why England loses, why Germany, Spain, and France win, and why one day Japan, Iraq, and the United States will become kings of the world’s most popular sport. Nation Books.

Lewis, M. (2003). Moneyball: The art of winning an unfair game. W. W. Norton & Company.

Graham, I. (2024). How to Win the Premier League: The Inside Story of Football’s Data Revolution. Cornerstone.

StatsBomb. (n.d.). Football event data and analytics. Retrieved December 3, 2025, from https://statsbomb.com

Transfermarkt. (n.d.). Football transfers, rumours, market values and news. Retrieved December 3, 2025, from https://www.transfermarkt.com

Wyscout. (n.d.). The professional football platform. Retrieved December 3, 2025, from https://wyscout.com

CIES Football Observatory. (2024). Monthly Report. Retrieved December 3, 2025, from https://www.football-observatory.com

Ondrej Hornat

+ posts

Externí datové zdroje ve fotbalové analytice: jsou opravdu řídícím faktorem rozhodovacích procesů?