Uno de los periodistas deportivos más leídos y seguidos de Grecia, Vasilis Sambrakos, entrevistó al director general de Comparisonator, Tarkan Batgün, y la entrevista se publicó en Sport24. He aquí algunos de los principales titulares:
Vasilis Sambrakos conversa con el fundador de la plataforma de ojeadores Comparisonator, Tarkan Batgün, sobre la revolución que la analítica de datos y la tecnología de IA han supuesto para la forma en que los clubes de fútbol realizan los fichajes.
Tarkan Batgün es una figura reconocible en el campo del scouting moderno y el análisis del rendimiento.
Con más de veinte años de experiencia en cuatro continentes, ha trabajado como director de ojeadores y jefe de análisis de rendimiento en clubes profesionales, ha impartido clases en federaciones y organizaciones educativas, y actualmente es el director general de la plataforma Comparisonator , una de las herramientas más avanzadas a nivel mundial para evaluar y comparar jugadores de fútbol mediante datos e IA.
Su carrera le ha llevado al centro del debate internacional sobre el futuro del scouting, ya que combina conocimientos futbolísticos, experiencia tecnológica y una profunda comprensión de las diferencias entre los mercados, desde Europa y Turquía hasta Australia y Estados Unidos. Con este bagaje, es uno de los interlocutores más autorizados sobre la evolución del fútbol en la era de los big data y la Inteligencia Artificial.
En nuestra conversación, Batgün se refiere a los jóvenes futbolistas griegos que juegan fuera de Grecia y destacan en la actualidad. Y explica cómo el scouting moderno se está transformando gracias a la tecnología digital, la toma de decisiones basada en datos y los modelos de IA que ahora están cambiando la forma en que los equipos identifican, evalúan y predicen el talento.
-Usted ha trabajado en análisis y ojeadores de fútbol en diferentes continentes, desde Australia hasta Turquía y Europa. ¿Cómo ha influido esta experiencia internacional en su forma actual de enfocar los datos y la identificación de talentos?
“Trabajar en el fútbol en cuatro continentes me ha enseñado una verdad fundamental: los datos no significan nada sin un contexto cultural. Un jugador en Australia, Turquía o Bélgica puede poner los mismos números, pero el entorno, el ritmo de la liga y la cultura táctica cambian por completo el significado de esos números.
Mi estancia en Australia me ayudó a entender la sistematización y la tecnología; en Turquía me centré en el desarrollo de jugadores y en el lado humano del ojeador; y en Europa aprendí a alinear estos dos mundos. Por eso, en Comparisonator, nuestra IA no se limita a hacer cálculos, sino que se adapta al “lenguaje” del fútbol de cada país.
Este equilibrio entre la comprensión local y la comparación internacional es lo que hace que nuestra tecnología sea útil en todo el mundo y lo que hace que me siga apasionando tender puentes entre las culturas futbolísticas a través de los datos.”
-Usted ha intervenido en eventos y foros futbolísticos mundiales, ha coordinado numerosos paneles sobre datos, inteligencia artificial y ojeadores desde Milán, Londres y Barcelona hasta Serbia, Australia y Turquía, y ha asesorado tanto a clubes como a federaciones. ¿Qué cree que le ha aportado este nivel de respeto y reconocimiento internacional en la comunidad futbolística?
“El respeto en el fútbol no viene de los títulos, sino de la constancia y la dedicación. Durante más de dos décadas, he trabajado para conectar tres mundos que rara vez hablan el mismo idioma: el fútbol, el mundo académico y la tecnología.
Desde la creación del primer modelo de Laboratorio de Ojeadores, hasta la colaboración como consultor con empresas internacionales de datos como Wyscout, Sportstec, Hudl, SoccerLab, siempre he intentado construir sistemas que puedan resistir más allá de los individuos. Cuando hablo en foros internacionales, ya sea en la Cumbre del Fútbol Social de Roma, en DealDone Serbia o en el Foro del Fútbol Húngaro, mi objetivo no es “vender” tecnología.
Se trata de compartir conocimientos futbolísticos reales traducidos en datos y lógica de IA. La gente de este espacio aprecia eso, porque sabe que procede del trabajo tanto en el terreno de juego como detrás de la pantalla. A fin de cuentas, el fútbol es un idioma universal. Mi misión era asegurarme de que los datos lo hablaran con fluidez”.
-¿Qué jóvenes griegos destacarían si alguien buscara jóvenes futbolistas que compitieran en campeonatos lejos de Grecia?
“Utilizo el módulo de la tienda de contratación de Comparisonator para identificar a los jóvenes jugadores que entran en las ligas sub-17-U19 o profesionales de cualquier parte del mundo a través del buscador de jugadores de la IA.
Una vez que introduzco una categoría de edad y el filtro de nacionalidad y pasaporte -por ejemplo, Grecia en este caso-, el sistema muestra automáticamente una lista de jugadores en cada posición que tienen pasaporte griego, junto con las estadísticas seleccionadas para encontrar el talento adecuado.
Sigo personalmente a muchos de estos jóvenes jugadores griegos en todo el mundo. Algunos nombres especialmente interesantes son:
- Theofanis Bakoulas (2005) – Río Ave (Portugal)
- Theodoros Sakoufakis (2007) – Unión Berlín Sub-19 (Alemania)
- Christos Kostoglou (2009) – Dortmund Sub17 (Alemania)
- Andreas Poulopoulos (2009) – Werder Bremen Sub17 (Alemania)
- Alexandros Zaverdinos (2007) – Sydney FC (Australia)
- Grigoris Politikis (2006) – Torino Sub20 (Italia)
- Philippos Tsapipis (2008) – Horsens U19 (Dinamarca)
También sigo a varios jugadores sub23 notables de origen griego, como:
- Nektarios Triantis (2003) – Minnesota United (EEUU)
- Michalis Kosidis (2002) – Zagleby Lubin (Polonia)
- Aidy Jaiko (2002) – Cherkasy (Ucrania)”
-Desde su punto de vista, ¿cuál es el mayor cambio en el scouting futbolístico en los últimos cinco años debido a los datos y la IA?
“El mayor cambio es el paso del juicio a la justificación. Hace cinco años, la exploración se basaba sobre todo en opiniones. Ahora, cada observación debe estar respaldada por pruebas de datos. La IA lo ha hecho posible, convirtiendo la intuición en algo medible y repetible.
Hoy en día, los ojeadores no se limitan a describir a los jugadores, sino que los “validan” con métricas como los puntos AI, la consistencia de las tendencias y la adecuación a los roles. No ha sustituido a la experiencia humana, la ha mejorado, dando estructura a lo que antes era instinto.”
-¿Qué tipos de datos considera que son los indicadores más fiables del rendimiento futuro de un jugador?
“Los datos más fiables son los que explican patrones, no momentos. En Comparisonator, hemos aprendido que la tendencia a la regularidad, la eficacia en la toma de decisiones y la repetibilidad física de un jugador son indicadores más sólidos del rendimiento futuro que los momentos destacados individuales.
“También nos basamos en gran medida en los puntos de aptitud de la IA para medir lo sostenible que es el rendimiento de un jugador a lo largo del tiempo, no sólo lo bueno que fue una vez. Cuando esto se combina con el rendimiento ajustado al contexto y la adecuación al rol, se empieza a ver el verdadero futuro de un jugador, no sólo su pasado.”
-¿Cómo puede la IA ayudar a los clubes a reducir el riesgo cuando invierten en jugadores de mercados menos conocidos o infravalorados?
“La inteligencia artificial permite a los clubes sustituir las suposiciones por pruebas. Cuando se hace un seguimiento de jugadores de mercados menos conocidos o infravalorados, el mayor riesgo es la incoherencia de los datos: ligas diferentes, estilos de juego distintos y lagunas en el contexto hacen que la comparación sea casi imposible.
Ahí es donde entra en juego la IA. A través de plataformas como Comparisonator, la IA normaliza y traduce el rendimiento de cada jugador a un lenguaje futbolístico universal, de modo que un lateral de la liga USL puede compararse eficazmente con uno de la Pro League belga.
Los modelos de IA evalúan no sólo las estadísticas, sino también la dificultad contextual, como la fuerza de la liga, la calidad del equipo y el entorno táctico. Este proceso convierte a jugadores desconocidos en perfiles cuantificables. Los clubes pueden ver cómo se comportarían teóricamente las métricas de un jugador si jugara en un entorno más exigente: es lo que yo llamo tecnología de “transferencia virtual”.
Ayuda a los equipos de contratación a simular el riesgo antes de fichar, utilizando modelos predictivos en lugar de la intuición. En resumen, la IA no sustituye al ojeador humano, sino que lo mejora, permitiendo a los ojeadores tomar decisiones más rápidas, seguras e informadas, especialmente en mercados en los que el ojeo tradicional es limitado o sesgado.”
-Cuando los clubes utilizan Comparisonator, ¿qué puntos de datos o métricas priorizan durante la exploración?
“Cada club utiliza los datos de forma diferente, pero la principal prioridad es la claridad, entender por qué rinde un jugador, no sólo cuánto rinde. Al utilizar el Comparisonator, los entrenadores y los ojeadores suelen empezar con métricas basadas en las funciones más que en los números brutos.
Por ejemplo, en lugar de preguntarse simplemente “¿quién tiene más placajes?”, se preguntan: “¿quién rinde como lateral defensivo?” o “¿quién encaja en el perfil de un centrocampista de área?”.
Por eso, la plataforma de Comparisonator convierte más de 700 parámetros estadísticos en puntos de inteligencia artificial e índices específicos de cada función, lo que permite a los usuarios evaluar a los jugadores en función de su posición funcional dentro de un sistema.
Los clubes dan prioridad a indicadores como:
- Puntos AI (Índice de Rendimiento Global)
- Puntos de aptitud física AI (Índice de eficiencia física)
- Ajuste del rol posicional %
- Curvas de consistencia y tendencia
- Dificultad de la liga y ajuste del contexto del equipo
Estas métricas permiten a los clubes ver la eficacia real de un jugador, no sólo cuántos pases o entradas ha realizado. Las áreas más utilizadas son los módulos Jugador contra Jugador y la función Transferencias Virtuales”.
-¿Cómo se normalizan los datos entre ligas de diferente capacidad y hasta qué punto es fiable esta normalización para predecir la adaptación de un jugador?
“Este es uno de los mayores retos de la analítica futbolística, comparar jugadores de ligas que operan a niveles completamente diferentes. La plataforma Comparisonator utiliza un motor de normalización basado en la IA que ajusta el rendimiento de cada jugador en función de la dificultad de la liga, la fuerza del equipo y la calidad de la oposición.
Con el tiempo, los modelos de aprendizaje automático aprenden de miles de transferencias y resultados, mejorando continuamente las ponderaciones. El resultado no es teórico, es predictivo”.
-¿Cómo se asegura de que sus modelos de IA evitan los sesgos derivados de la fuerza de la liga, el estilo de juego de los equipos o la escasez de datos?
“El sesgo es el enemigo silencioso de los datos futbolísticos. Para minimizarlo, los modelos de IA de Comparisonator se entrenan en conjuntos de datos de varias ligas y temporadas. Todo se normaliza mediante una ponderación contextual: la fuerza de la liga, el estilo del equipo, el índice de posesión, el nivel de la oposición.
Cuando hay escasez de datos, el modelo cambia a la predicción basada en tendencias en lugar de crear conclusiones incorrectas”.
-¿Cómo se validan las predicciones basadas en la IA frente a los resultados reales de rendimiento?
“La validación es donde la tecnología se encuentra con la realidad. En Comparisonator, cada predicción de la IA se comprueba con el rendimiento real tras los traspasos. Hacemos un seguimiento de cómo se adaptan realmente los jugadores, comparando los puntos predichos por la IA antes del traspaso con sus resultados después del mismo.
Este bucle de retroalimentación permite al modelo autocorregirse, aprendiendo qué variables son realmente importantes para ajustar el rendimiento.”
Pulse aquí para leer la entrevista original: https://www.sport24.gr/football/aftoi-einai-oi-nearoi-ellines-podosfairistes-pou-xexorizoun/
