Vasilis Sambrakos, l’un des journalistes sportifs les plus lus et les plus suivis de Grèce, a interviewé le PDG de Comparisonator, Tarkan Batgün, et l’entretien a été publié sur Sport24. Voici quelques-uns des principaux titres :
Vasilis Sambrakos discute avec le fondateur de la plateforme de scouting Comparisonator, Tarkan Batgün, de la révolution que l’analyse des données et la technologie de l’IA ont apportée à la façon dont les clubs de football réalisent des transferts.
Tarkan Batgün est une figure emblématique du scoutisme moderne et de l’analyse des performances.
Avec plus de vingt ans d’expérience sur quatre continents, il a travaillé comme directeur du scoutisme et responsable de l’analyse des performances dans des clubs professionnels, a enseigné dans des fédérations et des organisations éducatives, et est actuellement le PDG de la plateforme Comparisonator , l’un des outils les plus avancés au monde pour évaluer et comparer les joueurs de football grâce aux données et à l’IA.
Sa carrière l’a amené au centre du débat international sur l’avenir du scoutisme, car il combine la connaissance du football, l’expertise technologique et une compréhension profonde des différences entre les marchés, de l’Europe à la Turquie en passant par l’Australie et les États-Unis. Grâce à cette expérience, il est l’un des interlocuteurs les plus autorisés sur la façon dont le football évolue à l’ère du big data et de l’intelligence artificielle.
Dans notre discussion, Batgün fait référence aux jeunes footballeurs grecs qui jouent en dehors de la Grèce et se distinguent aujourd’hui. Et il explique comment le scouting moderne est transformé par la technologie numérique, la prise de décision basée sur les données et les modèles d’IA qui changent désormais la façon dont les équipes identifient, évaluent et prédisent les talents.
-Vous avez travaillé dans le domaine de l’analyse du football et du scouting sur différents continents, de l’Australie à la Turquie en passant par l’Europe. Comment cette expérience internationale a-t-elle façonné votre approche des données et de l’identification des talents aujourd’hui ?
“Travailler dans le football sur quatre continents m’a appris une vérité fondamentale : les données ne signifient rien sans contexte culturel. Un joueur en Australie, en Turquie ou en Belgique peut afficher les mêmes chiffres, mais l’environnement, le rythme du championnat et la culture tactique changent complètement la signification de ces chiffres.
Mon séjour en Australie m’a aidé à comprendre la systématisation et la technologie ; en Turquie, je me suis concentré sur le développement des joueurs et le côté humain du scouting ; et en Europe, j’ai appris à aligner ces deux mondes. C’est pourquoi, chez Comparisonator, notre IA ne se contente pas de faire des calculs, elle s’adapte à la “langue” du football de chaque pays.
Cet équilibre entre la compréhension locale et la comparaison internationale est ce qui rend notre technologie utile à l’échelle mondiale et ce qui entretient ma passion pour la construction de ponts entre les cultures du football grâce aux données.”
-Vous avez pris la parole lors d’événements mondiaux et de forums sur le football, coordonné de nombreux panels sur les données, l’IA et le scouting, de Milan, Londres et Barcelone à la Serbie, l’Australie et la Turquie, et conseillé à la fois des clubs et des fédérations. Selon vous, qu’est-ce qui vous a permis d’atteindre ce niveau de respect international et de reconnaissance dans la communauté du football ?
“Dans le football, le respect ne vient pas des titres, mais de la constance et du dévouement. Depuis plus de vingt ans, je m’efforce de relier trois mondes qui parlent rarement la même langue : le football, le monde universitaire et la technologie.
De la création du premier modèle de laboratoire de scoutisme à la collaboration en tant que consultant avec des entreprises internationales de données telles que Wyscout, Sportstec, Hudl, SoccerLab, j’ai toujours essayé de construire des systèmes qui peuvent résister au-delà des individus. Lorsque j’interviens dans des forums internationaux – que ce soit au Social Football Summit à Rome, à DealDone Serbia ou au Hungarian Football Forum – mon objectif n’est pas de “vendre” de la technologie.
Il s’agit de partager de vraies connaissances footballistiques traduites en données et en logique d’IA. Les gens de cet espace apprécient cela, car ils savent que cela provient du travail effectué sur le terrain et derrière l’écran. En fin de compte, le football est un langage universel. Ma mission était de m’assurer que les données le parlaient couramment”.
-Quels sont les jeunes Grecs qui se distingueraient si l’on cherchait des jeunes footballeurs participant à des championnats loin de la Grèce ?
” J’utilise le module Boutique de recrutement de Comparisonator pour identifier les jeunes joueurs entrant dans les ligues U17-U19 ou professionnelles partout dans le monde via le AI Player Finder.
Une fois que j’ai saisi une catégorie d’âge et le filtre de nationalité et de passeport – par exemple, la Grèce dans ce cas – le système affiche automatiquement une liste de joueurs à chaque poste qui ont un passeport grec, ainsi que des statistiques sélectionnées pour trouver le bon talent.
Je suis personnellement beaucoup de ces jeunes joueurs grecs dans le monde entier. Voici quelques noms particulièrement intéressants :
- Theofanis Bakoulas (2005) – Rio Ave (Portugal)
- Theodoros Sakoufakis (2007) – Union Berlin U19 (Allemagne)
- Christos Kostoglou (2009) – Dortmund U17 (Allemagne)
- Andreas Poulopoulos (2009) – Werder Bremen U17 (Allemagne)
- Alexandros Zaverdinos (2007) – Sydney FC (Australie)
- Grigoris Politikis (2006) – Torino U20 (Italie)
- Philippos Tsapipis (2008) – Horsens U19 (Danemark)
Je suis également plusieurs joueurs de moins de 23 ans d’origine grecque, comme par exemple :
- Nektarios Triantis (2003) – Minnesota United (USA)
- Michalis Kosidis (2002) – Zagleby Lubin (Pologne)
- Aidy Jaiko (2002) – Cherkasy (Ukraine)”
-De votre point de vue, quel est le plus grand changement dans le scouting footballistique au cours des cinq dernières années grâce aux données et à l’IA ?
“Le changement le plus important est le passage du jugement à la justification. Il y a cinq ans, le scoutisme était principalement basé sur des opinions. Aujourd’hui, chaque observation doit être étayée par des données. L’IA a rendu cela possible, transformant l’intuition en quelque chose de mesurable et de reproductible.
Aujourd’hui, les recruteurs ne se contentent pas de décrire les joueurs, ils les “valident” à l’aide de mesures telles que les points AI, la cohérence des tendances et l’adéquation des rôles. La technologie n’a pas remplacé l’expérience humaine, elle l’a améliorée, en donnant une structure à ce qui était autrefois de l’ordre de l’instinct”.
-Quels sont les types de données que vous considérez comme les indicateurs les plus fiables des performances futures d’un joueur ?
“Les données les plus fiables sont celles qui expliquent des schémas et non des moments. Chez Comparisonator, nous avons appris que la tendance à la régularité d’un joueur, son efficacité décisionnelle et sa répétabilité physique sont des indicateurs plus forts de ses performances futures que les moments forts individuels.
“Nous nous appuyons également sur les points d’aptitude de l’IA pour mesurer la durabilité des performances d’un joueur au fil du temps, et pas seulement sa qualité passée. Si l’on ajoute à cela les performances ajustées au contexte et l’adéquation des rôles, on commence à voir le véritable avenir d’un joueur, et pas seulement son passé.”
Comment l’IA peut-elle aider les clubs à réduire les risques lorsqu’ils investissent dans des joueurs issus de marchés moins connus ou sous-évalués ?
“L’intelligence artificielle permet aux clubs de remplacer les hypothèses par des preuves. Lorsque vous suivez des joueurs issus de marchés moins connus ou sous-évalués, le plus grand risque est l’incohérence des données – des ligues différentes, des styles de jeu différents et des lacunes dans le contexte rendent la comparaison presque impossible.
C’est là que l’IA entre en jeu. Grâce à des plateformes comme Comparisonator, l’IA normalise et traduit les performances de chaque joueur dans un langage footballistique universel, de sorte qu’un arrière latéral de l’USL League peut être efficacement comparé à celui de la Pro League belge.
Les modèles d’IA évaluent non seulement les statistiques, mais aussi les difficultés contextuelles, telles que la force du championnat, la qualité de l’équipe et l’environnement tactique. Ce processus transforme des joueurs inconnus en profils quantifiables. Les clubs peuvent voir comment les métriques d’un joueur se comporteraient théoriquement s’il jouait dans un environnement plus exigeant – c’est ce que j’appelle la technologie du “transfert virtuel”.
Elle aide les équipes de recrutement à simuler les risques avant de signer, en utilisant la modélisation prédictive plutôt que l’intuition. En bref, l’IA ne remplace pas le dépistage humain, mais elle l’améliore, permettant aux recruteurs de prendre des décisions plus rapides, plus sûres et plus éclairées, en particulier sur les marchés où le dépistage traditionnel est limité ou biaisé.”
-Lorsque les clubs utilisent Comparisonator, quels sont les points de données ou les métriques qu’ils privilégient lors du scouting ?
“Chaque club utilise les données différemment, mais la priorité principale est la clarté, comprendre pourquoi un joueur est performant, et pas seulement combien il est performant. Lorsqu’ils utilisent Comparisonator, les entraîneurs et les recruteurs commencent généralement par des métriques basées sur le rôle plutôt que par des chiffres bruts.
Par exemple, au lieu de demander simplement “qui a le plus de plaquages”, ils demandent : “qui se comporte comme un arrière défensif” ou “qui correspond au profil d’un milieu de terrain “Box-to-Box””.
C’est pourquoi la plateforme de Comparisonator convertit plus de 700 paramètres statistiques en points AI et en indices spécifiques à un rôle, permettant aux utilisateurs d’évaluer les joueurs en fonction de leur position fonctionnelle au sein d’un système.
Les clubs donnent la priorité à des indicateurs tels que
- Points AI (Indice de performance globale)
- Points de condition physique AI (Indice d’efficacité physique)
- Ajustement du rôle positionnel %
- Cohérence et courbes de tendance
- Ajustement de la difficulté de la ligue et du contexte de l’équipe
Ces mesures permettent aux clubs de voir l’efficacité réelle d’un joueur, et pas seulement le nombre de passes ou de tacles qu’il a effectués. Les domaines les plus utilisés sont les modules Joueur contre Joueur et la fonction Transfert Virtuel”.
-Comment normaliser les données entre des ligues de capacité différente et quelle est la fiabilité de cette normalisation pour prédire l’adaptation d’un joueur ?
“C’est l’un des plus grands défis de l’analyse du football, comparer des joueurs de ligues qui opèrent à des niveaux complètement différents. La plateforme Comparisonator utilise un moteur de normalisation piloté par l’IA qui ajuste les performances de chaque joueur en fonction de la difficulté du championnat, de la force de l’équipe et de la qualité de l’opposition.
Au fil du temps, les modèles d’apprentissage automatique tirent des enseignements de milliers de transferts et de résultats, améliorant continuellement les pondérations. Le résultat n’est pas théorique, il est prédictif”.
-Comment vous assurer que vos modèles d’intelligence artificielle évitent les biais liés à la force du championnat, au style de jeu de l’équipe ou à la rareté des données ?
“Le biais est l’ennemi silencieux des données footballistiques. Pour le minimiser, les modèles d’IA de Comparisonator sont entraînés sur des ensembles de données multi-championnats et multi-saisons. Tout est normalisé par une pondération contextuelle – force de la ligue, style de l’équipe, taux de possession, niveau de l’opposition.
En cas de pénurie de données, le modèle passe à une prédiction basée sur les tendances au lieu de tirer des conclusions erronées”.
-Comment valider les prévisions basées sur l’IA par rapport aux résultats de performance réels ?
“La validation est l’endroit où la technologie rencontre la réalité. Chez Comparisonator, chaque prédiction de l’IA est testée par rapport à la performance réelle après les transferts. Nous suivons la façon dont les joueurs s’adaptent en comparant les points prédits par l’IA avant le transfert avec leurs résultats après le transfert.
Cette boucle de rétroaction permet au modèle de s’auto-corriger, en apprenant quelles variables sont vraiment importantes pour l’ajustement des performances”.
Cliquez ici pour lire l’interview originale : https://www.sport24.gr/football/aftoi-einai-oi-nearoi-ellines-podosfairistes-pou-xexorizoun/
