Um dos jornalistas esportivos mais lidos e seguidos da Grécia, Vasilis Sambrakos, entrevistou o CEO da Comparisonator, Tarkan Batgün, e a entrevista foi publicada no Sport24. Aqui estão algumas das principais manchetes:
Vasilis Sambrakos conversa com o fundador da plataforma de scouting Comparisonator, Tarkan Batgün, sobre a revolução que a análise de dados e a tecnologia de IA trouxeram para a forma como os clubes de futebol fazem transferências.
Tarkan Batgün é uma figura reconhecida no campo do olheiro moderno e da análise de desempenho.
Com mais de vinte anos de experiência em quatro continentes, ele trabalhou como Diretor de Escotismo e Chefe de Análise de Desempenho em clubes profissionais, lecionou em federações e organizações educacionais e atualmente é o CEO da plataforma Comparisonator, uma das ferramentas mais avançadas do mundo para avaliar e comparar jogadores de futebol por meio de dados e IA.
Sua carreira o levou ao centro do debate internacional sobre o futuro do scouting, pois ele combina conhecimento de futebol, experiência tecnológica e uma profunda compreensão das diferenças entre os mercados, da Europa e Turquia à Austrália e EUA. Com esse histórico, ele é um dos interlocutores mais competentes sobre como o futebol está evoluindo na era do big data e da Inteligência Artificial.
Em nossa conversa, Batgün se refere aos jovens jogadores de futebol gregos que jogam fora da Grécia e se destacam atualmente. E ele explica como o olheiro moderno está sendo transformado pela tecnologia digital, pela tomada de decisões orientada por dados e pelos modelos de IA que agora estão mudando a maneira como as equipes identificam, avaliam e preveem talentos.
-O senhor trabalhou com análise de futebol e scouting em diferentes continentes, da Austrália à Turquia e à Europa. Como essa experiência internacional moldou a maneira como o senhor aborda os dados e a identificação de talentos atualmente?
“Trabalhar com futebol em quatro continentes me ensinou uma verdade fundamental: os dados não significam nada sem o contexto cultural. Um jogador na Austrália, Turquia ou Bélgica pode apresentar os mesmos números, mas o ambiente, o ritmo da liga e a cultura tática mudam completamente o significado desses números.
Meu tempo na Austrália me ajudou a entender a sistematização e a tecnologia; na Turquia, concentrei-me no desenvolvimento de jogadores e no lado humano do scouting; e na Europa, aprendi a alinhar esses dois mundos. É por isso que, no Comparisonator, nossa IA não faz apenas cálculos, ela se adapta à “linguagem” do futebol de cada país.
Esse equilíbrio entre a compreensão local e a comparação internacional é o que torna nossa tecnologia útil globalmente e o que me mantém apaixonado por construir pontes entre culturas de futebol por meio de dados.”
-O senhor já falou em eventos globais e fóruns de futebol, coordenou diversos painéis sobre dados, IA e scouting em Milão, Londres, Barcelona, Sérvia, Austrália e Turquia, e prestou consultoria a clubes e federações. O que o senhor acha que lhe trouxe esse nível de respeito e reconhecimento internacional na comunidade do futebol?
“O respeito no futebol não vem de títulos – vem de consistência e dedicação. Por mais de duas décadas, trabalhei para conectar três mundos que raramente falam a mesma língua: futebol, academia e tecnologia.
Desde a criação do primeiro modelo de Laboratório de Escotismo até a colaboração como consultor com empresas internacionais de dados, como Wyscout, Sportstec, Hudl e SoccerLab, sempre tentei criar sistemas que pudessem ir além dos indivíduos. Quando falo em fóruns internacionais – seja no Social Football Summit em Roma, na DealDone Sérvia ou no Hungarian Football Forum – meu objetivo não é “vender” tecnologia.
Trata-se de compartilhar conhecimento real sobre futebol traduzido em dados e lógica de IA. As pessoas neste espaço apreciam isso, porque sabem que vem do trabalho tanto no campo quanto atrás da tela. No final das contas, o futebol é uma linguagem universal. Minha missão era garantir que os dados falassem isso fluentemente.”
-Que jovens gregos se destacariam se alguém estivesse procurando por jovens jogadores de futebol que competem em campeonatos longe da Grécia?
“Eu uso o módulo Comparisonator Recruitment Shop para identificar jovens jogadores que estão entrando em ligas sub-17 a sub-19 ou profissionais em qualquer lugar do mundo por meio do AI Player Finder.
Quando insiro uma categoria de idade e o filtro de nacionalidade e passaporte – por exemplo, Grécia neste caso – o sistema exibe automaticamente uma lista de jogadores em cada posição que têm passaporte grego, juntamente com estatísticas selecionadas para encontrar o talento certo.
Pessoalmente, acompanho muitos desses jovens jogadores gregos em todo o mundo. Alguns nomes particularmente interessantes são:
- Theofanis Bakoulas (2005) – Rio Ave (Portugal)
- Theodoros Sakoufakis (2007) – Union Berlin U19 (Alemanha)
- Christos Kostoglou (2009) – Dortmund U17 (Alemanha)
- Andreas Poulopoulos (2009) – Werder Bremen U17 (Alemanha)
- Alexandros Zaverdinos (2007) – Sydney FC (Austrália)
- Grigoris Politikis (2006) – Torino U20 (Itália)
- Philippos Tsapipis (2008) – Horsens U19 (Dinamarca)
Também acompanho vários jogadores notáveis do sub-23 de origem grega, como o senhor:
- Nektarios Triantis (2003) – Minnesota United (EUA)
- Michalis Kosidis (2002) – Zagleby Lubin (Polônia)
- Aidy Jaiko (2002) – Cherkasy (Ucrânia)”
-Da perspectiva do senhor, qual foi a maior mudança no scouting de futebol nos últimos cinco anos devido aos dados e à IA?
“A maior mudança é a passagem do julgamento para a justificativa. Há cinco anos, o scouting era baseado principalmente em opiniões. Agora, cada observação deve ser apoiada por evidências de dados. A IA tornou isso possível, transformando a intuição em algo mensurável e repetível.
Hoje em dia, os olheiros não apenas descrevem os jogadores; eles os “validam” com métricas como pontos de IA, consistência de tendências e adequação de funções. Isso não substituiu a experiência humana, mas a aprimorou, dando estrutura ao que antes era instinto.”
-Que tipos de dados o senhor considera serem os indicadores mais confiáveis do desempenho futuro de um jogador?
“Os dados mais confiáveis são aqueles que explicam padrões, não momentos. No Comparisonator, aprendemos que a tendência de consistência de um jogador, a eficiência na tomada de decisões e a repetibilidade física são indicadores mais fortes do desempenho futuro do que os destaques individuais.
“Também dependemos muito dos AI Fitness Points para medir a sustentabilidade do desempenho de um jogador ao longo do tempo, e não apenas o quanto ele foi bom no passado. Quando isso é combinado com o desempenho ajustado ao contexto e a adequação à função, o senhor começa a ver o verdadeiro futuro de um jogador, não apenas o seu passado.”
-Como a IA pode ajudar os clubes a reduzir o risco ao investir em jogadores de mercados menos conhecidos ou subvalorizados?
“A Inteligência Artificial permite que os clubes substituam as suposições por evidências. Ao monitorar jogadores de mercados menos conhecidos ou subvalorizados, o maior risco é a inconsistência dos dados – ligas diferentes, estilos de jogo diferentes e lacunas no contexto tornam a comparação quase impossível.
É aí que entra a IA. Por meio de plataformas como o Comparisonator, a IA normaliza e traduz o desempenho de cada jogador em uma linguagem universal de futebol, de modo que um lateral da Liga USL possa ser comparado de forma eficaz a um da Liga Profissional Belga.
Os modelos de IA avaliam não apenas as estatísticas, mas também a dificuldade contextual, como a força da liga, a qualidade da equipe e o ambiente tático. Esse processo transforma jogadores desconhecidos em perfis quantificáveis. Os clubes podem ver como as métricas de um jogador se comportariam teoricamente se ele estivesse jogando em um ambiente mais exigente – isso é o que chamo de tecnologia de “Transferência Virtual”.
Ela ajuda as equipes de recrutamento a simular o risco antes da contratação, usando modelagem preditiva em vez de intuição. Em resumo, a IA não substitui o olheiro humano, mas o aprimora, permitindo que os olheiros tomem decisões mais rápidas, seguras e informadas, especialmente em mercados onde o olheiro tradicional é limitado ou tendencioso.”
-Quando os clubes usam o Comparisonator, quais pontos de dados ou métricas eles priorizam durante o reconhecimento?
“Cada clube usa os dados de forma diferente, mas a principal prioridade é a clareza, entendendo por que um jogador está atuando, e não apenas o quanto ele está atuando. Ao usar o Comparisonator, os técnicos e olheiros geralmente começam com métricas baseadas em funções em vez de números brutos.
Por exemplo, em vez de simplesmente perguntar “quem tem mais desarmes”, eles perguntam: “quem atua como lateral defensivo?” ou “quem se encaixa no perfil de um meio-campista box-to-box?”.
É por isso que a plataforma do Comparisonator converte mais de 700 parâmetros estatísticos em pontos de IA e índices específicos de função, permitindo que os usuários avaliem os jogadores com base em sua posição funcional dentro de um sistema.
Os clubes priorizam indicadores como:
- Pontos AI (Índice de Desempenho Geral)
- AI Fitness Points (Índice de Eficiência Física)
- Ajuste da função posicional %
- Curvas de consistência e tendência
- Ajuste da dificuldade da liga e do contexto da equipe
Essas métricas permitem que os clubes vejam a eficiência real de um jogador, não apenas quantos passes ou desarmes ele fez. As áreas mais usadas são os módulos Player vs Player e o recurso Virtual Transfer.”
-Como o senhor normaliza os dados entre ligas de diferentes capacidades e qual é a confiabilidade dessa normalização para prever a adaptação de um jogador?
“Esse é um dos maiores desafios da análise de futebol, comparar jogadores de ligas que operam em níveis completamente diferentes. A plataforma Comparisonator usa um mecanismo de normalização orientado por IA que ajusta o desempenho de cada jogador de acordo com a dificuldade da liga, a força da equipe e a qualidade da oposição.
Com o tempo, os modelos de aprendizado de máquina aprendem com milhares de transferências e resultados, melhorando continuamente as ponderações. O resultado não é teórico, é preditivo”.
-Como o senhor garante que seus modelos de IA evitem vieses resultantes da força da liga, do estilo de jogo da equipe ou da escassez de dados?
“O viés é o inimigo silencioso dos dados do futebol. Para minimizá-lo, os modelos de IA do Comparisonator são treinados em conjuntos de dados de várias ligas e várias temporadas. Tudo é normalizado por meio de ponderação contextual – força da liga, estilo da equipe, taxa de posse de bola, nível de oposição.
Quando há escassez de dados, o modelo muda para a previsão baseada em tendências em vez de criar conclusões incorretas.”
-Como o senhor valida as previsões baseadas em IA em relação aos resultados reais de desempenho?
“A validação é onde a tecnologia encontra a realidade. No Comparisonator, cada previsão de IA é testada em relação ao desempenho real após as transferências. Acompanhamos como os jogadores realmente se adaptam, comparando os pontos de IA previstos antes da transferência com seus resultados após a transferência.
Esse ciclo de feedback permite que o modelo se autocorrija, aprendendo quais variáveis são realmente importantes para o ajuste do desempenho.”
Clique aqui para ler a entrevista original: https://www.sport24.gr/football/aftoi-einai-oi-nearoi-ellines-podosfairistes-pou-xexorizoun/
