Come diventare data analyst nel calcio: cosa comporta davvero il lavoro

Il calcio non è mai stato povero di numeri. Gol, assist, tiri, possesso palla e percentuali di passaggi riusciti fanno parte del gioco da decenni. Quello che è cambiato è la quantità di informazioni a disposizione dei club e il peso che questi dati hanno ormai nel recruitment, nella performance, nella pianificazione della rosa e nelle decisioni dello staff tecnico.

Una partita professionistica può generare migliaia di eventi registrati. A seconda degli strumenti disponibili, un club può anche analizzare dove si trovava ogni giocatore, a quale velocità si muoveva, quali linee di passaggio erano aperte, quanto era compatto un blocco difensivo, dove iniziava a rompersi una pressione o cosa succedeva senza palla prima della creazione di un’occasione. A questo si aggiungono stagioni di dati sui giocatori, video, report di scouting, informazioni sugli allenamenti e test fisici. Il volume diventa rapidamente troppo grande perché un allenatore o uno scout possano gestirlo da soli in modo efficace.

Il compito di un data analyst nel calcio è trasformare tutto questo materiale in qualcosa di utile. Può significare trovare giocatori che corrispondono a un determinato profilo di recruitment, capire perché una squadra sta creando occasioni peggiori, confrontare le richieste fisiche di campionati diversi o verificare se un pattern notato in video si presenta abbastanza spesso da essere davvero rilevante.

La realtà quotidiana del ruolo è in genere meno spettacolare dell’immagine pubblica della football analytics. Un analista non passa ogni giornata a scoprire talenti sottovalutati o a costruire modelli che decidono al posto del club chi acquistare. Gran parte del lavoro consiste nel formulare una domanda sensata, capire quali dati possono aiutare a rispondere, controllarne la qualità e chiarire fino a dove quelle informazioni permettono davvero di arrivare.

Cosa fa davvero un data analyst nel calcio?

Non esiste una sola versione del ruolo. Un analista può lavorare nel recruitment, a stretto contatto con la prima squadra, nell’area performance, nelle scienze motorie, nel settore giovanile o in un dipartimento più ampio di strategia calcistica. Nei grandi club queste aree possono avere analisti, data scientist e data engineer diversi. Nelle strutture più piccole, una sola persona può finire per coprire parti di più ruoli.

Un analyst orientato allo scouting può passare buona parte della settimana confrontando giocatori di campionati diversi, mantenendo strumenti di ricerca, studiando possibili sostituti per un calciatore della rosa o aiutando gli scout a decidere quali profili meritano un’osservazione più approfondita. Chi lavora più vicino alla prima squadra può concentrarsi sulla creazione di occasioni, la costruzione dal basso, il pressing, le transizioni difensive o il prossimo avversario. Un profilo più vicino alle scienze dello sport può occuparsi maggiormente di GPS, carichi di sprint e richieste fisiche.

Per questo i titoli di lavoro possono essere fuorvianti. Due club possono pubblicare una posizione da “Football Data Analyst” e cercare figure molto diverse. Uno può dare grande importanza a Python e SQL. Un altro può richiedere una combinazione di videoanalisi, dashboard e supporto allo scouting. In un terzo club, lo stesso titolo può essere molto più vicino alla performance fisica. Per capire davvero una posizione, le responsabilità contano spesso più del nome del ruolo.

Una buona analisi comincia spesso prima di aprire un notebook o scrivere una query. Comincia dal problema calcistico.

Immaginiamo che un club stia cercando un nuovo terzino sinistro. Sembra una richiesta semplice, finché non si prova a definire il ruolo. Deve restare largo e attaccare la fascia? Entrare dentro al campo in fase di possesso? Difendere grandi spazi alle spalle di un pressing alto? Portare palla sotto pressione? Fare sovrapposizioni continue? Essere in grado di giocare anche da quinto? La velocità di recupero è più importante della qualità del cross?

Queste decisioni determinano cosa vale la pena misurare. Se il profilo è definito male, aggiungere più dati produce spesso solo una versione più complicata della stessa domanda poco chiara.

Quando il ruolo è stato definito, inizia la parte più tecnica. Può essere necessario pulire e unire dati provenienti da provider diversi. Il livello dei campionati può dover essere considerato. Minuti giocati, possesso della squadra e stile di gioco possono distorcere i confronti grezzi. A volte si costruisce un modello; altre volte la risposta arriva da analisi statistiche relativamente semplici, molte verifiche e parecchio tempo speso a capire se il confronto è davvero corretto.

L’ultima parte riguarda la comunicazione. Allenatori e scout non hanno bisogno di leggere il codice dietro un’analisi. Devono capire cosa è stato trovato, quanto ci si può fidare del risultato e cosa vale la pena guardare dopo. A volte serve una dashboard. Altre volte basta un report breve. In alcuni casi, l’output migliore è un solo grafico e cinque minuti di conversazione.

I dati dietro il calcio moderno

“Dati di calcio” non significa una sola cosa. Il tipo più conosciuto sono i dati evento, che registrano le azioni durante una partita: passaggi, tiri, conduzioni, tackle, intercetti, pressioni, duelli, falli e altri eventi. Questi record possono includere anche il punto del campo in cui l’azione è avvenuta, dove è andata la palla, se l’azione è riuscita e altre informazioni sulla situazione.

Gran parte delle analisi oggi più conosciute si basa su questo tipo di dati. Expected goals (xG), expected assists (xA), passaggi progressivi, conduzioni progressive, mappe di tiro, reti di passaggio e ingressi in area dipendono tutti, in qualche forma, da dati evento strutturati.

Il limite è che i dati evento raccontano solo una parte del gioco. Un attaccante può trascinare due difensori con un movimento e liberare spazio per un compagno senza mai toccare il pallone. Un centrocampista può chiudere una linea di passaggio per diversi secondi senza registrare un’azione difensiva. Un centrale può decidere di non giocare dentro perché il ricevitore è marcato stretto; la decisione corretta è proprio non effettuare quel passaggio.

Una parte importante del calcio succede tra un evento registrato e l’altro.

I dati di tracking aggiungono un altro livello registrando ripetutamente la posizione dei giocatori e del pallone durante la gara. In questo modo è possibile studiare ampiezza della squadra, altezza della linea difensiva, movimenti senza palla, distanze tra i giocatori, strutture di pressing e opzioni disponibili per chi ha il possesso. Non si guarda più soltanto se un passaggio è arrivato, ma anche quanto fosse difficile, quanta pressione avesse il giocatore e quali altre soluzioni fossero disponibili.

Poi ci sono i dati fisici. Distanza totale, corsa ad alta intensità, distanza in sprint, velocità massima, accelerazioni e decelerazioni aiutano a descrivere le richieste fisiche di un ruolo. Sono importanti per la performance, ma vengono usati anche nel recruitment. Un giocatore può essere adatto tecnicamente a una squadra e non avere comunque il profilo fisico richiesto per il compito che dovrebbe svolgere.

All’interno di un club, le informazioni possono essere ancora più ampie. Gli analisti possono lavorare con dati GPS, carichi di allenamento, informazioni mediche e sulla disponibilità, valutazioni di scouting, giudizi sul settore giovanile, dati contrattuali e note interne raccolte nel corso di più stagioni.

La difficoltà non sta nell’usare tutto. Sta nel capire quale parte di queste informazioni è davvero utile per la domanda che si sta cercando di risolvere.

Perché il contesto conta più di una lunga lista di metriche

Non serve molto tempo per imparare il vocabolario di base della football analytics. xG, xA, PPDA, field tilt, possession value, passaggi progressivi e decine di metriche proprietarie sono facili da trovare. La parte più difficile è capire quando un numero sta davvero dicendo qualcosa e quando è soprattutto il contesto a spiegare ciò che si vede.

L’expected goals è un buon esempio. Un modello di xG stima la probabilità che un tiro diventi gol usando informazioni come posizione e angolo e, a seconda del modello, altri dettagli della situazione. I provider costruiscono i loro modelli in modo diverso, quindi lo stesso tiro può ricevere valori leggermente differenti.

Il valore dell’xG non sta nel dare un numero decimale a ogni conclusione. Serve a separare la qualità delle occasioni dal risultato finale.

Due attaccanti possono chiudere una stagione con 15 gol. Uno può arrivare regolarmente in ottime posizioni e finalizzare a un livello normale. L’altro può segnare diversi tiri molto difficili partendo da un insieme di occasioni decisamente peggiore. La colonna dei gol dice 15 per entrambi. Quello che c’è dietro può essere molto diverso.

Lo stesso problema esiste con statistiche più semplici. Un difensore centrale con il 94% di passaggi riusciti può essere eccellente nella progressione del pallone oppure può limitarsi per tutta la partita a passaggi corti e a basso rischio. Un esterno con tante conduzioni progressive può essere straordinario nell’uno contro uno oppure giocare in una squadra di transizione che gli offre grandi spazi diverse volte a partita. Un centrocampista con numeri difensivi altissimi può essere dominante senza palla oppure semplicemente giocare in una squadra che passa gran parte della gara a difendere.

I dati per 90 minuti correggono il tempo di gioco, ma non risolvono automaticamente il problema del confronto. Contano il possesso, il punteggio, il ruolo, la forza della squadra, le istruzioni dell’allenatore e il livello del campionato.

Il recente lavoro di recruitment del Manchester City offre un buon esempio. Nel settembre 2026, un approfondimento sul processo del club ha mostrato che City non tratta tutti i terzini come se fossero lo stesso tipo di giocatore. Vengono distinti profili diversi, tra cui terzini più difensivi, giocatori che si muovono dentro al campo e terzini che giocano alti e larghi. La distinzione viene fatta prima del confronto statistico: prima si definisce il ruolo, poi si decide quali dati servono per valutarlo. Il report di BBC Sport sul processo di recruitment del Manchester City.

Questo è molto più vicino alla vera analisi professionistica che mettere due radar chart uno accanto all’altro e decidere quale occupa più spazio.

Come i club usano i dati nel recruitment

Il recruitment è probabilmente l’area in cui si capisce più facilmente perché i club assumono data analyst. Il problema di partenza è enorme. Nessun dipartimento scouting può osservare in profondità tutti i calciatori professionisti di tutte le competizioni potenzialmente interessanti. Bisogna decidere dove spendere tempo e attenzione.

I dati sono uno dei filtri utilizzati per restringere la ricerca.

L’esempio del Manchester City mostra bene la scala. Secondo il report pubblicato nel 2026 sul suo funzionamento, il club parte da un database di circa 650.000 giocatori. Una volta definito il profilo cercato, i filtri analitici possono ridurre quel bacino a una longlist di circa 20-50 nomi. Da lì, i risultati vengono confrontati con il lavoro degli scout e la lista viene ulteriormente ridotta prima di passare a valutazioni più approfondite. BBC Sport.

Il numero colpisce, ma l’ordine del processo conta di più. Perché i filtri abbiano senso, qualcuno deve prima definire che tipo di giocatore sta cercando il club. E anche dopo, i dati non prendono la decisione finale. Hugo Viana, direttore sportivo del City, ha sottolineato nello stesso report che le informazioni quantitative sono solo una parte del processo, perché non possono descrivere completamente elementi come carattere, mentalità e comportamento.

Un altro esempio è emerso nel documentario del club A Beautiful Obsession. Nel lavoro per trovare un giocatore in grado di assumere parte delle responsabilità creative di Kevin De Bruyne, gli analisti del City spiegano di aver misurato 43 metriche, di averle ridotte a sette valori e di aver utilizzato queste dimensioni per raggruppare profili simili. Rayan Cherki compare nella discussione come un giocatore che potrebbe evolvere verso un profilo simile a quello di De Bruyne, e il City lo ha poi acquistato. Pagina ufficiale del Manchester City su A Beautiful Obsession.

La parte interessante dell’esempio non è provare a indovinare il modello esatto usato dal club. Non conosciamo le 43 variabili, i loro pesi o tutti i dettagli del metodo. Quello che mostra bene è quanto lavoro ci sia prima che una ricerca per similarità possa avere davvero senso.

“Trovare il prossimo Kevin De Bruyne” non è una domanda analitica utilizzabile così com’è. Quali parti del suo gioco il club vuole sostituire? Creazione di occasioni? Passaggi nell’ultimo terzo? Progressione del pallone? Conduzione? Pericolosità al tiro? Zone di ricezione? Capacità di giocare sotto pressione? Quanto peso deve avere ciascun aspetto?

L’analista aiuta a trasformare una descrizione calcistica in criteri misurabili. La shortlist arriva dopo.

Per questo è meglio non immaginare la recruitment analytics come un sistema automatico di trasferimenti. Il suo valore sta spesso nel ridurre una ricerca impossibile a un gruppo di giocatori che scout e responsabili dell’area sportiva possono analizzare seriamente.

Performance, tattica e analisi dell’avversario

Non tutti i data analyst nel calcio lavorano sui trasferimenti. Alcuni passano gran parte del tempo sui problemi che una squadra affronta settimana dopo settimana.

Immaginiamo una squadra che comincia a creare meno occasioni. Le statistiche più evidenti possono mostrare che il numero di tiri è sceso, ma questo non spiega perché. L’analista può studiare quanto spesso la squadra raggiunge l’ultimo terzo, attraverso quali zone lo fa, se i centrocampisti chiave ricevono sotto maggiore pressione, se i terzini avanzano meno con il pallone o se gli avversari hanno cambiato il modo in cui difendono la costruzione.

Un problema difensivo può richiedere domande completamente diverse. Quanto spesso viene superata la prima linea di pressione? Cosa succede subito dopo? Il centrocampo arriva in ritardo sulle seconde palle? Gli avversari trovano sempre lo stesso spazio? La linea difensiva si è abbassata nell’ultimo mese?

Questo tipo di lavoro tende a essere più efficace quando dati e video vengono usati insieme. Il video può suggerire l’esistenza di un pattern; i dati possono mostrare se quel pattern si ripete abbastanza spesso da meritare attenzione. Vale anche il contrario: un numero insolito può indicare esattamente cosa cercare nelle immagini.

L’analisi dell’avversario segue la stessa logica. Allo staff tecnico serve poco ricevere tutte le statistiche disponibili sul prossimo avversario. Le domande utili sono più strette. Come costruisce dal rinvio dal fondo? Quale giocatore diventa importante quando viene pressato? Preferisce un lato per uscire dalla propria metà campo? In quali zone perde più palloni? Quali situazioni generano le occasioni migliori?

Qui c’è una sovrapposizione evidente con la performance analysis. Tradizionalmente, i performance analyst hanno lavorato più da vicino con video, codifica delle partite e presentazioni tattiche, mentre i data analyst si sono concentrati maggiormente su dati strutturati, statistica e modelli. Nei club moderni, il confine è spesso molto meno netto. Entrambi i profili devono capire abbastanza il lavoro dell’altro per collaborare bene.

La parte tecnica del lavoro

Il soggetto è il calcio, ma resta una professione legata ai dati.

SQL è importante perché club e aziende di dati conservano grandi quantità di informazioni in database. Un analista deve saper trovare i record giusti, unire tabelle, filtrare dati e scrivere query ripetibili senza dover ricostruire lo stesso processo a mano ogni settimana.

Python è molto comune nella football analytics e nella data science. Anche R ha una comunità forte nel settore. Entrambi possono essere usati per pulire i dati, automatizzare attività, fare analisi statistiche, costruire modelli e creare visualizzazioni. Accumulare linguaggi di programmazione nel CV serve poco; saperne usare uno bene su dati reali e disordinati è molto più utile.

Anche Excel continua a far parte del lavoro. Controlli rapidi, liste di scouting e richieste una tantum finiscono ancora spesso nei fogli di calcolo. Power BI e Tableau vengono utilizzati quando un club vuole dashboard che possano essere consultate da allenatori, scout o dirigenti senza toccare il codice sottostante.

Una parte importante del lavoro è molto meno elegante del grafico finale. Bisogna riconciliare i nomi dei giocatori tra provider diversi. Le competizioni cambiano nome. Alcuni record mancano. Un fornitore modifica un campo e una query che funzionava ieri smette di funzionare oggi. Compaiono duplicati. Qualcuno scopre che una dashboard usa il filtro sbagliato da una settimana.

Sono normali problemi di dati. Il calcio li ha esattamente come qualsiasi altro settore.

La statistica conta per lo stesso motivo. Un analista dovrebbe essere a proprio agio con medie, distribuzioni, varianza, percentili, probabilità, correlazioni, dimensione del campione e incertezza. Il calcio produce continuamente campioni piccoli e risultati rumorosi. Un giocatore può avere sei settimane eccezionali che dicono pochissimo sui due anni successivi. Una squadra può giocare bene e perdere. Una metrica sottostante può essere utile senza rappresentare perfettamente la realtà.

Il lavoro più avanzato può includere regressione, classificazione, clustering, riduzione della dimensionalità o machine learning. Anche la computer vision ha ampliato il settore, permettendo di estrarre informazioni posizionali dai video.

Niente di tutto questo rende automaticamente migliore un metodo complesso. Un’analisi semplice che risponde chiaramente alla domanda è più utile di un modello avanzato costruito soltanto perché l’analista voleva usare una tecnica sofisticata.

Quanto bisogna capire di calcio?

Abbastanza da accorgersi quando i dati stanno perdendo il punto.

Non è necessario aver giocato a livello professionistico o aver allenato, ma interpretare bene i dati senza capire il gioco è difficile. Il contesto tattico cambia continuamente i numeri. Le statistiche di un esterno possono migliorare perché è cambiato il suo ruolo, non perché il giocatore sia migliorato. Un centrocampista può sembrare meno progressivo dopo il trasferimento in una squadra più forte perché un compagno ha assunto maggiore responsabilità nella progressione del pallone. Un centrale può registrare meno azioni difensive semplicemente perché la sua squadra domina molto di più il possesso.

I numeri, da soli, non spiegano queste differenze.

Vale anche il contrario. Si può capire molto bene il calcio e non avere comunque le competenze tecniche o statistiche necessarie per lavorare con i dati. La conoscenza tattica non insegna SQL. Aver visto migliaia di partite non rende automaticamente competenti in probabilità, campioni o data cleaning.

Si può arrivare in questo settore da entrambe le direzioni. Alcuni partono dal calcio e costruiscono in seguito la parte tecnica. Altri arrivano da matematica, informatica, ingegneria, economia, finanza o altri settori molto orientati ai dati e devono sviluppare la propria comprensione del gioco.

Per chi arriva da fuori, guardare le partite insieme ai dati è una delle abitudini più utili. Se un giocatore appare insolito nei numeri, va guardato. Se due calciatori sembrano quasi identici statisticamente, conviene vederli entrambi e capire dove finisce la somiglianza. Se una metrica cambia bruscamente dopo un trasferimento o un cambio di allenatore, vale la pena tornare alle partite.

Con il tempo si impara a capire quali parti del gioco vengono catturate bene dai dati e quali richiedono più cautela.

Serve una laurea e come si comincia?

Non esiste un solo percorso accademico per diventare data analyst nel calcio. Statistica, matematica, informatica, data science, ingegneria ed economia possono offrire ottime basi. Anche profili provenienti da scienze motorie e performance analysis entrano in ruoli legati ai dati, soprattutto quando aggiungono programmazione e statistica alla propria conoscenza calcistica.

Alcuni datori di lavoro richiedono esplicitamente una laurea pertinente. Altri guardano soprattutto a ciò che una persona sa fare in pratica. Sai lavorare con un dataset grande? Scrivere codice pulito e riproducibile? Capire davvero i concetti statistici di base? Spiegare perché hai scelto una certa metrica? La tua analisi continua ad avere senso quando qualcuno guarda la partita?

I ruoli di data science più orientati alla ricerca possono dare più peso a master o percorsi post-laurea, ma la football analytics non ha una sola strada accademica.

È anche uno dei pochi ambiti del calcio professionistico in cui si può costruire un lavoro credibile prima di avere accesso ai sistemi interni di un club. I dataset pubblici lo rendono possibile. Hudl Statsbomb, per esempio, pubblica dati evento aperti per diverse competizioni e mette a disposizione risorse per lavorarci con Python e R. StatsBomb Open Data.

Un portfolio non deve essere enorme. Un solo progetto ben costruito può dire molto di più di dieci radar di giocatori quasi identici.

È meglio partire da una domanda di calcio, non da una visualizzazione. Quali centrocampisti fanno progredire il pallone in un certo modo? La creazione di occasioni di una squadra è cambiata dopo un cambio di allenatore? Quali attaccanti arrivano con continuità in posizioni di tiro di alta qualità? Come cercheresti giocatori adatti a un ruolo tattico molto specifico?

Poi bisogna mostrare il ragionamento. Spiegare perché è stata scelta la domanda, cosa coprono i dati e cosa lasciano fuori, perché sono state selezionate certe metriche e come sono stati controllati i risultati strani. Se possibile, tornare al video. Se l’analisi ha dei limiti, bisogna dirlo.

Questo è molto più vicino al tipo di lavoro che serve a un club rispetto a mostrare soltanto un grafico ben fatto.

Pubblicare il proprio lavoro può aiutare. Un sito personale, un repository GitHub o un’analisi ben scritta danno a chi seleziona qualcosa di concreto da valutare. Offrono anche alle persone del settore una base reale per discutere con te. Sapere Python è utile; mostrare come lo usi per ragionare su un problema di calcio dice molto di più.

Com’è davvero lavorare con i dati nel calcio?

Non tutte le settimane sono dedicate alla ricerca del prossimo acquisto.

Ci sono pulizia dei dati, richieste urgenti, dashboard da modificare, query che smettono di funzionare e analisi che non portano a nulla. Si possono passare ore dietro a un pattern interessante e scoprire poi che scompare correggendo un solo errore nei dati. A volte, dopo diverse ore di lavoro, la conclusione è semplicemente che non ci sono abbastanza evidenze per dire qualcosa con sicurezza.

Anche questo è un risultato utile.

Le decisioni intorno al lavoro possono comunque avere un peso enorme. Un’analisi di recruitment può entrare in una discussione su un trasferimento da milioni. Un report per la prima squadra può arrivare allo staff poco prima di una partita. Un errore non individuato può restare nel sistema abbastanza a lungo da influenzare una conversazione in cui non avrebbe mai dovuto entrare.

Gli orari dipendono molto da dove si trova il ruolo. Le posizioni vicine alla prima squadra possono includere sere, weekend e giorni di gara. I dipartimenti di recruitment hanno picchi evidenti durante le finestre di mercato. I ruoli presso provider di dati o aziende di sport technology possono assomigliare di più a normali lavori tecnici.

Anche gli stipendi variano molto. Una persona forte in SQL, Python e statistica può guadagnare parecchio di più nella finanza, nella tecnologia o in altri settori commerciali. Il calcio attira tantissimi candidati e non sempre è il settore che paga meglio questo tipo di competenze.

Il fascino sta altrove. Il lavoro può essere molto vicino a decisioni calcistiche reali. Un’analisi può cambiare quale giocatore uno scout decide di osservare dopo, mettere in discussione un’idea ormai accettata all’interno del recruitment o aiutare lo staff tecnico a capire meglio qualcosa che vede da settimane sul campo.

Le competenze restano utili anche fuori dal calcio. SQL, Python, statistica, visualizzazione e data engineering continuano ad avere valore se il lavoro successivo è in un altro club, in una federazione, presso un provider di dati, in un’azienda di sport technology o in un settore completamente diverso.

Con l’esperienza, un buon analista sviluppa anche il senso di cosa non vale la pena analizzare. Capisce quando due giocatori non dovrebbero essere confrontati direttamente, quando un campione è troppo piccolo e quando una metrica sta descrivendo più la squadra che il singolo giocatore. Controlla i risultati che sembrano troppo puliti. Se l’evidenza è debole, lo dice.

I club moderni possono raccogliere molte più informazioni di quante ne servano per una singola decisione. Il lavoro non consiste nel mettere tutto nella risposta, ma nel capire cosa merita davvero di esserci.

Il processo di recruitment del Manchester City è un buon esempio proprio perché i dati non chiudono la storia. Centinaia di migliaia di giocatori possono essere ridotti a una lista gestibile. I modelli possono segnalare profili che meritano un’analisi più approfondita. Tracking e dati fisici possono mostrare qualità difficili da confrontare con coerenza soltanto a occhio.

Ma i giocatori nella lista devono comunque essere osservati. Gli scout devono formarsi un’opinione. Gli allenatori devono decidere se il giocatore è adatto. Le questioni mediche, contrattuali ed economiche devono ancora essere risolte.

È lì che il ruolo dell’analista trova il suo posto: non prendere la decisione al posto degli altri, ma fare in modo che chi decide abbia informazioni migliori con cui lavorare.