Μπορεί ένας αλγόριθμος να βρει τον επόμενο Superstar ενός πρωταθλήματος; Μπορούν τα δεδομένα να αποκαλύψουν έναν παίκτη που πέρασε απαρατήρητος από τους scouters; Στο σύγχρονο μπάσκετ, η απάντηση είναι ολοένα και πιο συχνά καταφατική.
Who is Who:
Η Clutch Data είναι μια συμβουλευτική εταιρεία, η οποία βοηθά οργανισμούς και ομάδες μπάσκετ να λαμβάνουν καλύτερες αποφάσεις μέσα από εξατομικευμένες αναλύσεις, οι οποίες βασίζονται στα δεδομένα. Η εταιρεία ιδρύθηκε το 2022 από τους Sebastian Buzzalino και Thierry Aymerich, οι οποίοι γνωρίστηκαν κατά τη διάρκεια του μεταπτυχιακού τους στα Basketball Analytics στην Ισπανία και εντόπισαν την ευκαιρία να γεφυρώσουν την προηγμένη επιστήμη των δεδομένων με την πρακτική λήψη αποφάσεων στο ευρωπαϊκό επαγγελματικό μπάσκετ.
Ο Sebastian σπούδασε Βιομηχανική Μηχαμολογία στο Εθνικό Πανεπιστήμιο της Λα Πλάτα (Αργεντινή) και αγωνίστηκε για σύντομο χρονικό διάστημα ως επαγγελματίας μπασκετμπολίστας στη δεύτερη κατηγορία της Αργεντινής. Από πολύ μικρή ηλικία είχε πάθος με τους αριθμούς και τη λήψη αποφάσεων μέσω δεδομένων, ξεκινώντας με χειροποίητα shot charts για την ομάδα του, πριν περάσει στις σύγχρονες μεθόδους ανάλυσης.
Ο Thierry είναι απόφοιτος Στατιστικής από το Πανεπιστήμιο της Περπινιάν (Γαλλία) και κάτοχος MBA στο Sports Big Data. Είναι ο άνθρωπος που διαμορφώνει το στρατηγικό όραμα της Clutch Data στον τομέα των advanced analytics. Πριν από τη δημιουργία της εταιρείας, εργάστηκε για περισσότερα από 15 χρόνια σε ηγετικές θέσεις στον χώρο της ανάλυσης δεδομένων στον κλάδο της υγείας.
Πριν από περίπου τρία χρόνια, στην ομάδα εντάχθηκε και ο Marlin Myrte, ενισχύοντας τις δυνατότητες της εταιρείας στους τομείς του Data Science και της έρευνας. Είναι κάτοχος πτυχίου Οικονομικών από το Οικονομικό Πανεπιστήμιο Αθηνών και μεταπτυχιακού (MSc) στο Big Data & Business Analytics από το ESCP Business School (Γαλλία – Γερμανία). Παράλληλα, διδάσκει Sports Analytics στο ESCP, εκπαιδεύοντας τη νέα γενιά αναλυτών στην εφαρμογή της επιστήμης των δεδομένων σε πραγματικά προβλήματα του αθλητισμού.
Τι κάνουν:
Η Clutch Data εξειδικεύεται στην εφαρμογή προηγμένων αναλυτικών μεθόδων για την κατανόηση των παραγόντων που επηρεάζουν την απόδοση μέσα στο γήπεδο. Συνδυάζοντας ιδιόκτητα metrics με υπάρχοντα εργαλεία ανάλυσης δεδομένων, προσφέρει στρατηγική υποστήριξη και υψηλής αξίας αναφορές που βελτιστοποιούν τις διαδικασίες scouting, τη στελέχωση του ρόστερ και συνολικά τη λήψη αποφάσεων για επαγγελματικές ομάδες και οργανισμούς σε όλο τον κόσμο.
Η εταιρεία έχει συνεργαστεί με ομάδες από όλα τα επίπεδα του μπάσκετ, από συλλόγους χαμηλότερων κατηγοριών μέχρι ομάδες της EuroLeague σε χώρες όπως η Ισπανία, η Αργεντινή και η Γερμανία, καθώς και με ομάδες μπάσκετ γυναικών και εθνικές ομοσπονδίες.
Ένα από τα σημαντικότερα ορόσημα στην πορεία της Clutch Data ήρθε τον Μάρτιο του 2026, όταν η ερευνητική της εργασία επιλέχθηκε για παρουσίαση στο MIT Sloan Sports Analytics Conference, το κορυφαίο και πιο επιδραστικό συνέδριο αθλητικής ανάλυσης παγκοσμίως. Η διάκριση αυτή έφερε την εταιρεία στο επίκεντρο της διεθνούς κοινότητας των sports analytics.
Η έρευνα, με τίτλο «Scouting Anyone: Probabilistic Player Archetypes for Any League», επιχειρεί να αντιμετωπίσει έναν από τους βασικούς περιορισμούς των παραδοσιακών μοντέλων scouting, τα οποία βασίζονται σε αυστηρές και συχνά ξεπερασμένες ταξινομήσεις θέσεων. Αντίθετα, προτείνει ένα μοντέλο που αποτυπώνει με μεγαλύτερη ακρίβεια τη ρευστή και πολυδιάστατη φύση του σύγχρονου μπάσκετ.
- Τι είναι τα “basketball analytics”;
Τα “basketball analytics” είναι η χρήση ανεπτυγμένων στατιστικών και μοντέλων, πέρα των παραδοσιακών στατιστικών (πόντοι, ριμπάουντ, ασσίστ, κλπ), για την ανάλυση του μπάσκετ. Γενικότερα, είναι ένα εργαλείο που υποστηρίζει όποιες αποφάσεις χρειαστεί να παρθούν είτε από προπονητές, είτε από το Front Office. Αυτά μπορεί να αφορούν την απόδοση μιας ομάδας ή των παικτών στο γήπεδο, την τακτική προετοιμασία απέναντι σε έναν αντίπαλο ή σε μία σειρά playoff ή τη διαμόρφωση του ρόστερ και πολλά άλλα. Δεν είναι απλά αριθμοί, είναι ένα πλαίσιο για να μετρηθεί αυτό που συμβαίνει στο γήπεδο με μεγαλύτερη ακρίβεια από ό,τι επιτρέπει το γυμνό μάτι.
- Ποια είναι η διαφορά ανάμεσα στα παραδοσιακά στατιστικά και στα advanced analytics;
Τα παραδοσιακά στατιστικά σου δίνουν μια γρήγορη και πρόχειρη απεικόνιση του παιχνιδιού, μετρούν τι έγινε, χωρίς context. Όμως κρύβουν και πολλές παγίδες και συχνά βλέπουμε πολλές περιπτώσεις όπου χρησιμοποιούνται με το λάθος τρόπο. Το πιο συχνό είναι όταν λέμε ότι μία ομάδα που σκοράρει 90 πόντους κατά μ.ο. είναι καλύτερη επιθετικά από μία ομάδα που σκοράρει 80 πόντους κατά μ.ο., και η βασική διαφορά είναι ότι η πρώτη ομάδα παίζει πολύ πιο γρήγορα από τη δεύτερη, άρα έχει περισσότερες κατοχές, άρα ίσως δεν αξιοποιεί τόσο καλά τις κατοχές της όσο η δεύτερη.
Επιπλέον, τα παραδοσιακά στατιστικά είναι σωρευτικά, δηλαδή απλά αυξάνονται όταν κάποιος κάνει κάτι, χωρίς να λαμβάνουν υπ’ όψιν την ποιότητα ή τη σημαντικότητα των όσων γίνονται. Για παράδειγμα, ένα καλάθι στο 40-0 μετράει το ίδιο με ένα καλάθι σε ισόπαλο ματς στο τελευταίο λεπτό. Τα advanced analytics έρχονται, λοιπόν, να διορθώσουν τέτοιου είδους ανισορροπίες και να απαντήσουν πόσο αξίζει αυτό που έγινε, λαμβάνοντας υπόψη context, ρυθμό παιχνιδιού, ποιότητα αντιπάλου, αντίκτυπο στην ομάδα.
- Αν έπρεπε να εξηγήσετε σε έναν φίλαθλο εν συντομία γιατί υπάρχουν τα analytics, τι θα του λέγατε;
Τα analytics υπάρχουν για να φανερώνουν μοτίβα τα οποία δεν ανιχνεύονται με γυμνό μάτι. Είτε είναι κάποιος εντυπωσιακός παίκτης, ο οποίος δημιουργεί highlights αλλά δεν προσδίδει αξία, είτε είναι κάποιος παίκτης, ο οποίος δεν φαίνεται στο γήπεδο αλλά είναι ο συνδετικός κρίκος της ομάδας, τα analytics έρχονται να αναδείξουν αυτά τα στοιχεία και να δώσουν τη σωστή αξία στον καθένα. Όλα αυτά τα δεδομένα θα στηρίξουν τις αποφάσεις που θα πάρουν οι προπονητές και οι παράγοντες της κάθε ομάδας.
- Πού χρησιμοποιούνται περισσότερο σήμερα τα analytics; Scouting, recruiting ή μέσα στο παιχνίδι;
Στο NBA, το οποίο είναι πολύ πιο ανεπτυγμένο σε σχέση με την Ευρώπη, τα analytics χρησιμοποιούνται εξίσου πολύ και στους 3 τομείς, Από τις προβλέψεις παικτών για το draft και την ανάλυση της ίδιας της ομάδας έως την ανάλυση των αντιπάλων ακόμα και κατά τη διάρκεια του παιχνιδιού. Από όλα κρίνονται πολλές αποφάσεις που παίρνει η ομάδα σε καθημερινή βάση.
Στην Ευρώπη, δυστυχώς, δεν χρησιμοποιούνται στο ίδιο βάθος και η χρήση τους διαφέρει ανά περίπτωση. Αυτό που βλέπουμε στην Ευρώπη είναι ότι χρησιμοποιούνται κυρίως από βοηθούς προπονητών, είτε για την ανάλυση της ομάδας τους είτε για την ανάλυση του αντιπάλου, όμως η έλλειψη χρόνου κατά τη διάρκεια της σεζόν ή η έλλειψη τεχνικής κατάρτισης δεν τους επιτρέπει πολλές φορές να εμβαθύνουν.
- Μπορείτε να μας δώσετε ένα πραγματικό παράδειγμα όπου τα analytics άλλαξαν μια απόφαση ομάδας;
o Τα analytics άλλαξαν πριν μερικά χρόνια τις αποφάσεις πολλών ομάδων του NBA όταν με τη χρήση τους οι ομάδες συνειδητοποίησαν πόσο μεγαλύτερη αξία έχει ένα τρίποντο σε σχέση με ένα σουτ μέσης απόστασης. Αυτό είχε παγκόσμιο αντίκτυπο και βλέπουμε τα αποτελέσματα αυτής της τάσης στο πως παίζεται το μπάσκετ στο NBA, τις ικανότητες που αναπτύσσουν οι παίκτες και το πως διαλέγουν παίκτες οι ομάδες.
Πέρα από την παγκόσμια επιρροή, έχουμε και παραδείγματα ομάδων με τις οποίες έχουμε συνεργαστεί. Συγκεκριμένα, μία ομάδα είχε σοβαρά θέματα με την απόδοσή της από το τρίποντο. Μετά την ανάλυσή μας είδαμε ότι το πρόβλημα ήταν ακόμα μεγαλύτερο όταν 2 συγκεκριμένοι παίκτες, οι οποίοι συνήθως έπαιζαν μαζί, δε βρίσκονταν στο παρκέ για μεγάλα χρονικά διαστήματα. Όταν και οι δύο, είτε ένας από τους δύο, βρισκόταν στο παρκέ, η ομάδα σούταρε καλύτερα. Με μία μικρή αλλαγή στις πεντάδες και την παρουσία τουλάχιστον ενός εκ των δύο κατά το μεγαλύτερο κομμάτι του αγώνα στο παρκέ, η ομάδα μπόρεσε να λύσει το πρόβλημά της. Αυτό είναι ένα παράδειγμα προβλήματος το οποίο μπορεί να λυθεί μέσω των analytics και της εμπιστοσύνης των τεχνικών επιτελείων σε αυτά.
- Πόσο διαφορετικά βλέπει έναν παίκτη ένας scout και πόσο διαφορετικά τον βλέπει ένα μοντέλο δεδομένων;
Ο ανθρώπινος παράγοντας παραμένει αρκετά σημαντικός στο scouting γιατί δείχνει τα intangibles ενός παίκτη, τα πράγματα που δε μετριούνται όπως η συμπεριφορά, η ένταση, η προσήλωση, η υποστήριξη στους συμπαίκτες του ή οι αντιδράσεις του στο γήπεδο. Πέρα από αυτά, ενας scout βλέπει και το πως προσαρμόζεται ένας παίκτης στις συνθήκες του παιχνιδιού, το decision-making του παίκτη, όταν η άμυνα του παρουσιάζει κάτι καινούριο για παράδειγμα.
Ένα μοντέλο δεδομένων μπορεί να αποτυπώσει αντικειμενικά με αριθμούς πολλά από τα πράγματα που μπορεί να μη δει ένας scout όπως τον τρόπο παιχνιδιού ενός παίκτη ή τη χημεία στο γήπεδο με συγκεκριμένους συμπαίκτες ή το πως μεταφράζεται μία απόδοση σε ανώτερο επίπεδο (κολλέγιο σε NBA) και έρχεται να επιβεβαιώσει ή να αμφισβητήσει τις παρατηρήσεις ενός scouter.
- Τι είναι τα “player archetypes” και γιατί πλέον δεν μιλάμε απλώς για τις παραδοσιακές θέσεις (PG,SG,SF,PF,C);
Τα player archetypes έχουν να κάνουν με τον τρόπο παιχνιδιού ενός παίκτη. Το σύγχρονο μπάσκετ τείνει να εξελίσσεται σε ένα positionless παιχνίδι με πολλούς παίκτες να έχουν ικανότητες που δεν “ταιριάζουν” στη θέση τους. Όπως για παράδειγμα η ικανότητα του Jokic να παίζει ως playmaker, undersized παίκτες να μαρκάρουν ψηλούς και ο Wembanyama που είναι μία ακραία παρατήρηση από μόνος του. Επίσης υπάρχουν παίκτες οι οποίοι παίζουν στην ίδια θέση αλλά έχουν πολύ διαφορετικό στυλ παιχνιδιού μεταξύ τους, βλ. Σλούκας και Walkup.
Οι περισσότεροι παίκτες είναι εν γένει πολυδιάστατοι και μπορούν να κάνουν πολλά πράγματα μέσα στο γήπεδο. Υπάρχουν βέβαια και μερικοί παίκτες οι οποίοι είναι πιο μονοδιάστατοι και αποτελούν ακραίες παρατηρήσεις με τον τρόπο παιχνιδιού τους. Εμείς έχουμε εντοπίσει αυτούς του ακρογωνιαίους λίθους (αρχέτυπα) και μέσω των μοντέλων μας έχουμε εκφράσει όλους τους υπόλοιπους παίκτες ως ένα συνδυασμό αυτών των αρχετύπων. Για παράδειγμα, εντοπίσαμε ότι ο James Harden αποτελεί το αρχέτυπο ενός Offensive Engine και ο Nikola Vucevic αποτελεί το αρχέτυπο ενός Stretch Creator. Το μοντέλο μας βρίσκει ότι ο Γιάννης Αντετοκούνμπο, με τον τρόπο παιχνιδιού του παίζει κατά 53% παρόμοια με τον Harden και κατά 17% παρόμοια με τον Vucevic. Αυτό κάνει τις συγκρίσεις μεταξύ των παικτών πιο εύκολες και βοηθάει τις ομάδες να πάρουν καλύτερες αποφάσεις όσον αφορά το ρόστερ τους.
- Μπορούν τα analytics να αντικαταστήσουν την εμπειρία ενός coach;
Σίγουρα όχι. Η εμπειρία ενός προπονητή δεν μπορεί να αντικατασταθεί από τα analytics και αυτό είναι κάτι που αναφέρουμε συνέχεια σε όσες ομάδες μιλάμε. Και σίγουρα δεν μπορούν να αντικαταστήσουν την ικανότητα ενός προπονητή να διαβάζει την ψυχολογία μιας ομάδας, την επικοινωνία στα αποδυτήρια, ή το πώς να χειριστεί έναν συγκεκριμένο παίκτη σε μια δύσκολη στιγμή. Ιδανικά αυτά τα 2 πρέπει συνεργάζονται. Τα analytics είναι ένα εργαλείο για τους προπονητές οι οποίοι μπορούν να τα χρησιμοποιήσουν είτε για να επιβεβαιώσουν ή να ακυρώσουν τις υποθέσεις τους και για να τους βοηθήσουν να πάρουν καλύτερες αποφάσεις βλέποντας πράγματα που δε φαίνονται με απλή παρατήρηση. Οι πιο επιτυχημένοι προπονητές τα χρησιμοποιούν ως εργαλείο υποστήριξης απόφασης, όχι ως υποκατάστατο κρίσης. Μη ξεχνάμε ότι οι προπονητές έχουν πάρα πολλά πράγματα να διαχειριστούν κατά τη διάρκεια μίας σεζόν και πάρα πολλές αποφάσεις που πρέπει να πάρουν. Τα analytics είναι εκεί για να τους βοηθήσουν στις αποφάσεις τους και για να περιορίσουν το ρίσκο σε αυτές.
- Υπάρχουν περιπτώσεις που τα δεδομένα λένε το αντίθετο από αυτό που βλέπει το μάτι;
Αυτό γίνεται συχνά και ένα κλασικό παράδειγμα είναι ένας παίκτης με μέτρια απόδοση στο box score (παραδοσιακά στατιστικά) μπορεί να έχει εξαιρετικό on/off impact (η ομάδα παίζει σημαντικά καλύτερα όταν είναι μέσα) σε έναν όγκο παιχνιδιών, κάτι που το μάτι δεν προσέχει εύκολα. Αυτά συνήθως εντείνονται επειδή ο καθένας μας κουβαλάει προκαταλήψεις (biases) που μας αποτρέπουν από το να δούμε καθαρά. Για παράδειγμα, το πιο σύνηθες στο μπάσκετ είναι το μικρό δείγμα (small sample bias) το οποίο μας οδηγεί στο να βγάλουμε συμπεράσματα από πολύ λίγες παρατηρήσεις, π.χ. τα πρώτα κιόλας ματς μια σεζόν. Όπως επίσης και ότι δίνουμε περισσότερη σημασία σε γεγονότα που έγιναν πιο πρόσφατα (recency bias) ή και η προκατάληψη επιβεβαίωσης (confirmation bias) που συμβαίνει όταν είμαστε πεπεισμένοι για κάτι (π.χ. ο παίκτης Χ δεν μπορεί να παίξει αλλαγές στην άμυνα) και τείνουμε να βλέπουμε μόνο τις περιπτώσεις όπου επιβεβαιώνουν την πεποίθησή μας.
- Υπάρχουν στοιχεία που ακόμη δεν μπορούν να μετρηθούν;
o Πέρα από τα intangibles (ηγεσία, επικοινωνία κλπ), δυστυχώς υπάρχουν και άλλα, και τα περισσότερα είναι στο αμυντικό κομμάτι. Τα analytics μετράνε πράγματα που συμβαίνουν, ενώ τα περισσότερα πράγματα στην άμυνα δε συμβαίνουν και άρα δεν καταγράφονται. Για παράδειγμα, ένα καλό close out ενός καλού αμυντικού θα αποτρέψει ένα ελεύθερο τρίποντο και ο παίκτης ίσως αναγκαστεί να πασάρει. Ή μία πολύ καλή αντιμετώπιση του pick ‘n’ roll που δε θα επιτρέψει στην επίθεση να πάρει την επιλογή που ήθελε. Αυτά είναι πολύ σημαντικά όμως δεν μπορούν να καταγραφούν ακόμα. Υπάρχουν, όμως, μέθοδοι ώστε να μπορέσει να γίνει κάποια εκτίμηση.
- Πόσο πίσω ή μπροστά βρίσκεται η Ευρώπη σε σχέση με το NBA;
Συνηθίζουμε να λέμε ότι η Ευρώπη δυστυχώς αυτή τη στιγμή βρίσκεται εκεί που βρισκόταν το NBA στις αρχές του 2010. Ήταν μία περίοδος όπου οι ομάδες του NBA άρχιζαν σιγά σιγά να υιοθετούν τα analytics και άρχισαν να χτίζονται τμήματα analytics σε μερικές ομάδες. Το μεγάλο αυτό κενό προκύπτει από δύο λόγους: την τεχνολογία και την κουλτούρα.
Η τεχνολογία στο NBA είναι πάρα πολύ εξελιγμένη και κάθε γήπεδο έχει ειδικές κάμερες οι οποίες ακολουθούν τους παίκτες και την μπάλα ανά πάσα στιγμή και τα μεταφράζει σε δεδομένα. Με αυτόν τον τρόπο, οι αναλυτές έχουν εικόνα για το που βρίσκονται οι παίκτες, πόσο καλό είναι το spacing, πόση απόσταση έχει ο αμυντικός από τον σουτερ, πόσο γρήγορα τρέχει ένας παίκτης και πολλά άλλα τα οποία τους δίνουν τη δυνατότητα να πραγματοποιήσουν πολύ βαθιές αναλυσεις. Στην Ευρώπη αρκούμαστε στα play-by-play δεδομένα τα οποία μας λένε τι έγινε σε κάθε φάση (με διαφορετικό επίπεδο o λεπτομέρειας σε κάθε πρωτάθλημα), χωρίς να έχουμε εικόνα του τι έγινε εκτός φάσης. Και ακόμα και αυτά τα δεδομένα σε πολλές περιπτώσεις είναι δυσεύρετα. Το θετικό είναι ότι όταν αποκτηθεί αυτή η τεχνολογία στην Ευρώπη τότε το κενό μπορεί να καλυφθεί σχετικά γρήγορα.
Ο δεύτερος και σημαντικότερος λόγος είναι ότι το ευρωπαϊκό μπάσκετ είναι πιο “παραδοσιακό” και old-school και αυτό σημαίνει ότι οι παράγοντες (προπονητές, GMs κλπ.) εμπιστεύονται πιο πολύ την εμπειρία τους και δεν είναι πολύ ανοιχτοί στο να δοκιμάσουν κάτι καινούριο μολονότι είναι δοκιμασμένο.
- Ποια είναι η μεγαλύτερη εξέλιξη που βλέπετε να έρχεται τα επόμενα 5 χρόνια;
Η μεγαλύτερη εξέλιξη θα προκύψει ως ένας συνδυασμός των λόγων που αναφέραμε παραπάνω. Η νέες γενιές προπονητών και παραγόντων είναι πιο ανοιχτές στη χρήση δεδομένων και αυτό θα συμπαρασύρει μαζί του και την τεχνολογία. Παράλληλα, οι εξελίξεις με το NBA Europe και η εισροή επενδύσεων στο ευρωπαϊκό μπάσκετ καθώς και ανθρώπων που δούλευαν στο NBA είναι κάτι που πιστεύουμε ότι θα επιταχύνει αυτή τη διαδικασία.
- Πιστεύετε ότι σύντομα όλες οι ομάδες της EuroLeague θα βασίζονται σε data departments;
Είναι κάτι που σίγουρα ελπίζουμε. Ξέρουμε ότι 2-3 ομάδες έχουν ξεκινήσει κάτι. Τα analytics μπορούν να δώσουν στις ομάδες ένα πολύ ισχυρό ανταγωνιστικό πλεονέκτημα και, όταν αποδειχθεί η αξία τους, τότε αναπόφευκτα κάθε ομάδα θα ακολουθήσει και θα δημιουργήσει ένα τέτοιο τμήμα.
- Ποιος είναι ο επόμενος στόχος της Clutch Data;
Ο επόμενός μας στόχος είναι να παίξουμε ένα βασικό ρόλο σε αυτόν τον εκσυγχρονισμό του ευρωπαϊκού μπάσκετ. Έχουμε παρατηρήσει ότι ένα από τα μεγαλύτερα προβλήματα είναι η έλλειψη κατανόησης, όχι μόνο των analytics αλλά και της χρησιμότητάς τους τόσο από τη μεριά των ομάδων όσο και από τη μεριά των φιλάθλων. Όπως, επίσης, και το πώς μπορούν να χρησιμοποιηθούν έξυπνα από τις ομάδες ώστε να κερδίσουν ένα ανταγωνιστικό πλεονέκτημα έναντι των αντιπάλων τους. Επομένως, μέσω των αναλύσεων που δημοσιεύουμε, των ομιλιών και των παρουσιάσεών μας, στοχεύουμε στην εκπαίδευση όλων όσων του αρέσει να βλέπουν και να καταλαβαίνουν το μπάσκετ.