সংখ্যার ছায়ায় ফুটবল: ডেটা বিশ্লেষণের শক্তি, সীমা ও সৎ ব্যবহার

আধুনিক পেশাদার ফুটবলে ম্যাচ শেষ হওয়ার আগেই বিশ্লেষকদের স্ক্রিনে জমা হয়ে যায় হাজারো তথ্যবিন্দু। কোন খেলোয়াড় কতবার বল পেয়েছেন, কোন অঞ্চলে কতবার চাপ দিয়েছেন, কোন পাস থেকে কত শতাংশ সম্ভাবনায় গোল হয়েছে — এই হিসাব এখন কোচিং স্টাফের নিয়মিত বৈঠকের অংশ। কিন্তু এই সংখ্যাগুলো ফুটবলকে সহজ করেছে, নাকি নতুন এক জটিলতা তৈরি করেছে? এই লেখার উদ্দেশ্য কোনো নির্দিষ্ট ম্যাচ বা দলের ফলাফল ব্যাখ্যা করা নয়; বরং ফুটবলে ডেটা বিশ্লেষণের পদ্ধতি, তার শক্তি ও সীমাবদ্ধতা নিয়ে একটি পরিষ্কার কাঠামো দাঁড় করানো। কারণ প্রক্রিয়াটি না বুঝে সংখ্যা ব্যবহার করলে বিশ্লেষণ দ্রুত ভুল সিদ্ধান্তে পৌঁছে যায়। ফুটবলে তথ্য সংগ্রহ নতুন কিছু নয়। গত শতাব্দীর শেষ দশকেও ইংল্যান্ডে সাংবাদিক ও কোচরা হাতে-লেখা খাতায় পাস, শট ও ট্যাকল গুনতেন। কিন্তু ১৯৯৬ সালে অপ্টা-র মতো প্রতিষ্ঠান পেশাদারভাবে ইভেন্ট ডেটা সংগ্রহ শুরু করার পর ছবিটা বদলাতে থাকে। প্রথমে ছিল শুধু ইভেন্ট-ভিত্তিক তথ্য — কে বল দিয়েছে, কে শট নিয়েছে, কোথা থেকে নিয়েছে। পরের ধাপে এল ক্যামেরা-ভিত্তিক ট্র্যাকিং, যেখানে প্রতি সেকেন্ডে বহুবার খেলোয়াড়দের অবস্থান রেকর্ড করা হয়। এরপর যুক্ত হলো কম্পিউটার ভিশন ও মেশিন লার্নিং। আজ একটি ম্যাচ থেকে কয়েক লাখ তথ্যবিন্দু তৈরি হয়, যা মানুষের পক্ষে হাতে বিশ্লেষণ করা অসম্ভব। এখানেই বিশ্লেষকের মূল কাজ শুরু: কোলাহল থেকে অর্থপূর্ণ সংকেত আলাদা করা। এক্সপেক্টেড গোলস বা এক্সজি হলো ফুটবল ডেটা বিশ্লেষণের সবচেয়ে পরিচিত ধারণা। সহজ কথায়, কোনো শট গোলে পরিণত হওয়ার সম্ভাবনা কতটা, তা ঐতিহাসিক তথ্যের ভিত্তিতে হিসাব করা হয়। শটের দূরত্ব, কোণ, কোন পায়ে নেওয়া হয়েছে, ডিফেন্ডারের অবস্থান, পাসটি কী ধরনের ছিল — এসব বিবেচনায় শূন্য থেকে একের মধ্যে একটি সংখ্যা তৈরি হয়। এই সংখ্যা জমিয়ে বোঝা যায়, একটি দল কত গোল প্রত্যাশা করছে। এর মূল উপকারিতা হলো ভাগ্য ও দক্ষতার পার্থক্য করা। যে দল বারবার ভালো সুযোগ তৈরি করছে কিন্তু গোল পাচ্ছে না, তাদের ফলাফল দীর্ঘমেয়াদে উন্নত হওয়ার সম্ভাবনা বেশি। উল্টোটা ঘটলে সতর্ক হওয়ার কারণ আছে। তবে এক্সজি কোনো নিখুঁত পরিমাপ নয়। প্রথমত, বিভিন্ন প্রতিষ্ঠানের মডেল আলাদা, কারণ তারা ভিন্ন ডেটাসেটে প্রশিক্ষিত। একই শটে এক প্রতিষ্ঠানের মডেল যে সম্ভাবনা দেয়, অন্য প্রতিষ্ঠান দিতে পারে ভিন্ন সংখ্যা। দ্বিতীয়ত, মডেল সাধারণত শট নেওয়ার মুহূর্তটিকে ধরে, কিন্তু তার আগের ঘটনাগুলো — গোলকিপারের অবস্থান, ডিফেন্ডারের চাপ, বলের গতি — সবসময় সমানভাবে ধরা পড়ে না। তৃতীয়ত, ডিফ্লেকশন বা রিবাউন্ড থেকে হওয়া গোল মডেলের হিসাব বিকৃত করতে পারে। আর্লিং হালান্ডের মতো কিছু ফরোয়ার্ড দীর্ঘ সময় ধরে মডেলের প্রত্যাশার চেয়ে বেশি গোল করেন; এটি হয় দক্ষতা, নয়তো ছোট নমুনার ওঠানামা। পার্থক্যটা বোঝা জরুরি, কারণ একটি সংখ্যাকে চূড়ান্ত সত্য ধরে নিলে বিশ্লেষণ দুর্বল হয়ে পড়ে। প্রেসিং পরিমাপের ক্ষেত্রে সবচেয়ে প্রচলিত সূচক হলো পিপিডিএ, অর্থাৎ প্রতিপক্ষের হাফে একটি ডিফেন্সিভ অ্যাকশনের বিনিময়ে প্রতিপক্ষ কতগুলো পাস দিতে পেরেছে। সংখ্যা কম হলে প্রেসিং তীব্র, বেশি হলে শিথিল। কিন্তু এই সূচকের সীমাবদ্ধতা হলো এটি খেলার অবস্থা বিবেচনা করে না। যে দল দুই গোলে এগিয়ে আছে, তারা স্বাভাবিকভাবেই কম প্রেস করতে পারে; আবার যে দল পিছিয়ে আছে, তারা ঝুঁকি নিয়ে বেশি প্রেস করে। ফলে এক ম্যাচের পিপিডিএ দিয়ে কোনো দলের প্রেসিং দর্শন সম্পর্কে চূড়ান্ত সিদ্ধান্তে আসা ঠিক নয়। সময়ভিত্তিক ধারা, বল দখলের অনুপাত এবং প্রতিপক্ষের মান — এসব মিলিয়ে দেখতে হয়। এর বাইরে আধুনিক বিশ্লেষণে পাসের গুণমান মাপার নানা পদ্ধতি তৈরি হয়েছে। প্রোগ্রেসিভ পাস, ফাইনাল থার্ডে প্রবেশ, প্যাকিং রেট, এক্সপেক্টেড থ্রেট — এসব সূচক বলের গতিপথকে গোলের সম্ভাবনার সঙ্গে যুক্ত করার চেষ্টা করে। পজিশনাল ডেটার মাধ্যমে বোঝা যায়, কোন খেলোয়াড় প্রতিপক্ষের কাঠামো ভাঙতে সবচেয়ে বেশি ভূমিকা রাখছেন। কেভিন ডি ব্রুইনের মতো প্লে-মেকারদের ক্ষেত্রে এ ধরনের সূচক সাধারণ অ্যাসিস্ট সংখ্যার চেয়ে বেশি তথ্য দেয়, কারণ প্রত্যক্ষ অ্যাসিস্ট শুধু শেষ পাসটিকেই গণ্য করে, অথচ গোল তৈরির প্রক্রিয়ায় তার আগের তিন-চারটি পাস সমান গুরুত্বপূর্ণ হতে পারে। ট্যাকটিক্যাল আলোচনায় একটি সাধারণ ভুল হলো নামমাত্র ফর্মেশনকে কাঠামো ভেবে নেওয়া। ৪-৩-৩ বা ৩-৫-২ লেখা থাকলেও বাস্তবে দলটি বল ছাড়া ও বল নিয়ে ভিন্ন আকার ধারণ করে; কোনো ফুলব্যাক ভেতরে ঢুকে মিডফিল্ড তৈরি করে, কোনো উইংগার প্রস্থ ধরে রাখে। ডেটা এই আচরণগত কাঠামো ধরতে সাহায্য করে — গড় অবস্থান, পজিশনাল ম্যাপ, বল সংগ্রহের অঞ্চল দেখে বোঝা যায় আসল আকৃতি কেমন। তথ্য ছাড়া এই পরিবর্তনগুলো চোখে পড়ে না, ফলে ট্যাকটিক্যাল আলোচনা প্রায়ই পদের নামে আটকে থাকে। রিক্রুটমেন্টে ডেটার ব্যবহার সম্ভবত সবচেয়ে দৃশ্যমান পরিবর্তন এনেছে। বাজারে সবাই একই খেলোয়াড়ের পেছনে ছুটলে দাম বেড়ে যায়; ডেটা বিশ্লেষণ সেই ভিড় এড়িয়ে কম আলোচিত কিন্তু কার্যকর প্রোফাইল খুঁজে বের করার চেষ্টা করে। এই দর্শনের পরিচিত উদাহরণ ডেনমার্কের এফসি মিডটজুল্যান্ড এবং ইংল্যান্ডের ব্রেন্টফোর্ড, যারা দীর্ঘমেয়াদি ডেটা-ভিত্তিক মডেল গড়ে তুলে কম খরচে খেলোয়াড় কিনে উচ্চ মূল্যে বিক্রি করেছে। মার্কিন বেসবল থেকে আসা মানিবলের মূল কথা একই — যেখানে বাজার কম দক্ষ, সেখানে বিশ্লেষণ বেশি সুবিধা দিতে পারে। তবে এই মডেলেরও সীমা আছে। এক লিগের ডেটা অন্য লিগে সরাসরি প্রযোজ্য হয় না; গতির মাত্রা, শারীরিক প্রতিযোগিতা ও কৌশলগত কাঠামো আলাদা। এছাড়া যেসব খেলোয়াড় কম মিনিট খেলেছেন, তাদের নমুনা ছোট এবং অনিশ্চয়তা বেশি। স্কাউটিং রিপোর্ট ও কোচের চোখ — এই দুটোই ডেটার সঙ্গে মিলিয়ে দেখতে হয়। শুধু সংখ্যায় ভরসা করে এমন খেলোয়াড় কেনা, যিনি দলের পরিবেশে মানিয়ে নিতে পারবেন না, ব্যয়বহুল ভুল হতে পারে। সফল ক্লাবগুলো তাই ডেটাকে সিদ্ধান্তের একমাত্র উৎস নয়, বরং একটি ফিল্টার হিসেবে ব্যবহার করে। ফুটবল একটি কম স্কোরিং খেলা, যেখানে একটি গোল পুরো ফলাফল বদলে দিতে পারে। এই কারণে এক ম্যাচ বা পাঁচ ম্যাচের ধারা থেকে সিদ্ধান্তে আসা বিপজ্জনক। একটি লিগ মৌসুমে ৩৮টি ম্যাচ থাকে, তাও ছোট নমুনা। পরিসংখ্যানে যাকে গড়ের দিকে প্রত্যাবর্তন বলা হয়, তা এখানে খুব প্রাসঙ্গিক: অস্বাভাবিক ভালো বা খারাপ পারফরম্যান্স ধীরে ধীরে গড়ের দিকে ফিরে আসে। যে দল টানা জিতছে কিন্তু প্রত্যাশিত গোলের ব্যবধানে পিছিয়ে আছে, তাদের ধারা টেকসই নাও হতে পারে। বিশ্লেষকের কাজ হলো শোরগোল থেকে আলাদা করে স্থায়ী প্রবণতা খুঁজে বের করা। কোচিংয়ে ডেটার প্রয়োগ আরও সূক্ষ্ম। সেট-পিসের নকশা, প্রতিপক্ষের দুর্বলতা চিহ্নিত করা, প্রেসিং ট্রিগার নির্ধারণ — এসব ক্ষেত্রে বিশ্লেষণ সরাসরি ম্যাচ পরিকল্পনায় ঢোকে। প্রশিক্ষণ ডিজাইনেও এর ব্যবহার বাড়ছে: কোন ধরনের ড্রিল কোন ধরনের আচরণ তৈরি করে, তা মাপা যায়। তবে এখানেই একটি সীমা স্পষ্ট হয়। খেলোয়াড়ের সিদ্ধান্ত গ্রহণের গতি, সহখেলোয়াড়ের সঙ্গে বোঝাপড়া, চাপের মুখে মাথা ঠান্ডা রাখা — এসব গুণ সংখ্যায় ধরা পড়ে না বা খুব কম ধরা পড়ে। কোচকে শেষ পর্যন্ত নির্ভর করতে হয় নিজের অভিজ্ঞতা ও খেলোয়াড়-ব্যবস্থাপনার দক্ষতার ওপর। ড্রেসিংরুমের রসায়ন, নেতৃত্ব, দলীয় সংহতি ও মনোবল — ফুটবলের ফলাফলে এগুলোর প্রভাব কম নয়, অথচ এগুলো সহজে পরিমাপযোগ্য নয়। লিওনেল মেসির মতো খেলোয়াড়ের ক্ষেত্রে স্পেস খুঁজে নেওয়ার সহজাত ক্ষমতা বা বল হারানোর আগে প্রতিপক্ষকে টেনে আনা কৌশল সংখ্যায় পুরোপুরি অনুবাদ করা যায় না। কেউ কেউ যুক্তি দেন, এই অদৃশ্য গুণগুলোই বড় ম্যাচে পার্থক্য গড়ে দেয়। নিরপেক্ষ অবস্থান হলো: ডেটা যা মাপে না, তা অস্তিত্বহীন নয়; বরং বিশ্লেষণের বাইরে থেকে যাওয়া অংশগুলো স্বীকার করে নেওয়াই বিশ্লেষণের পরিপক্বতার লক্ষণ। শারীরিক প্রস্তুতি ও ইনজুরি ব্যবস্থাপনায় ডেটার ভূমিকা দ্রুত বাড়ছে। জিপিএস ট্র্যাকিং থেকে পাওয়া দূরত্ব, স্প্রিন্ট সংখ্যা, ত্বরণ ও মন্দন এবং হার্ট রেট ব্যবহার করে খেলোয়াড়ের কাজের চাপ পরিমাপ করা হয়। তীব্র ও দীর্ঘমেয়াদি চাপের অনুপাত নিয়ে গবেষণা আছে, তবে ফলাফল সর্বসম্মত নয়; কোনো একক সূচককে একক ভিত্তিতে ইনজুরি পূর্বাভাসের হাতিয়ার বানানো এখনো বিতর্কিত। এখানেই সতর্কতার শিক্ষা: ডেটা সিদ্ধান্তের ভিত্তি দিতে পারে, তবে চিকিৎসা ও কোচিং বিচারের বিকল্প হতে পারে না। ক্লাব অর্থব্যবস্থায় ডেটা এখন নিয়ন্ত্রণের হাতিয়ার। আর্থিক ন্যায্যতা বিধি এবং লাভ ও টেকসইযোগ্যতার নিয়মের যুগে আয়, মজুরি ও দল পুনর্গঠনের হিসাব স্বচ্ছ রাখতে হয়। মজুরির অনুপাত, হস্তান্তর ব্যয়ের অনুপাত, ঋণ ও পরিশোধের সময়সূচি — এসব সূচকে কোনো ক্লাব ঝুঁকিতে আছে কিনা বোঝা যায়। বিশ্লেষণের দৃষ্টিতে সবচেয়ে বড় বিপদ হলো স্বল্পমেয়াদি সাফল্যের জন্য দীর্ঘমেয়াদি দায় তৈরি করা। তবে আর্থিক সংখ্যা সবসময় প্রেক্ষাপটহীন নয়; একটি ব্যয় এক ক্লাবে যতটা ঝুঁকিপূর্ণ, অন্য ক্লাবে তা নাও হতে পারে। মিডিয়ায় ডেটার ব্যবহার মিশ্র ফল দিয়েছে। একদিকে এটি ভুল ধারণা ভাঙতে সাহায্য করে, অন্যদিকে সংখ্যা দিয়ে যেকোনো বক্তব্য পোক্ত করার প্রবণতা তৈরি হয়। একটি সূচক তুলে এনে সিদ্ধান্তে পৌঁছানো সহজ, কিন্তু সেই সূচকটি কীভাবে তৈরি, তার সীমা কী, তা না বললে বিভ্রান্তি ছড়ায়। পাঠকের জন্য তাই তিনটি প্রশ্ন জরুরি: নমুনা কত বড়, প্রেক্ষাপট কী, এবং দাবিটির পক্ষে বিকল্প ব্যাখ্যা আছে কি না। এই তিনটি প্রশ্নই যেকোনো সাংবাদিক বিশ্লেষণের ন্যূনতম মানদণ্ড হওয়া উচিত। গোলকিপিং বিশ্লেষণে সাম্প্রতিক বছরগুলোতে বড় অগ্রগতি হয়েছে। প্রচলিত সেভ সংখ্যার বদলে এখন প্রত্যাশিত গোল প্রতিরোধ বা শট থামানোর অতিরিক্ত হার মাপা হয়। এর সঙ্গে যুক্ত হয়েছে পায়ের কাজ — ছোট পাস, উচ্চ চাপ সামলানো, দীর্ঘ বলে নির্ভুলতা। আধুনিক কোচিং দর্শনে গোলকিপারকে বিল্ড-আপের প্রথম স্তর ভাবা হয়, তাই তার ভুলের খরচ বাড়ে। তবে এই সূচকগুলোতেও ছোট নমুনার সমস্যা আছে; অল্প শটের ভিত্তিতে কোনো গোলকিপারকে খারাপ বলা ঠিক নয়। মৌসুমভিত্তিক ধারা ও প্রতিপক্ষের মান মিলিয়ে দেখাই যুক্তিসঙ্গত পথ। জাতীয় দলের ক্ষেত্রে ডেটা বিশ্লেষণ ক্লাবের চেয়ে কঠিন, কারণ খেলোয়াড়দের একসঙ্গে খেলার সময় কম এবং প্রতিটি জমায়েতের মধ্যে প্রস্তুতির সময় সীমিত। বড় টুর্নামেন্টে তিন-চারটি ম্যাচের ভিত্তিতে সিদ্ধান্ত নিতে হয়, যা পরিসংখ্যানগতভাবে দুর্বল ভিত্তি। সমাধান হলো ক্লাব-পর্যায়ের দীর্ঘমেয়াদি তথ্য কাজে লাগানো এবং এমন সূচক বেছে নেওয়া যা দলগত কাঠামোর চেয়ে খেলোয়াড়ের ভূমিকা-ভিত্তিক দক্ষতা দেখায়। এছাড়া সেট-পিস ও পেনাল্টির মতো নির্দিষ্ট পরিস্থিতির জন্য আলাদা বিশ্লেষণ বেশি কাজে দেয়, কারণ সেখানে প্রস্তুতির সময় থাকে এবং খেলার স্বাভাবিক ধারা তৈরি হয় না। ফুটবল-বিশ্লেষণ যখন জনপ্রিয় হয়, তখন তার বাণিজ্যিক ব্যবহারও বাড়ে। কিছু ক্ষেত্রে সূচকগুলো ভিন্ন উদ্দেশ্যে — বিশেষ করে ভবিষ্যদ্বাণীমূলক দাবিতে — হাজির করা হয়। স্পষ্ট কথা হলো, কোনো বিশ্লেষণমূলক লেখা বা সংখ্যা ভবিষ্যতের ফলাফলের নিশ্চয়তা দেয় না; ডেটা সম্ভাবনা দেখায়, নিশ্চিত করে না। ভক্তদের জন্য উপকারী পথ হলো বিশ্লেষণকে খেলা বোঝার হাতিয়ার হিসেবে নেওয়া, লাভের নিশ্চয়তা হিসেবে নয়। উদীয়মান ফুটবল অঞ্চলের জন্য ডেটা এক বড় সুযোগ এবং এক বড় চ্যালেঞ্জ। দক্ষিণ এশিয়ার ফুটবলে অবকাঠামো, প্রতিযোগিতার ধারাবাহিকতা ও তরুণ খেলোয়াড়ের ম্যাচ-মিনিট সীমিত। এই অবস্থায় সবচেয়ে বাস্তব পদক্ষেপ হলো প্রতিটি বয়সভিত্তিক ম্যাচের মৌলিক তথ্য নিয়মিত সংরক্ষণ করা, স্কাউটদের জন্য সাধারণ ভাষায় লেখা রিপোর্ট তৈরি করা এবং কোচদের বিশ্লেষণ-সাক্ষরতা বাড়ানো। উচ্চমূল্যের ট্র্যাকিং প্রযুক্তি না থাকলেও সঠিক রেকর্ডিং অভ্যাস বড় পরিবর্তন আনতে পারে। জ্ঞান বিনিয়োগ প্রযুক্তির চেয়ে সস্তা, আর দীর্ঘমেয়াদে বেশি কার্যকর। আগামী বছরগুলোতে ফুটবলে বিশ্লেষণের কেন্দ্রবিন্দু আরও কম্পিউটার ভিশন ও কৃত্রিম বুদ্ধিমত্তার দিকে সরে যাবে বলে ধারণা করা হয়। খেলোয়াড়ের শরীরী ভাষা, পাল্টা-প্রেসিং ট্রিগার, এমনকি বল ছাড়া চলাচলের প্যাটার্ন স্বয়ংক্রিয়ভাবে শনাক্ত করার চেষ্টা চলছে। কিন্তু প্রযুক্তি যতই উন্নত হোক, বিশ্লেষণের শেষ দায়িত্ব মানুষেরই থাকে। কারণ সিদ্ধান্ত নিতে হয় প্রেক্ষাপট, নৈতিকতা ও দীর্ঘমেয়াদি পরিণতির হিসাব মিলিয়ে — যা কোনো মডেল একা দিতে পারে না। সব মিলিয়ে বলা যায়, ফুটবলে ডেটা বিশ্লেষণ খেলাটিকে সরল করেনি, বরং তার জটিলতা সম্পর্কে আমাদের সচেতন করেছে। সংখ্যা ভালো প্রশ্ন করতে শেখায়; কিন্তু ভালো উত্তর তৈরি হয় কোচিং, স্কাউটিং, চিকিৎসা, অর্থ ও মানবিক বোঝাপড়ার সমন্বয়ে। যে ক্লাব বা সাংবাদিক এই সমন্বয় বুঝবে, তার বিশ্লেষণ টিকবে; যে কেবল সংখ্যার চাকচিক্যে ভরসা করবে, তার সিদ্ধান্ত দ্রুত পুরনো হয়ে যাবে। ফুটবল নিশ্চিত ফলাফলের খেলা নয়, আর তাই বিশ্লেষণের সৎ রূপ হবে সম্ভাবনার ভাষায় কথা বলা — দাবির ভাষায় নয়।