Previsione della posizione a partire da indicatori di performance e antropometrici in giovani calciatori: un approccio di machine learning

Perché scegliere il posto giusto in campo è importante

Per qualsiasi adolescente che sogna una carriera professionistica nel calcio, trovare il ruolo che meglio si adatta al proprio corpo e alle proprie abilità può fare una grande differenza. Gli allenatori di solito si affidano all’esperienza e all’istinto per decidere chi schierare in difesa, a centrocampo o in attacco. Questo studio si chiede se i dati e gli algoritmi informatici possano aggiungere un livello oggettivo a quelle scelte utilizzando caratteristiche misurabili — come altezza, peso e abilità con il pallone — per prevedere dove un giovane giocatore abbia più probabilità di avere successo.

Dai dati corporei di base alle abilità con il pallone

I ricercatori hanno lavorato con 200 calciatori giovanili maschi di età compresa tra i 15 e i 17 anni provenienti da club in Kazakistan. A ciascun giocatore era già stato assegnato un ruolo principale — difensore, centrocampista o attaccante — dal proprio allenatore. Gli scienziati hanno misurato semplici caratteristiche corporee come età, altezza, peso e indice di massa corporea (IMC), insieme a abilità specifiche del calcio: giocoleria con testa e piedi, slalom tra i coni in dribbling, sprint-dribbling sui 20 metri e tiro verso bersagli segnati in porta. Questi test sono stati scelti perché riflettono azioni quotidiane in campo — controllare il pallone, muoversi rapidamente con esso e finalizzare le azioni.

Individuare i pattern tra i ruoli

Per prima cosa, il gruppo ha usato test statistici standard per vedere come difensori, centrocampisti e attaccanti differissero in media. Hanno trovato differenze significative in diversi ambiti. I centrocampisti tendevano a essere leggermente più anziani dei difensori. Gli attaccanti erano generalmente più alti e avevano un IMC più basso rispetto sia ai difensori sia ai centrocampisti, suggerendo una conformazione più snella. Gli attaccanti si sono anche dimostrati più efficaci nella giocoleria con la testa e hanno completato il test di slalom più velocemente rispetto ai difensori. Sorprendentemente, non sono emerse differenze chiare in peso corporeo di base, giocoleria con i piedi, punteggi di tiro o nel semplice tempo di dribbling sui 20 metri tra i ruoli, il che suggerisce che alcune abilità possono svilupparsi in modo simile indipendentemente dalla posizione in cui un giovane giocatore viene schierato.

Lascare che le macchine indovinino il ruolo di ogni giocatore

Successivamente, i ricercatori si sono rivolti al machine learning — programmi informatici che apprendono pattern dai dati. Hanno inserito tutte le misure corporee e di abilità in diversi algoritmi e hanno chiesto loro di prevedere la posizione di ciascun giocatore. Dopo aver addestrato i modelli sulla maggior parte dei dati e testati sul resto, un metodo, chiamato Support Vector Machines, si è distinto. Ha previsto la posizione corretta per l’86% dei giocatori nel complesso. Il modello è stato particolarmente accurato per gli attaccanti, identificando correttamente tutti gli attaccanti nei dati di test. Ha funzionato leggermente meno bene per difensori e centrocampisti, che a volte venivano confusi l’uno con l’altro, riflettendo i loro profili fisici e tecnici sovrapposti in questa fascia d’età.

Quali abilità hanno contato di più

Per capire cosa guidava le decisioni del modello, il team ha testato quanto calava l’accuratezza quando ogni misura veniva mescolata. I maggiori impatti sono derivati da performance legate alla velocità con il pallone e alla finalizzazione: il tempo di dribbling sui 20 metri, il punteggio di tiro, il peso corporeo e il test generale di dribbling sono risultati i più influenti. Al contrario, la giocoleria con il pallone — per esempio far rimbalzare ripetutamente il pallone con la testa o alternare tocchi di testa e piede — ha avuto un ruolo molto meno rilevante nella previsione della posizione. Questo suggerisce che, almeno per questi adolescenti, abilità pratiche simili alla situazione di gioco come lo sprint con il pallone e la capacità di tirare con precisione portano più informazioni sulla posizione rispetto a esercizi di controllo spettacolari.

Cosa significa per giovani giocatori e allenatori

Per genitori, giocatori e allenatori, lo studio mostra che test relativamente semplici possono fornire segnali utili su dove un adolescente potrebbe inserirsi meglio in campo, e che il machine learning può trasformare questi segnali in previsioni di posizione ragionevolmente accurate. Tuttavia, la sovrapposizione tra difensori e centrocampisti, e il fatto che molte abilità siano ancora in sviluppo tra i 15 e i 17 anni, significa che i numeri dovrebbero integrare, non sostituire, l’occhio dell’allenatore e le preferenze del giocatore. Il messaggio principale è che strumenti guidati dai dati possono aiutare a orientare le scelte posizionali precoci — specialmente per ruoli chiaramente distinti come l’attaccante — ma funzionano meglio se combinati con valutazioni più ampie di senso di gioco, capacità decisionale e comprensione tattica.

Citazione: Izhanov, Z., Seisenbekov, Y., Marchibayeva, U. et al. Position prediction from performance and anthropometric indicators in young footballers: a machine learning approach. Sci Rep 16, 6766 (2026). https://doi.org/10.1038/s41598-026-37957-2

Parole chiave: calcio giovanile, ruolo di gioco, machine learning, test di performance, identificazione del talento