Clustering dei calciatori della Serie A 2022-2023 per stile di gioco

The traditional methods of classifying players based on their specific positions on the field (e.g., central defender, left-back, central midfielder, left-winger, etc.) are becoming less relevant in effectively defining their roles. Instead, there is a growing interest in the actual function of players during the match. This study represents an example of modifying the method of grouping players by focusing on their actions during the game to determine their actual function within the team's tactics. Using statistical data from the 2022/2023 season, a clustering analysis was conducted to group players into categories based on their function on the field. The analysis was performed using model-based clustering, which provides each player with a probability of belonging to each of the identified clusters. This method also allows for the identification of hybrid players, who may show multiple memberships to different clusters. The results obtained can be applied in scouting and offer a new data-driven approach, providing an immediate tool for identifying player characteristics. As a result, it can be used alongside traditional methods to identify the type of player needed within a football team's squad.

Le tradizionali modalità di classificazione dei giocatori in base alle loro po- sizioni specifiche in campo (es. difensore centrale, terzino sinistro, centro- campista centrale, ala sinistra, ecc.) stanno perdendo di rilevanza nel de- lineare efficacemente il loro ruolo. Si sta assistendo, invece, a un crescente interesse verso l’effettiva funzione dei giocatori durante la partita. Questo studio rappresenta un esempio di modifica del metodo di raggrup- pamento dei giocatori, basandosi sulle azioni durante il gioco per determinare la loro effettiva funzione all’interno della tattica di squadra. Attraverso i dati statistici della stagione 2022/2023, è stata condotta un’analisi di clustering (cluster analysis) per raggruppare i giocatori in categorie, basate sulla loro funzione in campo. L’analisi è stata condotta tramite model-based clustering, che fornisce a ciascun giocatore una probabilità di appartenenza a ciascuno dei cluster identificati. Questo metodo consente anche di individuare i gio- catori ibridi, che possono mostrare appartenenze multiple a diversi cluster. I risultati ottenuti possono trovare applicazione nello scouting e offrono un nuovo approccio basato sui dati, che fornisce uno strumento immediato per identificare le caratteristiche dei giocatori. Di conseguenza, può essere utilizzato in concomitanza con i metodi tradizionali per identificare il tipo di giocatore necessario all’interno della rosa di una squadra di calcio.