Počeci košarkaškog skautinga sežu u 1948. godinu u New Orleans, kada su skauti počeli da beleže određene statističke podatke, poput poena i izgubljenih lopti. Postoji više od dvadeset definicija statistike, a ona igra ključnu ulogu u skautingu. Na osnovu događaja iz prošlosti, skauti nastoje da precizno predviđaju buduće ishode. U Evropi, skauting se prvi put pojavljuje 1969. godine u Italiji. Danas je skauting dostigao izvanredne visine, a kvalitetan skauting se ne može zamisliti bez savremenih informacionih tehnologija. U novijoj košarkaškoj istoriji, posebno se ističe koncept “advance scouting” (Markoski, 2009). Skauting obuhvata analizu i prezentaciju ključnih rezultata tima ili sportiste, s ciljem poboljšanja njihovih performansi i, samim tim, rezultata. Košarkaški skauting i analiza vlastitog i protivničkog tima postali su ključni deo pripreme za sve utakmice u profesionalnim ligama. Korišćenje programa za analizu podataka u sportu pruža značajne prednosti korisnicima. Ovi alati omogućavaju uvid u sve važne aspekte košarkaške igre i pomažu u izvlačenju korisnih saznanja iz prikupljenih podataka. Na taj način, timovi bolje razumeju svoje snage i slabosti, identifikuju šta im je potrebno za pobedu, gde najčešće greše i koje aspekte igre treba poboljšati (Lyons, K. 2005).

U novijoj košarkaškoj istoriji, posebno se ističe program “Advance scouting”. Ovo je jedan od najnaprednijih skauting programa koji su se pojavili. Njegova implementacija završena je u novembru 1989. godine, a prvi korisnici bili su Chicago Bullsi. Program je koštao milion dolara. Iako su imali izvanredne igrače, uključujući i najboljeg košarkaša svih vremena, Majkla Džordana, nisu uspeli da osvoje nijednu titulu. Tokom godine, skauti iz Chicaga su marljivo radili s ovim programom, a u naredne tri godine postali su neprikosnoveni vladari košarkaške scene. “Advance scouting 1.0” omogućavao je skauting tokom utakmica i nakon njih (Retgeber, 2007; Oliver, 2004 ). Korišćenjem košarkaške analize i data mininga, koji predstavljaju najviši nivo analize, timovi mogu bolje upoznati svoje protivnike i pripremiti se za sledeće mečeve, uključujući taktiku za predstojeću utakmicu. Statistika igra ključnu ulogu u skautingu, jer skauti na osnovu prethodnih događaja nastoje da precizno predviđaju buduće situacije kako bi stekli uvid iz podataka (Markovski, 2012; Angeli, 2003, 2004; Schumaker et al., 2010; Fieltz & Scott, 2003).

ANALIZA PODATAKA U KOŠARCI

Standardno ocenjivanje igrača obično uključuje skauting izveštaje, analizu video materijala, procenu tržišne vrednosti igrača i definisanje njihove uloge u timu. S obzirom na to da informacije potrebne za analizu dolaze iz različitih izvora, njihovo prikupljanje može biti izazovno. Analitika omogućava integraciju ovih informacija. Kada donosioci odluka koriste analitiku dok proučavaju skauting izveštaj o igraču kao potencijalnom pojačanju, mogu efikasno pregledati statistiku, video zapise iz igre, nivo igre u poređenju sa standardnim partijama igrača, kao i da uporede skautovu ocenu sa svojim zapažanjima. Pored toga, analitika omogućava donosiocima odluka da razmotre različite scenarije u vezi s ulogom igrača u timu i tipom ugovora koji se nudi, čime se može proceniti dugoročni uticaj igrača na rezultate ekipe. Procena fizičkih sposobnosti vrši se kroz razne oblike testiranja sportista.

Na slici 1 prikazan je primer analize procenta uspešnih šuteva u određenoj zoni terena jedne ekipe iz igre. Sliku 2 čini primer označenih uspešnih i neuspešnih šuteva tokom igre. Crni krugovi predstavljaju uspešne šuteve, dok crni krstići označavaju neuspešne.

ZAKLJUČAK

Danas je teško zamisliti kvalitetan skauting bez savremenih informacionih tehnologija. Skauting omogućava trenerima da razviju odgovarajuće taktike u odnosu na protivničke timove, kao i da analiziraju svakog igrača, ukazujući svojim igračima na specifične vrline i slabosti protivnika (Ratgeber, 2010; Trninić, 1996). Indeks uspešnosti predstavlja najbržu i najobuhvatniju analizu. Pored trenera, skauting pruža informacije i igračima, novinarima, menadžerima i drugima, uključujući podatke o tome koliko je ko postigao poena protiv određenih tipova odbrane, koje su vrste napada koristili timovi, kao i koliko su poena primili iz kontranapada, brzih napada, pik&roll akcija itd.

Tekst napisao:

Doc. dr Miodrag Milovanović, profesor na FFKMS, jedini fakultet za sport na Univerzitetu Singidunum

LITERATURA

1. Lyons, K. “Data Mining and Knowledge Discovery”, Australian Sports Commission Journals 2, 2005.
2. O’Reilly, N., P. Knight “Knowledge Management Best Practices in National Sport Organizations”. International Journal of Sport Management and Marketing 2(3), Pages: 264-280. 2007.
3. Schumaker R., Solieman O., Chen H. “Sports Data Mining”, Springer 1st edition, 2010
4. Fieltz, L. & D. Scott. “Prediction of Physical Performance Using Data Mining”. Research Quarterly for Exercise and Sport 74(1): 1-25. 2003.
5. Scouting America’s Top Basketball Programs, Volume 1, Jamie Angeli, 2003.
6. Scouting America’s Top Basketball Programs, Volume 2, Jamie Angeli ,2004.
7. Oliver, D. Basketball on paper – Rules and tools for performance analysis, Brassey’s, Washington DC, 2004.
8. Ratgeber, L. Play from a game: (Head Coach). Mizo Pecs 2010. 2007/2008. Mizo Pecs 2010 vs. Euroleasing Sopron.
9. Trninić, S. (1996). Analiza i učenje košarkaške igre. Pula: Vikta
10. Markoski, B. Skauting u košarci, Infotech Jahorina Vol.8, Ref.E-III-24.p 628-630, March 2009.
11. Trunić, N. (2018). Osnovne košarkaške veštine. Beograd: Univerzitet Singidunum.
12. Markoski, B. “Primena i prenos on-line podataka u košarci. Infoteh Jahorina. Vol. 9, Ref. E-I-16, p. 487-490, March 2010.
13. Retgeber, L., Markoski, B., Pecev, P., Lacmanović, D., Ivanković, Z. “Comparative Review of Statistical Parameters for Men’s and Women’s Basketball Leagues in Serbia”, Acta Polytechnica Hungarica Vol. 10, No. 6, 2013.