The FIFA World Cup 2026 Master Dataset: A Normalized 3NF Relational Benchmark of the Expanded 48-Team International Football Tournament

Il calcio è da tempo un gioco di passione e istinto, ma negli ultimi decenni una rivoluzione silenziosa ha trasformato lo sport in una scienza. Analisti e allenatori si affidano ora a enormi quantità di informazioni strutturate per comprendere ciò che accade sul campo, andando oltre i semplici punteggi per tracciare ogni passaggio, tiro e sostituzione. Questo campo, noto come analisi sportiva (sports analytics), cerca di trovare schemi nel caos di una partita, utilizzando i dati per spiegare perché una squadra ha vinto o perso, come si è comportato un giocatore e cosa potrebbe accadere in seguito. Mentre le aziende commerciali spesso detengono i record più dettagliati dietro barriere di pagamento, la comunità scientifica ha a lungo avuto bisogno di dataset aperti e affidabili per testare nuove idee e migliorare la nostra comprensione del gioco. La sfida è sempre stata il fatto che i dati pubblici disponibili sono spesso disordinati, non connessi o privi dei dettagli specifici necessari per uno studio approfondito, come l'esatta posizione di uno stadio o il valore di mercato preciso di un giocatore.

Nell'estate del 2026, un ricercatore di nome MD Mominul Islam, della Shahjalal University of Science and Technology in Bangladesh, ha affrontato questo vuoto creando un registro digitale completo della Coppa del Mondo FIFA. Questo torneo è stato un evento storico, espandendosi da 32 a 48 squadre nazionali e presentando 104 partite giocate in 16 sedi in Canada, Messico e Stati Uniti. La partita finale ha visto la Spagna sconfiggere l'Argentina per 1–0, ma la vera importanza dell'evento per la scienza dei dati risiede nel puro volume di attività che ha generato. Il ricercatore ha compilato le informazioni seguendo i 39 giorni di torneo, raccogliendo dettagli su ogni singola partita, le 48 squadre qualificate e i 1.248 giocatori registrati. Il risultato è una vasta e organizzata collezione di fatti che collega la biometria dei giocatori, la geografia delle sedi e gli eventi della partita in un unico sistema coerente.

Il traguardo centrale di questo lavoro è la creazione di un database "normalizzato", ovvero un modo specifico di organizzare le informazioni in modo che ogni dato abbia un luogo unico e sia collegato logicamente a tutto il resto. Invece di avere fogli di calcolo sparsi dove le informazioni potrebbero essere ripetute o contraddittorie, il ricercatore ha costruito un sistema con 12 tabelle distinte che si incastrano come un puzzle. Una tabella contiene i dettagli dei 16 stadi, inclusa la loro capacità e, crucialmente, la loro altitudine sopra il livello del mare, che può influenzare il modo in cui i giocatori respirano e si esibiscono. Un'altra tabella traccia i 1.248 giocatori, registrando la loro altezza, la data di nascita, l'esperienza internazionale e il loro valore di mercato stimato in euro. Un terzo set di tabelle cattura le 104 partite stesse, collegandole agli arbitri specifici, alle squadre coinvolte e ai punteggi finali. Questa struttura permette a un ricercatore di porre domande complesse, come l'influenza dell'altitudine di uno stadio a Città del Messico sulle prestazioni di una squadra proveniente da una nazione costiera, senza dover incrociare manualmente decine di file diversi.

Ciò che rende questo dataset particolarmente prezioso è l'inclusione di metriche che spesso mancano nei dati pubblici gratuiti. La collezione include gli "expected goals" (gol attesi), una misura statistica che stima la probabilità che un tiro diventi un gol in base a dove è stato effettuato e all'angolo del tiro. Fornisce inoltre registrazioni minuto per minuto di chi stava giocando, quando sono stati sostituiti e quanto tempo sono rimasti in campo. Per ogni partita, il dataset offre un riepilogo delle tattiche di squadra, come quanto tempo una squadra ha controllato il pallone e quanti tiri ha effettuato. Inoltre, il ricercatore ha incluso caratteristiche pre-calcolate progettate per aiutare i computer a imparare dai dati, rendendo più facile per altri costruire modelli in grado di prevedere l'esito delle partite. I dati coprono l'intero torneo, dalla fase a gironi iniziale fino alla finale, catturando l'intero arco della competizione.

Per garantire che le informazioni fossero affidabili, il ricercatore non si è limitato a copiare e incollare numeri da internet. Ha costruito un sistema automatizzato per verificare i dati rispetto ai rapporti ufficiali della FIFA e di altre fonti autorevoli. Questo processo ha comportato l'esecuzione di una serie di nove test differenti per verificare che i numeri avessero senso, insieme a un controllo manuale su 30 partite. Ad esempio, il sistema ha controllato che il numero totale di squadre e giocatori corrispondesse al conteggio ufficiale, che nessuna partita avesse un punteggio senza uno stato corrispondente e che la somma dei gol segnati da un giocatore nei log dettagliati degli eventi corrispondesse al suo totale di gol nelle statistiche del giocatore. Questo rigoroso processo di verifica ha confermato che i dati sono accurati ad un grado molto elevato, con un tasso di accuratezza empirica del 99,87 percento.

Le scoperte presentate in questo lavoro non sono solo un elenco di punteggi, ma una base verificata per scoperte future. I dati rivelano una forte connessione tra gli expected goals generati da una squadra e i gol effettivamente segnati, mostrando che i modelli statistici utilizzati per prevedere le prestazioni si allineano strettamente alla realtà. Evidenziano inoltre le disparità economiche tra le nazioni, mostrando il valore di mercato totale delle squadre per le prime 15 squadre qualificate. Sebbene il dataset non includa il tracciamento ad alta velocità, secondo per secondo, di ogni movimento del giocatore a causa delle restrizioni di licenza, esso fornisce un livello di dettaglio che è raro per le risorse ad accesso libero. Cattura le condizioni fisiche del torneo, le decisioni tattiche degli allenatori e i contributi individuali di ogni giocatore in un formato pronto per l'analisi.

Questo dataset è ora disponibile per chiunque sia interessato alla scienza dello sport, fornito in formati che possono essere utilizzati da software di database standard e strumenti di machine learning. Serve come punto di riferimento per i ricercatori che vogliono studiare come l'espansione di un torneo influenzi il gioco, come diversi ambienti impattino sulle prestazioni dei giocatori o come costruire modelli migliori per prevedere il futuro del calcio. Rendendo queste informazioni aperte e affidabili, il lavoro rimuove una barriera significativa per gli scienziati e gli analisti, permettendo loro di concentrarsi sulla scoperta piuttosto che sulla pulizia dei dati. Il risultato è un record chiaro e concreto di uno degli eventi sportivi più popolari al mondo, preservato in un modo che permette alla storia della Coppa del Mondo 2026 di essere raccontata non solo attraverso i momenti salienti e i titoli di giornale, ma attraverso i fatti precisi e interconnessi del gioco stesso.