ScoutAI הוא כלי לימוד בדפדפן: הוא מציג איך מרכיבים ציון מרוכב (Impact Score) מנתוני StatsBomb Open Data, עם מקור ותווית provenance על כל שורה. זה לא שירות סקאוטינג, לא AI, ולא מוצר דוחות למכירה.
הנוסחה גלויה במכוון — כדי שאפשר יהיה להתווכח עליה, לא כדי להעמיד פנים שהיא מדע:
Impact = 0.4×Grit + 0.3×Involvement + 0.3×Clutch
(Grit = מאמץ הגנתי / Involvement = מעורבות התקדמות ויצירה / Clutch = תפוקה ברגעים מכריעים. משקלות ידניות, לא מכוילות.)
אנליסטים וסקאוטים מתחילים בישראל — בוגרי קורס ספורט פאנל וקהל myscout.co.il — שצריכים ללמוד איך בונים מדד, לא לקנות מדד מוכן.
זה לא כלי לסוכן FIFA ולא תחליף ל-Wyscout / Transfermarkt / נתוני מנהלת הליגות.
הדמו החי הוא מעבדה אחת על שכבת נתונים אחת:
- שכבה אחת (
createStore/loadLabSources): נטען רקdata/wc2018_event_aggregates.json. דירוג, שיעור, חוקר ספירות, אימות ושבריריות הם נגזרות של אותה שכבה. אין קובץ PoC שני ואין מדדי המחשה מומצאים. - שיעור מלא (8 צעדים): מאירוע לספירה, ל-90 דקות, לתקרה, למשקלות, להטיית עמדה, לשבריריות, למדגם מוחזק וליושרה. כל צעד עם תרגיל ובדיקה עצמית. הסיום דורש לא להכריז על «עונה מוחזקת» — לא ρ גבוה.
- בנה מדד בעצמך: סליידרים ל-Grit/Involvement/Clutch, סף דקות, ונרמול עמדה — Δ מול בסיס 40/30/30, מצב ב־hash.
- תרגיל מודרך: «בנו מדד שמדרג בלמים באופן הגיוני» עם בדיקה עצמית (סף דקות, Grit מול Clutch, כמה בלמים עולים מול 40/30/30). אין תשובה מדעית אחת.
- שיעור שקוף: יחידת לימוד = שחקן אחד (כמו בעיטה בשיעור xG), צעדים + טבלת גורמים + תרומות ויזואליות. התווית תואמת את השכבה הפעילה (Open Data / קובץ שלכם / דוגמה סינתטית).
- חוקר ספירות: הקבלה מאחורי המספרים של השחקן הנבחר — שדות אמיתיים מהקובץ הפעיל (ספירה, /90, תקרה, סקייל). הקובץ הפתוח הוא מצטבר מ-64 משחקים, לא יומן אירוע-אחר-אירוע.
- מעבדת אימות: פיצול 32 נבחרות לבתים A–D (אימון) מול E–H (מבחן). Spearman מול יעד מהקובץ (בישולים/כדרורים/שערים…). אין עונה שנייה בריפו — זה מדגם מוחזק באותו טורניר. יעדי שערים מסומנים כדליפה דרך Clutch/xG.
- מכ״ם השוואה: שני שחקנים על תשעת הרכיבים הגולמיים שנכנסים לנוסחה (אותן תקרות ל-90 דקות), בלי ספרייה חיצונית.
- הביאו נתונים שלכם: JSON/CSV מקומי עם אישור רישיון; קובץ שנראה כמו Open Data נדחה. כותרות CSV נקראות גם בקיצורי FBref/Opta (Player, Squad, Min, Tkl, Int, KP, xG…) ובעברית (שם, קבוצה, עמדה, דקות), וההתאמה מדווחת. מספרים עם מפריד אלפים (
"1,234",1 234,1'234) נקראים; תא-/N/A/nullנחשב ריק ולא 0 ומדווח פעם אחת לכל עמודה. קובץ בלי דקות קריאות מדווח (בלי דקות כל רכיב ל-90 הוא 0 ואיש לא עובר את סף הדקות); שחקן בלי דקות בקובץ שכן יש בו דקות (תא ריק או-) מדווח לפי שם, כי הוא נטען עם 0 דקות ונעלם מהדירוג; דקות או ספירה שליליות נחשבות חסרות ומדווחות לפי שחקן; קובץ תקין שבו אף שחקן לא עובר את סף הדקות (ייצוא של משחק אחד: 90 דקות מול סף 270) מדווח בטעינה עם הדקות הגבוהות ביותר בקובץ וערך הסף שהיה מכניס שחקנים לדירוג; שורות סיכום (Squad Total, Opponent Total, סה"כ, ממוצע) מדולגות ומדווחות ולא מדורגות כשחקן; ייצוא FBref עם שורת כותרת-על מעל הכותרת ושורות כותרת חוזרות נקרא כמו שהוא, והשורות האלה מדולגות ומדווחות; טבלת FBref בלי עמודת Min (Defensive Actions, Passing…) נקראת דרך עמודת90s(דקות = 90s × 90, מעוגל ומדווח); שם שחקן שחוזר בקובץ (שורה שהודבקה פעמיים, או מעבר באמצע עונה בייצוא FBref) מדווח לפי שם — כל שורה מדורגת בנפרד ולא מאוחדת. קובץ CSV מ-Excel עברי (windows-1255) או UTF-16 נקרא בקידוד הנכון, והקידוד מדווח. דוגמה סינתטית ב־data/user-dataset.example.json. - ייצוא לימודי: JSON מקומי + פסקת מתודולוגיה לציטוט, עם תזכורת שהרישיון אוסר מסחר.
- מילון אירועים: כל מונח מקושר לשדה ב-JSON (
players[].pressuresוכו') ולערך החי של השחקן הנבחר. מה שנאסף ולא נכנס לנוסחה מסומן. - מעבדת שבריריות: אותה שכבה, אותו שחקן נבחר, +10 למשקל אחד.
- מלכודת הפיצ'רים המשכנעים (trap/): ארגז «הוסף פיצ'ר», שחזור של ההוכחה המעגלית מ־
attic/proof-demo.js, ומבחן הפרכה למדד מרוכב. מלמד למה ניתוח פנים אינו מדד — בלי לממש ניתוח פנים. - דקות מעל 750 תחת תווית מונדיאל מסומנות כבלתי-אפשריות (7×90 + 4×30 הארכות). 621 דקות של קאנטה הן סבירות לגמר, ולא «דליפת עונה».
- באנרי יושרה:
STATSBOMB_OPEN_DATA,NO_HELD_OUT_SEASON,NO_AI. - בדיקות:
npm testמריץnode --test, שמגלה ומריץ את כל קובצי הבדיקה תחתtest/.
מעבדת כדורסל (basketball/)
אותו רעיון, בלי נתונים פתוחים מובנים: טוענים CSV שיש לכם זכות להריץ (Basketball-Reference, ייצוא Excel, טבלה ידנית), או דוגמה סינתטית.
- נוסחה ל-40 דקות (FIBA): הגנה (53% חטיפות, 47% חסימות), ריבאונד (60% ריבאונד התקפה, 40% ריבאונד הגנה), יצירה (אסיסטים + יחס אסיסט/איבוד), קליעה (נקודות + True Shooting %). ברירת מחדל 24/20/24/32 וסף 250 דקות: לריבאונד 20%, החלק שלו בארבעת הגורמים, והשאר שומר על היחס הקודם 30/30/40. כל בחירה מבוססת על מקור שמופיע בדף: TS% ו-Four Factors של Basketball-Reference, מקדמי BPM 2.0, Franks et al. (2016) על יציבות מדדים, Medvedovsky (2020) על כמות מדגם.
- למה נוסף ריבאונד: בדיקה מקומית על 904 משחקי עונה סדירה של ליגת העל (2021–22 עד 2025–26, box scores מהאתר הרשמי, לא נשמרו בריפו) הראתה שהמתכון הקודם, בלי ריבאונד התקפה, דירג סנטרים נמוך מדי: Zach Hankins, ה-MVP של 2022–23, היה במקום 45 אחרי 8 מחזורים, כש-PIR של הליגה שם אותו במקום 6. המשקל החדש לקוח מארבעת הגורמים, לא כויל על הנתונים האלה.
- קריאת קבצים: כותרות באנגלית ובעברית, דקות בפורמט 32:15, קובץ «ממוצע למשחק» מוכפל ב-G, שחקן שעבר קבוצה (TOT / 2TM) נספר פעם אחת, שורות סיכום וכותרות חוזרות מדולגות ומדווחות. קובץ עם עמודת מחזור (Round / מחזור) נקרא כקובץ משחק-משחק ומסוכם לעונה.
- אימות: חצי מהקבוצות אימון והחצי השני מבחן, Spearman מול +/- / PIR / נקודות / ריבאונדים, עם סימון דליפה.
- תחילת עונה מול המשך עונה (חלק 6): בקובץ משחק-משחק, המדד מחושב רק מהמחזורים הראשונים והיעד רק מהמחזורים שאחריהם, בלי משחק משותף. המדד מושווה לכל מספר פשוט מתחילת העונה (כולל היעד עצמו), עם p מ-1,000 ערבובים. אפשר להקליד שם של שחקן (למשל מי שסיים MVP) ולראות באיזה מקום היה אחרי המחזורים הראשונים לפי כל דירוג.
- בדיקת «שורה חדשה» (שפת גוף, פנים, כל עמודה): כל עמודה מספרית בקובץ שלא נכנסת לנוסחה — קידוד שפת גוף מווידאו, fWHR מתמונות, מגעים בין שחקנים — נבדקת על קבוצות המבחן בשתי שאלות: האם היא חוזה את היעד (ρ מול 1,000 ערבובים), והאם היא מוסיפה משהו מעבר למדד (ρ חלקי). יש בדף פרוטוקול מדידה לפי המחקר (Kraus et al. 2010 על מגעים ב-NBA, Moll et al. 2010, Furley & Roth 2021, Lian et al. 2026). אפשר גם לבחור עמודה מהקובץ כיעד (למשל +/- של חצי עונה שני).
- מבחן PanimGuide: אותה בדיקה בדיוק, ועוד מבחן כתיב שמראה שהציון נגזר מאותיות השם. בדף יש סיכום של המחקר האמיתי על יחס רוחב-גובה של הפנים (fWHR): Sato et al. 2021 (כדורסל, ~2% מהשונות, עונה אחת), Welker et al. 2015, Fujii et al. 2016, Tsujimura & Banissy 2013, Geniole et al. 2015, Kosinski 2017.
- שתי הדוגמאות הסינתטיות (סיכום עונה ומשחק-משחק) נוצרות ב-
node tools/make-basketball-example.js.
attic/ מחזיק סקריפטי הוכחה ישנים ומסמכי מחקר שאינם חלק מהדמו. הם אינם ניתנים לשחזור ואין להתייחס אליהם כראיה נוכחית. אין חשבון, תשלום, PDF, וידאו או שליחה החוצה.
המחקר ב־MONETIZATION.md (13.8.2026) מצא נתיב הכנסה חוקי, והוא לא מכירת דירוג מונדיאל 2018:
- הרישיון של StatsBomb Open Data אוסר במפורש «commercially exploit the data or any analysis derived from the use of the Service» (LICENSE.pdf, ס׳ 1.2.2, עודכן 8.9.2023).
- מותר למכור הוראה, ייעוץ, והרצת הכלי על נתונים שהמשתמש רישיין בעצמו.
- בדמו: מצב «הביאו נתונים שלכם». קובץ שנראה כמו Open Data נדחה שם.
licence.html— מה מותר ומה אסור.offer.html— הצעת סדנה ב־490 ₪. אין הרשמה בדף, אין סליקה, אין נרשמים מזויפים.
הדמו החינמי על Open Data נשאר לימוד/מחקר עם קרדיט. לא paywall.
מחקר שוק (13.8.2026) פסק PIVOT — לא למכור דוחות ב-49 ₪:
- הרישיון אוסר מסחר. הסכם המשתמש של StatsBomb Open Data (סעיף 1.2.2) אוסר ניצול מסחרי של הנתונים ושל כל ניתוח שנגזר מהם. מותר מחקר ושיתוף ציבורי עם קרדיט.
- אין כיסוי ישראלי. ב-competitions.json אין ליגת על, לאומית או נוער ישראלי; גם אין עונה שוטפת בחמש הגדולות. סוכן שמחפש כישרון זול לא מחפש את מונדיאל 2018.
- לכן הקהל הוא לימודי. לא נמצא קונה שמשלם 49 ₪ על ציון מרוכב מדאטה שאסור למכור ושלא מכסה את הליגות הרלוונטיות. השקיפות כן מתאימה למי שלומד לבנות מדד (ספורט פאנל / myscout).
- הדמו אינו מנתח וידאו, אינו מפעיל AI, ואינו מספק סקאוטינג מקצועי, רפואי או חוזי.
- ציון מרוכב 0–100 עם משקלות ידניות הוא כלי לימוד שברירי — לא טענת תוקף מדעית.
- Open Data הוא למחקר, לא לתשתית SaaS.
- כל מספר על המסך חייב להיות בר-מעקב עד השדה בקובץ הפעיל. אם טענתם קובץ משלכם, השיעור והחוקר מציגים
USER_LICENSED_DATAולא את מונדיאל 2018.
פתחו index.html דרך GitHub Pages או שרת סטטי מקומי (fetch יחסי לא יעבוד מ־file://).