Wasze oczy
na piłkarską Azję
Zastanawialiście się kiedyś jak wygląda przewidywanie xG i skuteczności strzeleckiej na podstawie highlightów piłkarskich oraz jak wygląda weryfikacja obiektywnych ocen drużyn i zawodników?
Porozmawialiśmy o tym z Ryujim Sasakim, który za pomocą metody K-means i analizy składowych głównych stworzył swoje obliczenia i statystyki dotyczące xG dla J1 League w sezonie 2021. Badania zostały stworzone na podstawie 10282 strzałów.
Całość badań oraz tezy Pana Sasakiego znajdziecie na jego stronach internetowych:
https://note.com/expectedgoal/
Skąd pomysł, aby zacząć tworzyć te statystyki?
Zaczęło się, gdy przeczytałem zaawansowane badania na ten temat, o których powiedział mi mój przyjaciel. Badania zawierały teorię mówiącą jak przewidywać gole i jak “zbierać próbki” z meczu piłkarskiego. Zawierały także wykres z ośmioma strefami wyjaśniającymi kąt i dystans od bramki. Owe badania zostały przeprowadzone na przykładzie Premier League i Bundesligi. Pomyślałem więc, że nie tylko stworzę własne badania w oparciu o J.League, ale dodam do nich nowe statystyki i sposoby badań, takie jak K-Means i tak dalej. Miałem nadzieję, że tworząc taki model J.League przyczynię się do zmiany i rozwoju środowiska piłkarskiego oraz zarządzania futbolem.
A mógłbyś nam krótko wyjaśnić co przedstawiają te dane?
Dane przedstawiają charakterystykę zawodników i drużyn J.League. Pozwalają one przewidzieć liczbę bramek w meczu oraz przeprowadzić ewaluację poszczególnych zawodników i drużyn. Skupiłem się głównie na Kyogo Furuhashim, którego charakterystykę w J.League starałem się pokazać. Według moich badań Furuhashi strzelał “najlepsze” bramki w J.League. Dlatego najlepsze, że strzelał je z pozycji o niskim prawdopodobieństwie strzelenia gola.
Jakie informacje możemy pozyskać z Twoich badań?
Możemy określić charakterystykę piłkarzy i drużyn. Jeśli chcemy poznać sytuację zawodników i zespołów J.League możemy pozyskać informacje właśnie z moich tez.
Ponadto, możemy pozyskać informacje na temat przewidywania liczby goli i tego jak używać statystyk. To coś jak przeprowadzanie ewaluacji piłkarzy i drużyn.
Dobrze zrozumiane mogą posłużyć do ewaluowania swoich zespołów I zawodników. Myślę, że moja teoria może pomóc trenerom, którzy chcą usprawnić swój zespół poszukując odpowiednich I pasujących do ekipy zawodników.
Używając moich teorii i tez możemy wyszukiwać różnych utalentowanych zawodników dopasowanych do poszczególnych zespołów.
Ok, a jak powinniśmy czytać te dane?
Jeśli chcesz znaleźć zawodnika pasującego do Twojej drużyny musisz poznać szczegółowe statystyki, tworzone m.in. systemem K-Means, czy regresją logistyczną.
Bazy danych odgrywają dużą rolę podczas tworzenia nowego modelu xG w J.League. Moja teza pokazała, że odległość i kąt od środka bramki są bardzo ważne, przy przewidywaniu liczby bramek w meczu piłkarskim.
Pytałeś mnie, jak powinniśmy czytać te dane. Jeśli nie wiemy, jak powinniśmy je odczytywać, musimy sobie wyobrazić jak je wykorzystać i połączyć z naszymi danymi. Tworzę teraz nowy model liczenia xG w J.League jednocześnie łącząc go z innymi danymi.
(Poniżej przedstawiamy wykresy z badań Pana Sasakiego, wraz z opisami każdego z nich, które sam dla nas przygotował)
Ten wykres pokazuje jak możemy określić przewidywaną ilość bramek z podziałem na drużyny. Czynnik decyzyjny na wykresie to 0.6117. Im bliżej dana wartość ma do 1, tym lepiej można wyestymować liczbę bramek. Spójrzmy na linię na wykresie. Drużyny poniżej jej pokazują dużą różnicę pomiędzy golami strzelonymi, a golami przewidywanymi.
Ten wykres grupuje drużyny z podobną charakterystyką. Podzieliłem je na trzy grupy. Grupa 0 ma zdobyte 17,7 gola, ale xG na poziomie 39,4.
Pozostałe grupy zostały podzielone według tego samego schematu. Wartości podane na tym wykresie są średnią wyliczoną z ich wyników.
Ten wykres również pokazuje jak wyjaśnić charakterystyki drużyn. Drużyny zostały podzielone według pozycji, z których oddają najwięcej strzałów. Spójrzmy na Nagoyę, która oddała dużo strzałów z „zone 6”. Tutaj też podzieliłem zespoły na trzy grupy, a wyniki są obliczoną średnią.
Tutaj widzimy zawodników z podobną charakterystyką. Podzieliłem ich na pięć grup. Grupa 0 ma średnią liczbę bramek na poziomie 0,15, a xG na średnim poziomie 0,7. Reszta grup to ten sam schemat.
Ten wykres również pokazuje jak wyjaśnić charakterystyki zawodników. Zostali oni podzieleni według pozycji, z których oddają najwięcej strzałów. Tutaj też podzieliłem ich na trzy grupy.
Ten wykres prezentuje nam skuteczność strzałów. Im liczba bliższa wartości „1”, tym większą skutecznością strzałów wykazuje się przedstawiony zespół.
Jak pozyskiwałeś dane do swoich statystyk?
Pozyskiwałem dane podczas oglądania meczów na platformie DAZN. Spędziłem około roku czasu zbierając dane i różne próbki
Jak możemy używać danych pozyskanych przez Twoje badania? Do czego możemy je wykorzystać?
Jeśli jesteś trener musisz wyszukiwać i ewaluować zawodników i drużyny przeciwne. Moje badania mogą pomóc przewidywać liczbę bramek danego zespołu. Te dane mogą być również wykorzystane analizy gry swojej drużyny i wyciąganie wniosków dzięki statystyce.
Statystyki są pomocne podczas poszukiwania zawodników do Twojej drużyny, bo pokazują ich charakterystykę.
Czy Twoja praca przyciągnęła uwagę klubów J.League, albo samej ligi?
Tak, mój research był ewaluowany przez różnych trenerów i przez różne kluby. Nie mogę niestety powiedzieć o kogo chodzi, bez wcześniejszego uzyskania pozwolenia.
Pan Sasaki zdradził nam, że po zakończeniu obecnego sezonu opublikuje swoją analizę dla J.League za rok 2022. Jego badania obejmą zarówno J1, jak i J2 oraz poszczególnych zawodników ligi.
Wyświetleń: 695
