Eso estaba en la esquina, nadie lo salva".
"No tenían derecho a salvar eso".
"Habría esperado que se lo ahorraran nueve de cada diez veces".
Algunas frases de los comentaristas se repiten con tanta frecuencia que da la sensación de que se quedan grabadas en el subconsciente de los aficionados cada vez que ven un tiro a puerta durante un partido en directo.
Sin embargo, ¿hasta qué punto son precisos esos clichés subjetivos en torno a la capacidad de un jugador para finalizar una ocasión de gran calidad, o la habilidad de un portero para detenerlas?
Tras el exitoso lanzamiento de Expected Goals (xG) hace más de una década, Opta introdujo otro modelo, Expected Goals on Target (xGOT), también conocido como xG post-shot. xGOT aprovecha la base de datos histórica de Optade datos de disparos para identificar la probabilidad de que se marque un gol en función de la trayectoria de un disparo, su ubicación final en la boca de gol y muchos otros factores contextuales.
Ahora, el equipo de OptaAI ha supervisado una serie de mejoras en xGOT, haciendo que el modelo sea aún más potente para los comentaristas, analistas de studio y analistas de rendimiento dedicados que trabajan para los clubes.
Este xGOT mejorado también se divide ahora en modelos separados para fútbol masculino y femenino, utilizando datos de 32 competiciones masculinas y 31 competiciones femeninas recopilados por Opta. Se ha entrenado con más de 300.000 tiros a puerta de competiciones históricas recientes. También hay otro modelo separado dedicado a los lanzamientos de penalti, que se ha entrenado con más de 20.000 penaltis.
¿Qué tienen en cuenta ahora estos modelos xGOT para ofrecer información en tiempo real? Antes de entrar en materia, recordemos rápidamente en qué se diferencia xGOT de xG.
Explicación de los objetivos previstos
El modelo xG de Optamide la calidad de una ocasión basándose en la ubicación del disparo y en docenas de factores contextuales del campo tomados desde el momento en que se realiza el disparo. Esto significa que una visión clara de portería, desde cerca, va a generar un valor xG mucho más alto que un esfuerzo especulativo desde fuera del área.
Si bien es cierto que una mejor comprensión de lo que cabría esperar que marcara un jugador medio, basada en la ubicación del disparo, nos da una idea de la calidad de una ocasión, lo que también sabemos es que distintos jugadores pueden ejecutar la misma ocasión de forma muy diferente. Un disparo de esta ocasión que se dirige a la escuadra tiene muchas más probabilidades de convertirse en gol que un disparo directo al centro de la portería.
Aquí es donde entra xGOT para medir ese siguiente nivel de contexto.
xGOT mide la probabilidad de que ese tiro a puerta acabe en gol, basándose en la combinación de la calidad de la oportunidad subyacente (xG) y la información relativa a la ejecución del tiro, incluida la ubicación del extremo del tiro dentro de la boca de gol.
Por tanto, si pensamos que xG es la calidad de la oportunidad basada en la ubicación del tiro, xGOT registra la calidad de la oportunidad después del tiro: da más crédito a los tiros que acaban en las esquinas que a los tiros que van directos al centro de la portería. Como su nombre indica, el modelo sólo se utiliza para los tiros a puerta, ya que si no se acierta, hay un 0% de posibilidades de que se convierta en gol.
He aquí un buen ejemplo de xGOT en acción en la Premier League de la temporada pasada.
James Maddison, del Tottenham, se paró sobre un tiro libre directo contra el Aston Villa, donde la ubicación del tiro libre tuvo un valor xG de 0,12. La ejecución del tiro libre por parte de Maddison, rodeando la barrera del Villa y entrando por el primer palo de Emi Martínez, registró un xGOT de 0,73. Esencialmente, se trató de una ocasión difícil, medida por el valor xG, ejecutada con gran calidad, lo que se refleja en un valor xGOT mucho más alto.
Puedes ver la ejecución de Maddison de este tiro libre aquí (sólo en Reino Unido).
¿Cómo se ha mejorado xGOT?
Sin entrar demasiado en los entresijos detallados del modelo, las mejoras de xGOT pueden resumirse en cuatro puntos clave:
#1 Modelos separados para el fútbol masculino y femenino
Desde la Copa Mundial Femenina de la FIFA 2023, todos los valores xG de ocasiones en partidos femeninos capturados por Opta se han generado utilizando un modelo específico entrenado con disparos de partidos femeninos históricos. Más información sobre nuestro modelo xG femenino aquí.
En la última iteración de xGOT, ahora también tenemos modelos separados para partidos masculinos y femeninos. El modelo masculino se ha entrenado con datos de 32 competiciones masculinas y el modelo femenino se ha entrenado con datos de 31 competiciones.
Utilizando los valores xGOT de las ligas femeninas de primera división del año pasado en Inglaterra, Francia, Alemania, Italia y España, podemos identificar a las jugadoras cuyos disparos mejoraron sistemáticamente la calidad de las ocasiones que tuvieron, a menudo golpeando el balón limpiamente y colocando sus disparos en las esquinas.
Utilizando la métrica de Goles de Tiro Añadidos, que mide el total de los xGOT agregados de un jugador durante la temporada que superan sus xG, podemos ver que, desde el juego abierto, la delantera del TSG Hoffenheim Selina Cerci mejoró la calidad de sus ocasiones de tiro previo en 4,6 goles. Esto indica que, en las jugadas a puerta vacía, disparaba a puerta y lo hacía en buenos sitios, donde era difícil que la portera atajara.
#2 Mayor profundidad de los datos de los porteros
Además de la calidad subyacente de la ocasión (xG) y la trayectoria del disparo, xGOT incorpora ahora información detallada sobre cómo influye la posición del guardameta en la probabilidad de que se marque un gol. Esto se refiere tanto a su distancia a la trayectoria del disparo como a su posición en relación con el lugar del disparo y la boca de gol en el momento del disparo.
Esta información conduce a resultados intuitivos en el valor xGOT: por ejemplo, un guardameta situado más cerca de la trayectoria del disparo tiene más probabilidades de realizar una parada. Del mismo modo, un portero situado en la esquina izquierda de la portería tiene menos probabilidades de atajar un disparo que se dirige al fondo a la derecha, como ilustra el gráfico de la boca de gol que aparece a continuación, que muestra una buena ocasión subyacente, a 14 metros de la portería con un xG inicial de 0,26, donde el valor xGOT es de 0,95.
#3 Perspectivas de ejecución de los disparos
xGOT ahora tiene en cuenta los calificadores adicionales relacionados con la ejecución del disparo en sí. Por ejemplo, si un tiro ha sido desviado o errado, esto afectará al valor xGOT atribuido al tiro, al igual que cualquier desvío aplicado al tiro.
#4 Un modelo de penalización específico
Los lanzamientos de penalti son de naturaleza diferente a los lanzamientos en campo abierto, dado que el jugador que ejecuta el tiro tiene una trayectoria libre e incontestable hacia la meta y el guardameta debe tener un pie en la línea de meta en el momento del lanzamiento.
Como resultado, se ha desarrollado un modelo xGOT separado entrenado exclusivamente en un conjunto de datos históricos de lanzamientos de penaltis.
En las cinco grandes ligas europeas masculinas de la temporada pasada, el delantero del Bayern de Múnich Harry Kane fue el jugador que generó el xGOT por lanzamiento más alto (0,86) de todos los que lanzaron al menos 5 penales, anotando 9 de los 9 lanzamientos del campeón de la Bundesliga.
Entonces, ¿quiénes fueron otros destacados de la temporada pasada basados en xGOT?
Cuando aplicamos el modelo mejorado a cada disparo de la campaña de la Premier League inglesa de la temporada pasada, podemos ver que Jordan Pickford, del Everton, evitó más goles con sus paradas que cualquier otro portero (6). Como se ilustra en el gráfico de porteros que aparece a continuación, se esperaba que Pickford encajara 50 goles (50 xGOT encajados), pero sólo encajó 44 goles a lo largo de la campaña.
Otra métrica que aplica xGOT para ilustrar la capacidad de los porteros para detener disparos es el Índice de Goles Impedidos. Este índice estandariza la métrica xGOT en función del número de disparos a los que se enfrenta cada guardameta, de modo que los porteros que se enfrentan a un mayor volumen de disparos pueden medirse de forma más justa junto a los porteros con una defensa más fuerte delante de ellos.
Por ejemplo, en la Liga de la temporada pasada, Mario Dmitrovic, que jugó en la portería del descendido Leganés, evitó más goles (4,75) que Thibaut Courtois, del Real Madrid (2,8). Sin embargo, cuando normalizamos por el volumen de disparos a los que se enfrentaron, podemos ver que ambos guardametas evitaron goles igual de bien, encajando 1,1 goles.
Desde la perspectiva de un atacante, podemos obtener información sobre la eficacia de un jugador a la hora de ejecutar un disparo con una calidad de oportunidad subyacente relativamente baja, basándonos en la xG inicial, consiguiendo un disparo a puerta con una xGOT mucho mayor. Otro buen ejemplo es el gol de Omar Marmoush para el Man City contra el Bournemouth el año pasado, que tuvo una xG de 0,02 pero la xGOT fue de 0,63.
¿Cómo puedo saber más sobre xGOT y sus aplicaciones?
Como todas las métricas de OptaAI, se pueden utilizar a través de una serie de feeds e integraciones de productos, lo que le permite compartir información de gran alcance sobre el rendimiento de los jugadores frente a la portería y la destreza del portero para detener los disparos. Más detalles sobre estas soluciones en Buscador de productos deStats Perform.
Si eres un científico de datos que trabaja en un club, nuestro equipo de Soluciones Pro también está a tu disposición para guiarte a través del desarrollo del modelo y la lista completa de funciones. Puede ponerse en contacto con ellos en prosolutions@statsperform.com
Para obtener una lista completa de las explicaciones de los modelos de Opta , visite la página Explicadores de métricas de Opta Analyst.
