Los modelos existentes, como nuestro marco de posesiones y secuencias, nos permiten segmentar y analizar pasajes de juego con métricas descriptivas como los pases por secuencia y la velocidad directa. Sin embargo, esto solo nos ofrece una visión general de alto nivel del estilo de un equipo o de la participación de un jugador, y a menudo resulta demasiado complejo agrupar secuencias similares para realizar un análisis más profundo.
Las cadenas de movimiento nos ofrecen una nueva capa de detalles.
Las cadenas de movimiento describen el patrón de cuatro participaciones consecutivas de jugadores en un pasaje ininterrumpido de juego mostrando las ubicaciones de los primeros toques de los jugadores implicados, donde un jugador puede estar implicado más de una vez dentro de la cadena. El primer toque de cada jugador implicado en una cadena de movimiento se denomina nodo.
Podemos ver cómo esto funciona en cadena en la jugada previa al segundo gol del delantero del Leeds United Hélder Costa contra el Fulham a principios de temporada.
🔥 El gol que selló nuestros primeros 3 puntos de la temporada pic.twitter.com/SbnME9yVUp
- Leeds United (@LUFC) 19 de septiembre de 2020
Illan Meslier pasa un balón bombeado a Jack Harrison, que cabecea hacia Bamford. Bamford conduce el balón y se lo pasa a Costa para que marque. Cada nodo indica la ubicación de los primeros toques de los cuatro jugadores implicados.
Cada nodo de un pasaje de juego puede clasificarse en más de una cadena de movimientos. Por ejemplo, también tenemos una cadena que comienza con el pase de Robin Koch a Illan Meslier y que terminaría tras cuatro intervenciones de Patrick Bamford. Aquí tres de los nodos se solapan entre cadenas de movimiento únicas.
Las cadenas de movimientos se construyeron para contextualizar el papel de un jugador en determinados patrones de juego y ofrecer una visión holística del estilo a nivel de equipo. ¿Pierre-Emerick Aubameyang participa en cadenas peligrosas por la banda izquierda o más centradas? ¿Cómo son las cadenas más peligrosas del Liverpool?
Actualmente tenemos dos tipos de cadena:
- Cadena no cruzada/de pase: Estas cadenas son las cadenas de movimiento más comunes, en las que los jugadores se pasan el balón entre nodos. Nos centraremos en ellas a lo largo de este blog.
- Cadena de cruces: Estas cadenas contienen cruces completados por el tercero de los cuatro jugadores implicados en la secuencia, donde el tercer jugador cruza al cuarto jugador de la cadena. En estos casos, registramos tanto el primer toque como la ubicación del cruce del tercer jugador.
Cadenas de agrupación
Para extraer el máximo valor de estas cadenas de desplazamientos individuales, necesitamos clasificarlas en grupos basados en su similitud espacial. En primer lugar, dividimos las cadenas en función de sus ubicaciones inicial y final, determinadas por las zonas que se muestran a continuación:
La razón por la que hacemos esto es inyectar experiencia de dominio en el modelo. Podríamos agrupar las cadenas tal cual, pero la falta de cadenas que terminen en zonas avanzadas (por ejemplo, el área de penalti) haría que se agruparan en otras agrupaciones más alejadas de la portería.
Por lo tanto, al segmentar el terreno de juego en zonas nos aseguramos de generar agrupaciones que reflejen fielmente lo que ocurre en el terreno de juego.
Esto nos da un nivel básico de información sobre las cadenas, pero luego tenemos que diferenciar entre los patrones de movimiento dentro de estos grupos. Por ejemplo, las dos cadenas de movimiento que se muestran a continuación empiezan y terminan en las mismas zonas, pero tienen trayectorias muy diferentes.
Para ello, añadimos una etiqueta de agrupación (o patrón) a cada cadena dentro de estos grupos de zonas que encaja con las cadenas espacialmente más similares. Estas etiquetas de agrupación describen la forma del movimiento entre esa zona específica de inicio/fin y se crean mediante un algoritmo de agrupación K-means, con un número de grupos previamente elegido en función de nuestro análisis.
El gráfico siguiente muestra todas las cadenas de la Premier League de esta temporada que empezaron y terminaron en las mismas zonas que nuestro ejemplo del Leeds United, que también pertenecen a la misma etiqueta de cluster. Podemos utilizar estos clusters, representados visualmente por los centroides globales de cada nodo, para evaluar los patrones de juego más frecuentes y más eficaces empleados por un equipo.
Motivos
Aunque las localizaciones de cada implicación y sus trayectorias son fundamentales, también podemos extraer información sobre las implicancias de los jugadores a través de los motivos. Los motivos asignan letras a cada punto de una cadena que indican el orden de implicación de un jugador y se combinan para crear una "palabra" para toda la cadena de movimientos.
Un ejemplo de motivo podría ser "ABCA". Esto significaría que los tres primeros implicados en la cadena son jugadores únicos (jugador A, jugador B y jugador C), pero el primer jugador de la cadena (jugador A) es también el último implicado. En nuestro ejemplo del Leeds United, había cuatro jugadores únicos implicados, por lo que el motivo sería "ABCD".
Este contexto nos permite ver los tipos de combinaciones en estas cadenas y cómo estos rasgos estilísticos difieren entre jugadores y clubes. Por ejemplo, ¿qué equipos están jugando uno contra uno dentro y alrededor del área? ¿Está Kane involucrado en la construcción de cadenas de remates en las que también está llegando al final? y así sucesivamente.
Limitaciones
Aunque es importante comprender lo que pueden medir las cadenas de movimiento, como ocurre con cualquier modelo, es clave conocer sus restricciones:
- Las cadenas no nos dicen qué ocurre entre que los jugadores reciben el balón y lo pasan. Un jugador puede llevar el balón antes de pasarlo al siguiente (por ejemplo, Patrick Bamford en nuestro ejemplo) o puede hacer un primer pase.
- Las cadenas no incluyen información del juego que no haya tenido lugar en una cadena. Por ejemplo, los tiros que no vayan precedidos de tres pases no se incluirán en una cadena.
- Las longitudes de cadena se restringen a cuatro involucraciones con el fin de reducir la complejidad de los datos para un análisis más avanzado con agrupación y motivos.
Ejemplo de análisis de aristas
Además de las características de las cadenas de movimientos que se muestran aquí (por ejemplo, agrupaciones y motivos), también podemos aplicar otros modelos de AI (por ejemplo, valor de posesión, pases esperados y presión) a cada nodo para mejorar nuestra comprensión del contexto en el que se utilizan estos patrones de juego.
Por ejemplo, en nuestra plataforma Edge Analysis, demostramos el poder de las cadenas de movimientos encontrando los patrones más peligrosos que utilizan los equipos (según el Valor de Posesión) y vinculamos esto a las instancias de vídeo para estudiar las jugadas de mayor interés para el usuario. Hacemos este análisis a nivel de cluster, donde cada línea amarilla de abajo representa un cluster que contiene cadenas individuales que cumplen los requisitos de búsqueda:
Las diversas aplicaciones de las cadenas de movimiento nos permiten utilizarlas de forma aislada o dentro de modelos más amplios para crear una comprensión más sofisticada de los estilos de los jugadores y los equipos, y aplicarlas en ámbitos como el reclutamiento y el análisis de la oposición.
