Un enfoque diferente de la exploración técnica
Durante la última década, el proceso de identificación, seguimiento y evaluación de las perspectivas de contratación de un departamento de ojeadores ha evolucionado continuamente a medida que se ha ido disponiendo de nuevas tecnologías, impulsadas por el vídeo y los datos.
Sin embargo, ¿ha supuesto esto algún cambio perceptible en la forma en que un club define realmente sus criterios de evaluación de los jugadores? Dentro de los departamentos, se habrán definido KPI posicionales basados en el modelo de juego, que se miden en función de los resultados de rendimiento de un jugador. Los KPI también pueden aplicarse a plantillas específicas de cada posición para que los ojeadores evalúen subjetivamente a los jugadores, lo que añade una capa más de contexto.
Pero aunque estos procesos son indudablemente más centrados y rigurosos en comparación con los de hace 10 años, hay una cuestión importante que no se ha abordado adecuadamente: ¿hasta qué punto es fiable evaluar a los jugadores en función de los KPI de un puesto específico?
Hoy en día, se sigue etiquetando a los jugadores y sus posiciones de la misma manera que hace 25 años: lateral, central, delantero centro, etcétera. Sin embargo, cuando se comparan las perspectivas de contratación que juegan en diferentes clubes en la misma "posición", muchos poseerán cualidades fundamentalmente diferentes, lo que dificulta su evaluación objetiva con respecto a los mismos KPI.
Aquí es donde entra en juego el nuevo concepto Role Discovery de Stats Perform. Role Discovery es un nuevo método de evaluación de jugadores, desarrollado por nuestro equipo deAI , que aborda las limitaciones de la evaluación de jugadores basada en la posición. En su lugar, se centra en el perfil de los jugadores en función de su papel en un equipo.
Mediante la aplicación de procesos de aprendizaje no supervisado, Role Discovery permite a los analistas de contratación evaluar a los jugadores dentro de un estilo de equipo más amplio: agrupando a los candidatos en función de las tendencias y características clave necesarias para desempeñar cada función dentro de un modelo de juego.
En este artículo, vamos a repasar algunos de los componentes clave del descubrimiento de funciones, que permitirá a los clubes plantearse un nuevo enfoque de la búsqueda técnica de cara al año que viene.
Fase 1: Identificación de las tendencias espaciales de cada jugador, en el contexto de su estilo de juego
En total, Role Discovery detecta 18 tipos diferentes de rol en todo el campo, trabajando a partir de 29 agrupaciones de jugadores diferentes. El punto de partida para la detección de roles es identificar la ubicación más común de inicio y final de los pases de un jugador, para generar mapas de calor espaciales.
El siguiente gráfico muestra las tres zonas del campo más comunes desde las que dos delanteros centro, Robert Lewandowski y Roberto Firmino, dieron sus pases durante la temporada 2018/19.
Aunque ambos jugadores están etiquetados como delanteros centro, de estos mapas de calor se desprende claramente que ambos desempeñaron funciones diferentes en sus respectivos clubes. La ubicación más habitual de los pases de Lewandowski fueron las zonas centrales alrededor del borde y dentro del área. En cambio, Firmino jugó muchos balones desde el semiespacio dentro del canal derecho.
Sin embargo, esta información por sí sola ofrece una visión limitada, y carece del contexto de las situaciones de partido. Por lo tanto, aplicando el marcoStats Perform Playing Styles a los toques de un jugador, podemos empezar a entender cómo influye cada jugador en una fase específica del juego.
Esto pone de relieve otras diferencias estilísticas entre Lewandowski y Firmino. Los siguientes gráficos muestran el número de toques de balón de cada jugador cuando su equipo practica un estilo específico, en comparación con otros jugadores de las cinco mejores ligas.
En comparación con la media, la agrupación de Firmino está más implicada en la fase de contraataque y también tiene una gran presencia en la fase de amenaza sostenida. La agrupación de Lewandowski está por debajo de la media en Amenaza sostenida, lo que indica que su función no está tan implicada en las secuencias de posesión de su equipo en el tercio ofensivo en comparación con otras funciones.
Fase 2: Cuantificación de la calidad de las contribuciones de un jugador en posesión del balón
Una vez establecidas las zonas del campo en las que un jugador toca el balón con más frecuencia y su contribución a determinados estilos de juego, Role Discovery aplica el marco de valor de posesión (VP) de Stats Performpara determinar cómo la participación de un jugador durante las secuencias de posesión aumenta la probabilidad de que su equipo marque durante los siguientes diez segundos de juego.
El valor de la posesión asigna créditos a los jugadores en función de sus contribuciones positivas y negativas, y abarca acciones clave con el balón, como pases, regates y centros, así como acciones defensivas, como entradas e intercepciones.
La siguiente tabla enumera los jugadores que registraron la mayor producción de PV+ por 90 para el Liverpool en la temporada 2018/19 de la Premier League, destacando las contribuciones progresivas de Mo Salah, Andrew Robertson y Firmino en el aumento de la probabilidad de gol.
Otra nueva métrica aplicada para analizar el uso del balón por parte de un jugador es la Finalización Esperada del Pase (xP). Este modelo tiene en cuenta varios factores, como la distancia y el ángulo de un pase y otros elementos contextuales de una jugada de posesión, para establecer la probabilidad de que se complete un pase.
Aplicando esta métrica, podemos comprender mejor las tendencias de un jugador en la posesión, para identificar qué jugadores intentan y completan una elevada proporción de pases penetrantes que, desde el punto de vista de la probabilidad, son más difíciles de completar.
Para incorporar estos datos al modelo Role Discovery, dividimos el campo en diferentes zonas, para destacar la ubicación y la tasa de finalización xP de un jugador en cada zona, con el fin de establecer dónde están realizando contribuciones clave para su equipo.
Combinando PV y xP, podemos evaluar la recompensa potencial de un jugador que realiza un pase, comparada con el riesgo potencial, y comparar su rendimiento con el de otros jugadores.
Volviendo a nuestra comparación entre Lewandowski y Firmino, el siguiente gráfico muestra el rendimiento de cada jugador cuando realiza pases a una zona central del mediocampo ofensivo durante 2018/19.
El porcentaje de finalización xP de Firmino, superior a 0,75, indica que realiza pases seguros y de alta probabilidad en esta zona. Al mismo tiempo, también está aumentando la probabilidad de que su equipo marque, al estar en el percentil 10% superior de PV progresivo.
Lewandowski, al ser un tipo diferente de delantero, está más cerca de la media en la tasa de finalización xP, y se encuentra en el percentil inferior del 10% en PV, lo que refuerza el hecho de que participa en menos cadenas de posesión y es más probable que realice muchos disparos a puerta, lo que le convierte en el último jugador de una cadena. Sin embargo, esto no es todo, como veremos más adelante.
Etapa 3: Establecer cómo participa un jugador en las secuencias de posesión
Para identificar mejor cómo interactúa un jugador con sus compañeros, Role Discovery incorpora otro nuevo modelo, las Cadenas de Movimiento, que identifican los patrones de pase más habituales de un equipo que generan el mayor PV sobre el terreno de juego.
Las Cadenas de Movimiento se etiquetan basándose en motivos de pases que comprenden cuatro pases, lo que puede ayudar a identificar cómo un equipo hace progresar el balón y a los jugadores implicados.
Al igual que con xP, para analizar las Cadenas de Movimiento dividimos el campo en zonas, de modo que podamos identificar los patrones más frecuentes, mediante agrupación, de cómo un equipo mueve el balón de una zona a otra. Como se ilustra a continuación, la zona inicial podría ser el área central del tercio defensivo, y la zona final el borde del área rival.
Las cadenas de movimiento también pueden aplicarse en el contexto de los estilos de juego, para identificar cómo mueven el balón los equipos cuando practican un estilo específico. El siguiente ejemplo muestra las cadenas más peligrosas del Liverpool durante la temporada 2018/19 que terminaron en el área contraria cuando el equipo jugaba con un estilo de construcción, destacando cómo juegan a través de los canales interior derecho e interior izquierdo para penetrar en el área.
Etapa 4: Aplicación de cada modelo para crear funciones
Para identificar la implicación de un jugador individual en las cadenas de posesión de su equipo, aplicamos un modelo Chain2Vec, inspirado en Word2Vec, para identificar los grupos de cadenas en los que aparece con frecuencia un jugador, su contexto y cómo interactúa el jugador dentro de un mismo motivo de pase. Este modelado avanzado mediante técnicas de Deep Learning proporciona una representación compacta de la participación de jugadores y equipos.
Junto a esto, se aplican los mapas táctiles del jugador para proporcionar información del contexto espacial de cada jugador, así como los modelos de estilo de juego, xP y PV. Además, se incluye un desglose del tipo de tiros a balón abierto que realiza un jugador y su ubicación.
A continuación, todos estos resultados se aplican al modelo final de descubrimiento de roles, que utiliza un algoritmo de agrupación, el Modelo de Mezcla Gaussiana, para aprender las agrupaciones y separar a los jugadores en grupos distintivos. A partir de estas agrupaciones, podemos utilizar descripciones basadas en datos para condensar más de 400 descriptores individuales de jugadores en 18 funciones distintas en el terreno de juego.
Estas funciones están etiquetadas de la siguiente manera (haga clic para ampliar):
Volviendo a Lewandowski y Firmino, una vez establecido que cada jugador encaja en un papel diferente, ahora podemos compararlos con jugadores en sus respectivas funciones en lugar de hacer comparaciones directas.
El siguiente gráfico muestra la misma comparación de pases que utilizamos anteriormente, pero esta vez hemos aislado a los jugadores en sus respectivas funciones, que aparecen resaltadas en naranja.
En el caso de Firmino, cuando se le compara con todos los jugadores de las cinco primeras ligas, se sitúa en el décimo percentil superior en tasa de finalización xP, pero cuando se le compara sólo con otros jugadores de "Amenaza Creativa Atacante" está mucho más cerca de la media.
En el caso de Lewandowski, cuando sólo se le compara con otros "delanteros avanzados", podemos ver que sus pases son mucho más seguros en comparación con la media y, aunque su aportación progresiva de VP sigue estando por debajo de la media, las cifras no son tan extremas como cuando se compara con todos los jugadores.
Conclusiones: Hacer más objetivas las comparaciones de jugadores
Al definir las funciones, los analistas de contratación pueden aplicar Role Discovery para comparar directamente a los jugadores que se ajustan a los parámetros de cada función de forma más objetiva. Esto puede agilizar el proceso de ojeo para garantizar que los jugadores, que juegan en la misma posición en el campo, no se evalúen de igual a igual, sino que se analicen en el contexto de la función que desempeñan.
Los elementos que componen el modelo engloban cuatro consideraciones clave para la contratación:
- ¿Dónde juega un jugador en el terreno de juego? - Huella espacial
- ¿Cuándo realizan sus aportaciones clave? - Estilos de juego compromiso
- ¿Cuál es el perfil de riesgo-recompensa y la calidad de sus contribuciones clave, en comparación con otros que desempeñan la misma función? - xP y resultados PV progresivos
- ¿En qué tipos de movimientos de pase participa un jugador? - Participación en la cadena de movimientos
Además, Role Discovery también puede utilizarse como ayuda para identificar a los jugadores que poseen los atributos clave para un papel o posición diferente a la que desempeñan actualmente en su club. Esto ayudaría a los analistas a identificar a jóvenes como Gareth Bale o Philipp Lahm, ejemplos de jugadores que han pasado de ser laterales al principio de sus carreras a jugar en posiciones más adelantadas.
A finales de este año se publicarán en el sitio web Stats Perform Perform estudios de casos, con ejemplos de cómo puede aplicarse Role Discovery para identificar sustitutos para una función específica, junto con algunos ejemplos de análisis derivados de modelos que potencian el concepto, incluidos xP y Movement Chains.
Si desea saber más sobre Role Discovery o tiene alguna pregunta relacionada con lo que hemos desarrollado hasta ahora, póngase en contacto con nosotros aquí.
