Laurynas Raudonius fue el ganador inaugural del premio Dr. Garry Gelade, que reconoce la propuesta más destacada presentada por un estudiante en el Forum Pro de Stats Perform.
Tras ganar el premio, Laurynas expuso un póster en el evento virtual 2021, que ilustraba las conclusiones de un proyecto que aplicaba datos espaciotemporales para cuantificar cómo contribuyen los jugadores individuales al éxito del contraataque de un equipo, utilizando células de Voronoi y otros métodos.
Haga clic aquí para ver su cartel.
Eliminar la subjetividad al evaluar los contraataques
¿Por qué es importante poder cuantificar objetivamente la contribución de cada jugador a un contraataque?
Un buen punto de partida sería desafiarse a uno mismo, utilizando sólo el ojo, para identificar y otorgar puntuaciones de jugador a las contribuciones más importantes de un único escenario aislado de contraataque.
Cuando veas el siguiente vídeo, piensa qué contribuciones de los jugadores han sido las más impactantes y por qué.
Después de ver este vídeo, estoy seguro de que ahora comprenderá el reto que supone asignar objetivamente valores numéricos a las acciones realizadas por los futbolistas. Este es, sin duda, uno de los grandes retos de la analítica futbolística.
Las ventajas de crear un modelo para lograrlo son obvias: disponer de una comparación imparcial de dos jugadores cualesquiera puede ayudar enormemente en la búsqueda de talentos, la selección de equipos y muchas otras áreas del fútbol.
Mi modelo combina cuatro métricas calculadas a partir de datos de seguimiento y eventos, y las aplica para asignar un valor a las contribuciones de los jugadores a los contraataques. Mientras que existen muchos estudios relacionados con el fútbol que se centran en atribuir valor a los pases, este modelo va un paso más allá y valora todas las acciones combinándolas en contribuciones. Se han desarrollado modelos algo similares, pero se han entrenado como modelos de aprendizaje automático y no incluyen muchos indicadores independientes.
Además, este proyecto se centra en los contraataques, un subconjunto de escenarios de ataque que hasta la fecha ha recibido muy poca atención por parte de los científicos e investigadores de datos.
Definir una contribución
El modelo utilizado en este proyecto no distingue entre los distintos tipos de acciones de ataque realizadas por los jugadores, sino que las combina todas en contribuciones. Una contribución es esencialmente un par de estados de posesión en el juego (la posición de todos los jugadores y del balón sobre el terreno de juego en un momento dado), empezando en primer lugar por el momento en que un jugador toca el balón por primera vez y, en segundo lugar, por el momento en que un compañero de equipo toca posteriormente el balón (y, a su vez, inicia su propia contribución). La diferencia entre estos dos estados de posesión en el juego responde a la pregunta "¿cómo influyó un jugador en la situación mientras tenía el balón?".
Obtención de la puntuación exacta de una contribución
La diferencia entre los dos estados de posesión no nos dirá gran cosa a menos que tengamos una forma de asignarles valores numéricos de forma objetiva. Para ello, se han diseñado e implementado cuatro métricas distintas, derivadas de datos de seguimiento y de eventos:
1. Distancia
Esta es la métrica más intuitiva de las cuatro. Es obvio que si un jugador lleva el balón desde, por ejemplo, su propio tercio hasta el área contraria, ha contribuido mucho a que el ataque sea más peligroso. Por lo tanto, su contribución debería tener una valoración alta. Para medir esto exactamente, el modelo calcula la distancia euclidiana entre el balón y la portería cuando un jugador obtiene el balón por primera vez y la misma distancia cuando finaliza su acción (es decir, intenta un pase). La diferencia entre ambas nos dice cuánto más cerca está el balón de la portería como resultado de la intervención del jugador y, por tanto, es el valor del indicador. También se pueden asignar valores negativos, ya que es posible que un jugador lleve el balón más lejos de la portería.
2. Peligro
Partiendo de la métrica de la distancia, podemos tener en cuenta el lugar exacto del campo en el que se encuentra el balón tras las acciones del jugador, y no sólo la distancia a la que se encuentra de la portería.
La evaluación de la peligrosidad de las distintas zonas del terreno de juego es un tema que han investigado en profundidad Daniel Link et al. en su estudio sobre la peligrosidad en los ataques en el fútbol. Su investigación propone dividir el tercio de ataque en cuadrados de 2×2 metros y asignar una puntuación de peligro entre 0 y 1 a cada cuadrado (véase la Figura 1).
Para calcular los valores exactos siguen cinco reglas clave:
a) A medida que disminuye la distancia a la meta y aumenta la centralidad, aumenta el peligro.
b) El desplazamiento al área de penalti conlleva un aumento repentino del peligro debido al riesgo de que el equipo defensivo conceda un lanzamiento de penalti.
c) Existe un área homogénea delante de la portería en la que el peligro no aumenta más.
d) Un ángulo agudo con respecto a la portería reduce el peligro.
e) Las zonas laterales del área de penalti son peligrosas por la posibilidad de un centro con poco riesgo de fuera de juego.
3. Jugadores superados
Aunque las métricas de distancia y peligro son informativas, se basan fundamentalmente en la posición del balón.
¿Y si un jugador tuviera un camino despejado hacia la portería desde la línea de medio campo? Basándonos únicamente en los dos indicadores anteriores, la contribución de ese jugador se valoraría enormemente, aunque estuviera sometido a poca presión por parte de los jugadores rivales. Por lo tanto, es importante tener en cuenta, a la hora de valorar las acciones de los jugadores, cómo afectan a la defensa rival.
Esto es exactamente lo que mide el tercer indicador. Para ser más específicos, calcula cuántos jugadores rivales están detrás del balón durante las acciones del jugador. Dado que los porteros permanecen detrás del balón la mayor parte del tiempo, no se tienen en cuenta en esta métrica.
4. Control del espacio
Un estudio ha analizado la relación entre el éxito de un equipo y la cantidad de espacio que controla en el campo contrario, a 30 metros de la portería. Según el estudio, existe una correlación directa: muchos equipos de éxito, como el Barcelona y el Borussia Dortmund a principios de la década de 2010, controlaban grandes espacios en campo contrario, por lo que tiene sentido conceder una valoración más alta a los jugadores cuyas contribuciones aumentan el espacio controlado.
En este proyecto, el espacio controlado se mide mediante células de Voronoi. La célula de Voronoi de un jugador es el conjunto de puntos del terreno de juego a los que está más cerca que cualquier otro jugador.
Calcular el espacio en todo el campo no sería muy informativo, porque un jugador que aumenta el espacio en su propio campo no contribuye necesariamente a un contraataque. Por lo tanto, se ha seleccionado un umbral (área) en el terreno de juego, que determina cuándo se tiene en cuenta el control del espacio.
La experimentación con diferentes zonas delante de la portería indicó que si el espacio controlado se mide únicamente en el último cuarto del campo, la varianza en el control del espacio es mayor en todos los jugadores, lo que nos permite diferenciar mejor la importancia de la contribución de un jugador. Por lo tanto, esto se fijó como umbral en el modelo.
Combinar las métricas
Para obtener una única puntuación por contribución de los jugadores, se han combinado los cuatro indicadores. El primer paso consiste en normalizarlos todos en el mismo intervalo: en este caso se seleccionó [-1;1]. A continuación, se suman las puntuaciones de una contribución y se multiplican por 2,5 para que las puntuaciones obtenidas se sitúen entre -10 y 10. Así se obtiene la puntuación final asignada a cada contribución. El resultado es la puntuación final asignada a cada contribución.
Aplicación
Una vez establecida la metodología, ahora tenemos que demostrar cómo se puede aplicar el modelo a un pasaje arbitrario del juego en un partido.
Si un pasaje es relativamente poco complicado (como el gol de la victoria de Gareth Bale en un contraataque en la Copa del Rey de 2014) el reto de distribuir las puntuaciones por contribuciones es bastante sencillo, sin embargo, se vuelve exponencialmente más difícil con cada nuevo jugador que se une a la jugada.
Este modelo es capaz de resolver ese problema.
Volvamos al vídeo de ejemplo que mostramos al principio de este artículo. En esta nueva versión del clip, detenemos la grabación al final de cada contribución y mostramos cómo la valoró el modelo.
El siguiente gráfico de barras resume los valores que se asignaron a las contribuciones durante este contraataque.
Cuando usted consideró inicialmente qué contribuciones de los jugadores eran las más impactantes en este contraataque específico, sería interesante saber si sus valores eran similares a los derivados por este modelo.
Ahora que les he explicado mi metodología, para divertirnos un poco volvamos a hacer este mismo ejercicio pero esta vez, intenten tener en cuenta los cuatro indicadores a la hora de asignar las puntuaciones a cada contribución.
Una vez que haya visto el clip, haga clic en el siguiente vídeo para ver los valores de contribución atribuidos por el modelo y compararlos con los suyos.
De nuevo, el siguiente gráfico de barras resume los valores de cada contribución al contraataque.
En este ejemplo, merece la pena destacar la contribución del jugador seis. Su contribución, según el modelo, es la mayor, con una puntuación combinada de casi cinco. Sin embargo, cuando mostré este vídeo a los delegados en el Forum Pro, la gente tendía a decir que pensaban que el jugador ocho o el jugador nueve habían hecho la mayor contribución. Esto refuerza la subjetividad de intentar cuantificar a simple vista la contribución de un jugador a las fases de contraataque.
También pone de relieve el potencial de este tipo de investigación para tratar de reducir los sesgos a la hora de evaluar escenarios de emparejamiento recurrentes, lo que puede mejorar potencialmente los procesos en el análisis de emparejamientos e informar sobre la elaboración de perfiles de contratación.
Referencias
Tavares, Ricardo. (2019). Uso de diagramas de Voronoi en el fútbol.
Link, D., Lang S. y Seidenschwarz P. 2016. Cuantificación en tiempo real de la peligrosidad en el fútbol mediante datos de seguimiento espaciotemporal.
Rein, R., Raabe D., y Memmert D. (2017). "¿Qué pase es mejor?". Enfoques novedosos para evaluar la eficacia del pase en el fútbol de élite. Ciencia del movimiento humano 55.
Perl, J. & Memmert, D. (2017). A Pilot Study on Offensive Success in Soccer Based on Space and Ball Control - Key Performance Indicators and Key to Understand Game Dynamics.
Originario de Lituania, Laurynas Raudonius se licenció en Informática por la Universidad de Manchester a principios de este año. Residente en Suiza, ha trabajado anteriormente como analista de partidos para el FK Kauno Žalgiris, de la primera división lituana.
