Medir la calidad defensiva en el fútbol
El arte de defender bien consiste en evitar que algo suceda antes incluso de que haya sucedido. Virgil Van Dijk está considerado uno de los mejores defensas del fútbol mundial, ya que tiene la capacidad de impedir que se haga un pase a un atacante abierto para que dispare, obligando al portador del balón a pasar por otro sitio menos peligroso. Sin embargo, aunque sabemos que se trata de un gran defensa, en las estadísticas actuales, Van Dijk no recibiría ningún reconocimiento. La contribución de un defensa se mide simplemente por el número de entradas o intercepciones que realiza. Pero, ¿y si pudiéramos medir las acciones que se han evitado antes de que se hicieran?
El objetivo de una defensa y de un zaguero es hacer previsible el juego ofensivo. Por ejemplo, el Liverpool de Jürgen Klopp, presiona al rival con el objetivo de obligarle a ceder el balón en zonas específicas del campo limitando el número de opciones de pase disponibles en zonas peligrosas. Si el arte de defender bien consiste en hacer que el juego sea previsible, entonces debería poder medirse. Con datos suficientes, deberíamos ser capaces de predecir a dónde pasará el balón un jugador, la probabilidad de que ese pase se complete y si ese pase dará lugar a una ocasión de gol. Por lo tanto, deberíamos ser capaces de medir si un defensa obliga a un atacante a cambiar de opinión o a impedir que un atacante se convierta siquiera en una opción.
La Figura 1 muestra una situación de un partido entre el Liverpool y el Bayern de Múnich en la Liga de Campeones de la UEFA 2018/19 que lleva a Mané (10 rojo) a marcar. Nuestro modelo identifica que Milner (rojo 7) es el objetivo principal de Van Dijk (rojo 4) en primera instancia. Sin embargo, debido a la combinación de Gnabry (azul 22) cerrando a Milner, Lewandowski (azul 9) cerrando a Van Dijk y Mané haciendo una carrera activa, por detrás de la defensa, Mané se convierte tanto en el receptor más probable como en una alta amenaza de gol. Esto demuestra nuestra capacidad para modelar cómo influye la toma de decisiones de los jugadores y cómo una situación puede pasar de una amenaza baja a una amenaza alta por las acciones sin balón de atacantes y defensas.
En este artículo presentamos una novedosa Red Neuronal Convolucional Gráfica (GNN) que es capaz de tratar con datos de seguimiento altamente desestructurados y variables para realizar predicciones en tiempo real. Esto nos permite modelar con precisión
comportamiento defensivo y su efecto sobre el comportamiento atacante, es decir, prevenir acciones antes de que se hayan producido.
