C'était juste dans le coin, personne ne le sauvera".
"Ils n'avaient pas le droit de sauver cela.
"On aurait pu s'attendre à ce qu'ils le sauvent neuf fois sur dix.
Certaines répliques des commentateurs sont répétées si souvent qu'on a l'impression qu'elles sont ancrées dans le subconscient des supporters chaque fois qu'ils assistent à un tir au but pendant un match.
Cependant, quelle est l'exactitude de ces clichés subjectifs concernant la capacité d'un joueur à terminer une occasion de grande qualité, ou la capacité d'un gardien de but à l'arrêter ?
Après le lancement réussi de Expected Goals (xG) il y a plus de dix ans, Opta a introduit un autre modèle, Expected Goals on Target (xGOT), également connu sous le nom de xG post-shot. xGOT exploite la base de données historique d'Optasur les tirs pour identifier la probabilité qu'un but soit marqué en fonction de la trajectoire d'un tir, de sa position finale dans la bouche de but et de bien d'autres facteurs contextuels.
Aujourd'hui, l'équipe d'OptaAI a supervisé une série d'améliorations de xGOT, rendant le modèle encore plus puissant pour les commentateurs, les analystes de studio et les analystes de performance dédiés travaillant pour les clubs.
Ce xGOT amélioré est maintenant également divisé en modèles distincts pour le football masculin et féminin, en utilisant les données de 32 compétitions masculines et 31 compétitions féminines collectées par Opta. Il a été entraîné sur plus de 300 000 tirs cadrés provenant de compétitions historiques récentes. Il existe également un autre modèle distinct dédié aux tirs au but, qui a été entraîné sur plus de 20 000 tirs au but.
Que prennent donc en compte les modèles xGOT pour fournir des informations en temps réel ? Avant d'entrer dans le vif du sujet, voici un bref rappel de la différence entre xGOT et xG.
Explication des objectifs escomptés
Le modèle xG d'Optamesure la qualité d'une chance en fonction de l'emplacement du tir et de dizaines de facteurs contextuels sur le terrain, pris au moment où le tir est effectué. Cela signifie qu'un tir de près qui vise clairement le but va générer une valeur xG bien plus élevée qu'un tir spéculatif en dehors de la surface de réparation.
Si le fait de mieux comprendre ce que l'on peut attendre d'un joueur moyen, en fonction de l'emplacement du tir, permet d'apprécier la qualité d'une occasion, nous savons également que des joueurs différents peuvent exécuter la même occasion de manière très différente. Un tir de cette occasion qui se dirige vers la lucarne a beaucoup plus de chances de déboucher sur un but qu'un tir qui est frappé directement au milieu du but.
C'est là que xGOT intervient pour mesurer le niveau de contexte suivant.
xGOT mesure la probabilité qu'un tir cadré aboutisse à un but, sur la base de la combinaison de la qualité de la chance sous-jacente (xG) et des informations relatives à l'exécution du tir, y compris l'emplacement de l'extrémité du tir dans la bouche de but.
Ainsi, si l'on considère que xG représente la qualité de la chance en fonction de l'emplacement du tir, xGOT enregistre la qualité de la chance après le tir - il accorde plus de crédit aux tirs qui aboutissent dans les coins qu'aux tirs qui vont directement au milieu du but. Comme son nom l'indique, le modèle n'est utilisé que pour les tirs cadrés, étant donné que si votre tir n'est pas cadré, il y a 0 % de chances qu'il aboutisse à un but.
Voici un bon exemple de xGOT en action lors de la dernière saison de la Premier League.
James Maddison, de Tottenham, s'est placé au-dessus d'un coup franc direct contre Aston Villa, où l'emplacement du coup franc avait une valeur xG de 0,12. L'exécution du coup franc par Maddison, autour du mur de Villa et au premier poteau d'Emi Martinez, a enregistré un xGOT de 0,73. En résumé, il s'agissait d'une occasion difficile, mesurée par la valeur xG, exécutée avec une très grande qualité, reflétée par la valeur xGOT beaucoup plus élevée.
Vous pouvez voir l'exécution de ce coup franc par Maddison ici (Royaume-Uni uniquement).
Comment xGOT a-t-il été amélioré ?
Sans entrer dans les détails du modèle, les améliorations apportées par xGOT peuvent être résumées en quatre points essentiels :
#1 Des modèles distincts pour le football masculin et le football féminin
Depuis la Coupe du Monde Féminine de la FIFA 2023, toutes les valeurs xG des occasions des matches féminins capturées par Opta ont été générées à l'aide d'un modèle dédié formé sur les tirs des matches féminins historiques. Plus d'informations sur notre modèle xG féminin sont disponibles ici.
Dans la dernière version de xGOT, nous disposons désormais de modèles distincts pour les matchs masculins et féminins. Le modèle masculin a été entraîné sur les données de 32 compétitions masculines et le modèle féminin a été entraîné sur 31 compétitions.
En utilisant les valeurs xGOT des championnats féminins de première division de l'année dernière en Angleterre, en France, en Allemagne, en Italie et en Espagne, nous pouvons identifier les joueuses dont le tir a constamment amélioré la qualité des occasions qu'elles ont eues, souvent en frappant le ballon proprement et en plaçant leurs tirs dans les coins.
À l'aide de la mesure Buts de tir ajoutés, qui mesure le total des xGOT d'un joueur pour la saison par rapport à ses xG, nous pouvons voir que, en jeu ouvert, l'attaquante du TSG Hoffenheim, Selina Cerci, a amélioré la qualité de ses occasions avant le tir de 4,6 buts. Cela indique que, sur ses occasions en jeu libre, elle a à la fois cadré ses tirs et les a frappés à des endroits où il était difficile de sauver le gardien de but.
#2 Approfondissement des données sur les gardiens de but
Outre la qualité des chances (xG) et la trajectoire du tir, xGOT intègre désormais des informations détaillées sur l'influence de la position du gardien de but sur la probabilité de marquer un but. Cette information est liée à la fois à la distance qui sépare le gardien de la trajectoire du tir, mais aussi à sa position par rapport à l'endroit du tir et à la bouche du but au moment du tir.
Ces informations conduisent à des résultats intuitifs dans la valeur xGOT - par exemple, un gardien de but plus proche de la trajectoire du tir a plus de chances de faire un arrêt. De même, un gardien situé dans le coin gauche du but a moins de chances d'arrêter un tir qui se dirige vers le coin inférieur droit, comme l'illustre le graphique de la bouche de but ci-dessous, qui montre une bonne occasion sous-jacente à 14 mètres du but avec un xG initial de 0,26, alors que la valeur xGOT est de 0,95.
#3 Aperçu de l'exécution des tirs
xGOT prend désormais en compte des qualificatifs supplémentaires liés à l'exécution du tir lui-même. Par exemple, si un tir a été dévié ou mal exécuté, cela aura un impact sur la valeur xGOT attribuée au tir, de même que toute embardée appliquée au tir.
#4 Un modèle de pénalité spécifique
Les tirs de pénalité sont de nature différente des tirs en jeu libre, étant donné que le joueur qui effectue le tir doit avoir une trajectoire libre et incontestée vers le but et que le gardien doit avoir un pied sur la ligne de but au moment où le coup de pied est exécuté.
Par conséquent, un modèle xGOT distinct a été développé et entraîné exclusivement sur un ensemble de données historiques de tirs au but.
Sur l'ensemble des cinq grands championnats européens masculins de la saison dernière, l'attaquant du Bayern Munich Harry Kane a généré le meilleur xGOT par tir (0,86) parmi les joueurs ayant tenté au moins 5 tirs au but, en marquant 9 tirs au but sur 9 pour les champions de Bundesliga.
Alors, qui sont les autres artistes qui se sont distingués la saison dernière en se basant sur xGOT ?
Lorsque nous appliquons le modèle amélioré à chaque tir de la campagne de Premier League anglaise de la saison dernière, nous constatons que Jordan Pickford, d'Everton, a empêché plus de buts grâce à ses arrêts que n'importe quel autre gardien (6). Comme l'illustre le graphique ci-dessous, on s'attendait à ce que Pickford encaisse 50 buts (50 xGOT encaissés), mais il n'en a encaissé que 44 tout au long de la campagne.
Le taux de buts évités est une autre mesure qui utilise le xGOT pour illustrer la capacité d'arrêt des tirs des gardiens de but. Ce taux normalise la mesure xGOT sur la base du nombre de tirs auxquels chaque gardien est confronté, de sorte que les gardiens qui ont fait face à un plus grand nombre de tirs peuvent être évalués plus équitablement par rapport aux gardiens qui ont une meilleure défense devant eux.
Par exemple, en Liga la saison dernière, Mario Dmitrovic, qui jouait dans les buts de Leganés, club relégué, a empêché plus de buts (4,75) que Thibaut Courtois du Real Madrid (2,8). Toutefois, si l'on tient compte du nombre de tirs cadrés, on s'aperçoit que les deux gardiens ont fait aussi bien l'un que l'autre, avec 1,1 but encaissé.
Du point de vue de l'attaquant, nous pouvons nous faire une idée de l'efficacité d'un joueur à exécuter un tir avec une qualité de chance sous-jacente relativement faible, sur la base du xG initial, en obtenant un tir cadré avec un xGOT beaucoup plus élevé. Un autre bon exemple est le but d'Omar Marmoush pour Man City contre Bournemouth l'année dernière, qui avait un xG de 0,02 mais un xGOT de 0,63.
Comment puis-je en savoir plus sur xGOT et ses applications ?
Comme toutes les mesures d'OptaAI, celles-ci peuvent être utilisées via une gamme de flux et d'intégrations de produits, vous permettant de partager des informations puissantes sur la performance des joueurs devant le but et sur les prouesses d'arrêt de tir d'un gardien de but. Plus de détails sur ces solutions sont disponibles via Product Finder deStats Perform.
Si vous êtes un data scientist travaillant en interne dans un club, notre équipe Pro Solutions est également disponible pour vous guider dans le développement du modèle et la liste complète de ses fonctionnalités. Elle peut être contactée à l'adresse suivante : prosolutions@statsperform.com
Pour une liste complète des explications sur les modèles Opta , visitez la page Explicateur de métrique sur Opta Analyst.
