Laurynas Raudonius a été le premier lauréat du prix Dr. Garry Gelade, qui récompense la meilleure proposition soumise par un étudiant de premier cycle lors du Forum pro de Stats Perform
Après avoir remporté le prix, Laurynas a présenté un poster lors de l'événement "Virtual 2021", illustrant les résultats d'un projet qui utilise des données spatio-temporelles pour quantifier la contribution des joueurs individuels à la réussite de la contre-attaque d'une équipe, à l'aide de cellules de Voronoï et d'autres méthodes.
Cliquez ici pour voir son affiche.
Éliminer la subjectivité lors de l'évaluation des contre-attaques
Pourquoi est-il important de pouvoir quantifier objectivement la contribution de chaque joueur à une contre-attaque ?
Un bon point de départ serait de vous mettre au défi, à l'œil nu, d'identifier et d'attribuer des notes aux joueurs pour les contributions les plus importantes d'un seul scénario de contre-attaque isolé.
Lorsque vous regarderez la vidéo suivante, réfléchissez aux contributions des joueurs qui ont eu le plus d'impact, et pourquoi.
Après avoir regardé ce clip, je suis sûr que vous comprendrez le défi que représente l'attribution objective de valeurs numériques aux actions effectuées par les footballeurs. C'est sans aucun doute l'un des grands défis de l'analyse du football.
Les avantages de la création d'un modèle pour atteindre cet objectif sont évidents - disposer d'une comparaison impartiale de deux joueurs peut être d'une grande aide pour le recrutement, la sélection des équipes et bien d'autres domaines du football.
Mon modèle combine quatre mesures calculées à l'aide de données de suivi et d'événements et les applique pour attribuer une valeur aux contributions des joueurs aux contre-attaques. Alors que de nombreuses études existantes sur le football se concentrent sur l'attribution d'une valeur aux passes, ce modèle va plus loin et valorise toutes les actions en les combinant en contributions. Des modèles quelque peu similaires ont été développés, mais ils ont été formés comme des modèles d'apprentissage automatique et n'incluent pas beaucoup d'indicateurs distincts.
En outre, ce projet se concentre sur les contre-attaques, un sous-ensemble de scénarios d'attaque qui ont reçu très peu d'attention à ce jour de la part des scientifiques et des chercheurs en matière de données.
Définition d'une contribution
Le modèle utilisé dans ce projet ne fait pas de distinction entre les différents types d'actions offensives effectuées par les joueurs, mais les combine toutes en contributions. Une contribution est essentiellement une paire d'états de possession dans le jeu (la position de tous les joueurs et du ballon sur le terrain à un moment donné), commençant tout d'abord par le moment où un joueur touche le ballon pour la première fois et ensuite le moment où un coéquipier touche le ballon (et, à son tour, commence sa propre contribution). La différence entre ces deux états de possession dans le jeu répond à la question suivante : "Quel a été l'impact d'un joueur sur la situation lorsqu'il était en possession du ballon ?
Calcul du score exact d'une contribution
La différence entre les deux états de possession ne nous dira pas grand-chose si nous ne disposons pas d'un moyen de leur attribuer objectivement des valeurs numériques. Pour ce faire, quatre mesures distinctes, dérivées de données de suivi et d'événements, ont été conçues et mises en œuvre :
1. La distance
Il s'agit de la mesure la plus intuitive des quatre. Il est évident que si un joueur porte le ballon depuis, par exemple, son propre tiers jusqu'à la surface de réparation de l'adversaire, il a beaucoup contribué à rendre l'attaque plus dangereuse. Sa contribution devrait donc être fortement valorisée. Pour mesurer exactement cette contribution, le modèle calcule la distance euclidienne entre le ballon et le but lorsqu'un joueur obtient le ballon pour la première fois et la même distance lorsqu'il termine son action (c'est-à-dire lorsqu'il tente une passe). La différence entre les deux indique à quel point le ballon est plus proche du but en raison de l'implication du joueur et constitue donc la valeur de l'indicateur. Des valeurs négatives peuvent également être attribuées, car il est possible qu'un joueur éloigne le ballon du but.
2. Le danger
En s'appuyant sur la mesure de la distance, nous pouvons tenir compte de l'endroit exact du terrain où le ballon suit les actions du joueur, et pas seulement de la distance qui le sépare du but.
L'évaluation du danger dans les différentes zones du terrain est un sujet qui a été étudié en profondeur par Daniel Link et al. dans leur recherche sur le danger dans les attaques de football. Ils proposent de diviser le tiers offensif en carrés de 2×2 mètres et d'attribuer à chaque carré une note de danger comprise entre 0 et 1 (voir la figure 1 ci-dessous).
Pour calculer les valeurs exactes, ils suivent cinq règles clés :
a) Le danger augmente à mesure que la distance par rapport à l'objectif diminue et que la centralité augmente.
b) Le fait de pénétrer dans la surface de réparation entraîne une augmentation soudaine du danger en raison du risque que l'équipe défensive concède un coup de pied de réparation.
c) Il existe une zone homogène devant le but dans laquelle le danger n'augmente plus.
d) Un angle aigu par rapport au but réduit le danger.
e) Les zones situées sur les côtés de la surface de réparation sont dangereuses en raison de la possibilité d'un centre avec peu de risque de hors-jeu.
3. Joueurs surclassés
Bien que les mesures de distance et de danger soient informatives, elles sont fondamentalement basées sur la position de la balle uniquement.
Que se passerait-il si un joueur disposait d'une ligne de but dégagée depuis la ligne médiane ? En se basant uniquement sur les deux indicateurs précédents, la contribution de ce joueur serait grandement appréciée, même s'il n'était que très peu sollicité par les joueurs adverses. Il est donc important de prendre en compte, lors de l'évaluation des actions des joueurs, l'impact qu'elles ont sur la défense adverse.
C'est exactement ce que mesure le troisième indicateur. Pour être plus précis, il calcule le nombre de joueurs adverses qui se trouvent derrière le ballon pendant les actions du joueur. Comme les gardiens de but restent la plupart du temps derrière le ballon, ils ne sont pas pris en compte dans cette mesure.
4. Contrôle de l'espace
Une étude a examiné la relation entre le succès d'une équipe et l'espace qu'elle contrôlait dans la moitié de terrain de l'adversaire, à 30 mètres du but. L'étude a révélé une corrélation assez directe : de nombreuses équipes performantes, comme le FC Barcelone et le Borussia Dortmund au début des années 2010, contrôlaient de vastes espaces dans la moitié de terrain de leurs adversaires, de sorte qu'il est logique d'attribuer une valeur plus élevée aux joueurs dont les contributions augmentent l'espace contrôlé.
Pour ce projet, l'espace contrôlé est mesuré à l'aide de cellules de Voronoï. La cellule de Voronoï d'un joueur est l'ensemble des points du terrain dont il est le plus proche.
Calculer l'espace sur l'ensemble du terrain ne serait pas très instructif, car un joueur qui augmente l'espace dans sa propre moitié de terrain ne contribue pas nécessairement à une contre-attaque. C'est pourquoi un seuil (zone) sur le terrain a été sélectionné pour déterminer quand le contrôle de l'espace est pris en compte.
L'expérimentation avec différentes zones devant le but a indiqué que si l'espace contrôlé est mesuré uniquement dans le dernier quart du terrain, la variance dans le contrôle de l'espace est plus grande pour tous les joueurs, ce qui nous permet de mieux différencier l'importance de la contribution d'un joueur. C'est pourquoi ce seuil a été fixé dans le modèle.
Combiner les mesures
Afin de produire un score unique par contribution de joueur, les quatre indicateurs ont été combinés. La première étape consiste à les normaliser dans la même fourchette : ici, [-1;1] a été choisi. Ensuite, les notes pour une contribution sont additionnées et multipliées par 2,5 afin d'obtenir des notes comprises entre -10 et 10. Nous obtenons ainsi la note finale attribuée à une contribution.
Application
Après avoir établi la méthodologie, nous devons maintenant démontrer comment le modèle peut être appliqué à un passage arbitraire d'un match.
Si un passage est relativement simple (comme le but victorieux de Gareth Bale sur une contre-attaque lors de la Copa del Rey 2014), le défi de la distribution des scores pour les contributions est plutôt direct, mais il devient exponentiellement plus difficile avec chaque nouveau joueur qui se joint au jeu.
Ce modèle est capable de résoudre ce problème.
Revenons à l'exemple vidéo présenté au début de cet article. Dans cette nouvelle version du clip, nous faisons une pause à la fin de chaque contribution et montrons comment le modèle l'a évaluée.
Le diagramme à barres ci-dessous résume les valeurs attribuées aux contributions lors de cette contre-attaque.
Lorsque vous avez commencé à réfléchir aux contributions des joueurs qui ont eu le plus d'impact dans cette contre-attaque spécifique, il serait intéressant de savoir si vos valeurs étaient similaires à celles dérivées de ce modèle.
Maintenant que je vous ai expliqué ma méthodologie, pour nous amuser un peu, refaisons le même exercice mais cette fois-ci, essayez de prendre en compte les quatre indicateurs lorsque vous attribuez les notes à chaque contribution.
Après avoir visionné le clip, cliquez sur la vidéo ci-dessous pour voir les valeurs de contribution attribuées par le modèle et les comparer aux vôtres.
Là encore, le diagramme à barres suivant résume les valeurs de chaque contribution à la contre-attaque.
Dans cet exemple, la contribution du sixième joueur mérite d'être soulignée. Selon le modèle, sa contribution est la plus importante, avec un score combiné de près de cinq. Cependant, lorsque j'ai montré cette vidéo aux délégués du Forum pro, les gens ont eu tendance à dire qu'ils pensaient que le joueur huit ou le joueur neuf avait la plus grande contribution. Cela renforce la subjectivité des tentatives de quantification à l'œil nu de la contribution d'un joueur aux phases de contre-attaque.
Elle met également en évidence le potentiel de ce type de recherche pour tenter de réduire les biais lors de l'évaluation de scénarios d'appariement récurrents, ce qui peut potentiellement améliorer les processus d'analyse des appariements et informer sur le profilage du recrutement.
Références
Tavares, Ricardo. (2019). L'utilisation des diagrammes de Voronoï dans le football.
Link, D., Lang S. et Seidenschwarz P. 2016. Real Time Quantification of Dangerousity in Football Using Spatiotemporal Tracking Data (Quantification en temps réel de la dangerosité dans le football à l'aide de données de suivi spatio-temporelles).
Rein, R., Raabe D. et Memmert D. (2017). "Quelle passe est la meilleure ? Nouvelles approches pour évaluer l'efficacité des passes dans le football d'élite. Human Movement Science 55.
Perl, J. et Memmert, D. (2017). Une étude pilote sur la réussite offensive en football basée sur l'espace et le contrôle du ballon - Indicateurs de performance clés et clés pour comprendre la dynamique du jeu.
Originaire de Lituanie, Laurynas Raudonius a obtenu un diplôme en informatique à l'université de Manchester au début de l'année. Aujourd'hui installé en Suisse, il a travaillé comme analyste de match pour le club lituanien de première division FK Kauno Žalgiris.
