Mesurer la qualité de la défense dans le football
L'art d'une bonne défense consiste à empêcher un événement avant même qu'il ne se produise. Virgil Van Dijk est considéré comme l'un des meilleurs défenseurs du football mondial, car il a la capacité d'empêcher une passe vers un attaquant libre de tirer en forçant le porteur du ballon à passer ailleurs, dans un endroit moins dangereux. Cependant, même si nous savons qu'il s'agit d'une excellente défense, dans les statistiques d'aujourd'hui, Van Dijk ne recevrait aucune reconnaissance. La contribution d'un défenseur est simplement mesurée par le nombre de tacles ou d'interceptions qu'il effectue. Mais que se passerait-il si nous pouvions mesurer les actions qui ont été évitées avant qu'elles ne soient commises ?
L'objectif d'une défense et d'un défenseur est de rendre le jeu offensif prévisible. Par exemple, le Liverpool de Jürgen Klopp presse l'adversaire dans le but de le forcer à donner le ballon dans des zones spécifiques du terrain en limitant le nombre d'options de passes disponibles dans les zones dangereuses. Si l'art de la bonne défense consiste à rendre le jeu prévisible, alors il devrait être mesurable. Avec suffisamment de données, nous devrions être en mesure de prédire où un joueur passera le ballon, la probabilité que cette passe soit complétée et si elle débouchera sur une occasion de but. Nous devrions donc être en mesure de mesurer si un défenseur oblige un attaquant à changer d'avis ou l'empêche même de devenir une option.
La figure 1 montre une situation tirée d'un match entre Liverpool et le Bayern Munich en Ligue des champions de l'UEFA 2018/19 qui aboutit au but de Mané (rouge 10). Notre modèle identifie que Milner (rouge 7) est la cible principale de Van Dijk (rouge 4) dans un premier temps. Cependant, grâce à la combinaison de Gnabry (bleu 22) qui ferme Milner, Lewandowski (bleu 9) qui ferme Van Dijk et Mané qui court activement derrière la défense, Mané devient à la fois le destinataire le plus probable et une grande menace de but. Cela démontre notre capacité à modéliser la façon dont la prise de décision des joueurs est influencée et comment une situation peut passer d'une menace faible à une menace élevée par les actions hors ballon des attaquants et des défenseurs.
Dans cet article, nous présentons un nouveau réseau neuronal convolutionnel graphique (GNN) capable de traiter des données de suivi très peu structurées et variables afin d'effectuer des prédictions en temps réel. Cela nous permet de modéliser avec précision
Cela nous permet de modéliser avec précision le comportement défensif et son effet sur le comportement d'attaque, c'est-à-dire de prévenir les actions avant qu'elles ne se produisent.
