Isso foi bem no canto, ninguém está salvando isso."
"Eles não tinham o direito de salvar isso."
"Você esperaria que eles salvassem isso nove em cada dez vezes."
Algumas falas dos comentaristas são repetidas com tanta frequência que pode parecer que estão no subconsciente do torcedor toda vez que ele vê um chute a gol durante um jogo ao vivo.
No entanto, até que ponto são precisos esses clichês subjetivos sobre a capacidade de um jogador de concluir uma chance de alta qualidade ou a capacidade de um goleiro de pará-la?
Após o lançamento bem-sucedido do Expected Goals (xG) há mais de uma década, Opta introduziu outro modelo, o Expected Goals on Target (xGOT), também conhecido como xG pós-chute. O xGOT aproveita o banco de dados histórico de chutes da Optapara identificar a probabilidade de um gol ser marcado com base na trajetória de um chute, sua localização final na boca do gol e muitos outros fatores contextuais.
Agora, a equipe da OptaAI supervisionou uma série de aprimoramentos no xGOT, tornando o modelo ainda mais poderoso para comentaristas, analistas studio e analistas de desempenho dedicados que trabalham para clubes.
Esse xGOT aprimorado agora também está dividido em modelos separados para futebol masculino e feminino, usando dados de 32 competições masculinas e 31 competições femininas coletados pela Opta. Ele foi treinado em mais de 300.000 chutes no alvo de competições históricas recentes. Há também outro modelo separado dedicado a cobranças de pênaltis, que foi treinado em mais de 20.000 pênaltis.
Então, o que esses modelos xGOT agora levam em conta para fornecer suas percepções em tempo real? Bem, antes de entrarmos nesse assunto, aqui está um lembrete muito rápido de como o xGOT é diferente do xG.
Explicação das metas esperadas no alvo
O modelo xG da Optamede a qualidade de uma chance com base na localização do chute e em dezenas de fatores contextuais em campo, considerados a partir do momento em que o chute é dado. Isso significa que uma visão clara do gol, de perto, gerará um valor xG muito maior do que um chute especulativo de fora da área.
Embora ter uma melhor compreensão do que esperamos que um jogador médio marque, com base na localização do chute, forneça uma visão da qualidade de uma chance, também sabemos que jogadores diferentes podem executar a mesma chance de forma muito diferente. Um chute dessa chance que vai para o canto superior tem muito mais probabilidade de resultar em gol do que um chute que vai direto para o meio do gol.
É aqui que o xGOT entra em cena para medir o próximo nível de contexto.
O xGOT mede a probabilidade de que esse chute no alvo resulte em um gol, com base na combinação da qualidade da chance subjacente (xG) e das informações relacionadas à execução do chute, incluindo a localização da extremidade do chute dentro da boca do gol.
Portanto, se pensarmos que o xG é a qualidade da chance com base no local do chute, o xGOT registra a qualidade da chance após o chute - ele dá mais crédito aos chutes que terminam nos cantos do que aos chutes que vão direto para o meio do gol. Como o nome sugere, o modelo é usado apenas para chutes no alvo, já que, se você não acertar o chute no alvo, há 0% de chance de que ele resulte em gol.
Aqui está um bom exemplo do xGOT em ação na última temporada da Premier League.
James Maddison, do Tottenham, cobrou um tiro livre direto contra o Aston Villa, em que a localização do tiro livre teve um valor xG de 0,12. A execução do chute livre por Maddison, ao redor da barreira do Villa e dentro da trave de Emi Martinez, registrou um xGOT de 0,73. Essencialmente, essa foi uma chance difícil, medida pelo valor xG, executada com uma qualidade muito alta, refletida no valor xGOT muito mais alto.
Você pode assistir à execução do chute livre de Maddison aqui (somente no Reino Unido).
Então, como o xGOT foi aprimorado?
Sem se aprofundar muito nas complexidades detalhadas do modelo, os aprimoramentos do xGOT podem ser resumidos em quatro pontos principais:
#1 Modelos separados para futebol masculino e feminino
Desde a Copa do Mundo Feminina da FIFA 2023, todos os valores xG de chances em partidas femininas capturadas pela Opta foram gerados usando um modelo dedicado treinado em chutes de partidas femininas históricas. Mais informações sobre nosso modelo xG feminino estão disponíveis aqui.
Na última iteração do xGOT, agora também temos modelos separados para partidas masculinas e femininas. O modelo masculino foi treinado com dados de 32 competições masculinas e o modelo feminino foi treinado com 31 competições.
Usando os valores xGOT das ligas femininas de primeira linha do ano passado na Inglaterra, França, Alemanha, Itália e Espanha, podemos identificar as jogadoras cujo chute melhorou consistentemente a qualidade das chances que tiveram, muitas vezes acertando a bola de forma limpa e colocando seus chutes nos cantos.
Usando a métrica de Gols de Chute Adicionados, que mede o total de xGOT agregado de um jogador na temporada que excedeu seu xG, podemos ver que, em jogo aberto, a atacante Selina Cerci, do TSG Hoffenheim, melhorou a qualidade de suas chances antes do chute em 4,6 gols. Isso indica que, em suas chances de jogo aberto, ela estava acertando seus chutes no alvo e acertando-os em locais onde era difícil para o goleiro defender.
#2 Maior profundidade de dados de goleiros
Além da qualidade da chance subjacente (xG) e da trajetória do chute, o xGOT agora incorpora informações detalhadas sobre como a posição do goleiro influencia a probabilidade de um gol ser marcado. Isso está relacionado à distância do goleiro em relação à trajetória do chute, mas também à sua posição em relação ao local do chute e à boca do gol no momento do chute.
Essas informações levam a resultados intuitivos no valor xGOT - por exemplo, um goleiro mais próximo da trajetória do chute tem maior probabilidade de fazer uma defesa. Da mesma forma, um goleiro posicionado no canto esquerdo do gol tem menos probabilidade de defender um chute que vai para o canto inferior direito, conforme ilustrado pelo gráfico da boca do gol abaixo, que mostra uma boa chance subjacente, a 14 metros do gol, com um xG inicial de 0,26, em que o valor xGOT é 0,95.
#3 Insights sobre a execução de disparos
O xGOT agora considera qualificadores adicionais relacionados à execução do próprio chute. Por exemplo, se um chute foi desviado ou mal executado, isso agora afetará o valor xGOT atribuído ao chute, assim como qualquer desvio aplicado ao chute.
#4 Um modelo de penalidade dedicado
Os pênaltis são diferentes em sua natureza dos chutes de jogo aberto, já que o jogador que chuta tem um caminho livre e incontestável até o gol e o goleiro precisa estar com um pé na linha do gol quando o chute é executado.
Como resultado, foi desenvolvido um modelo xGOT separado, treinado exclusivamente em um conjunto de dados históricos de cobranças de pênaltis.
Nos cinco principais campeonatos europeus masculinos da última temporada, o atacante Harry Kane, do Bayern de Munique, gerou o maior xGOT por chute (0,86) entre os jogadores que tentaram pelo menos 5 pênaltis, marcando 9 de 9 cobranças para os campeões da Bundesliga.
Então, quem foram os outros artistas de destaque na última temporada com base em xGOT?
Quando aplicamos o modelo aprimorado a cada chute da campanha da última temporada da Premier League inglesa, podemos ver que Jordan Pickford, do Everton, evitou mais gols com suas defesas do que qualquer outro goleiro (6). Conforme ilustrado pelo gráfico de boca de gol abaixo, esperava-se que Pickford sofresse 50 gols (50 xGOT sofrido), mas ele sofreu apenas 44 gols durante a campanha.
Outra métrica que aplica o xGOT para ilustrar a capacidade de parar chutes dos goleiros é a Taxa de gols evitados. Essa taxa padroniza a métrica xGOT com base no número de chutes que cada goleiro enfrenta, de modo que os goleiros que enfrentaram um volume maior de chutes possam ser medidos de forma mais justa ao lado dos goleiros com uma defesa mais forte à sua frente.
Por exemplo, na última temporada da La Liga, Mario Dmitrovic, que jogou no gol do rebaixado Leganés, evitou mais gols (4,75) do que Thibaut Courtois, do Real Madrid (2,8). No entanto, quando normalizamos o volume de chutes sofridos, podemos ver que ambos os goleiros evitaram gols tão bem quanto o outro, sofrendo 1,1 gol.
Do ponto de vista do atacante, podemos obter insights sobre a eficácia de um jogador na execução de um chute com uma qualidade de chance subjacente relativamente baixa, com base no xG inicial, e na obtenção de um chute no alvo com um xGOT muito mais alto. Outro bom exemplo é o gol de Omar Marmoush pelo Man City contra o Bournemouth no ano passado, que teve um xG de 0,02, mas o xGOT foi de 0,63.
Como posso obter mais informações sobre o xGOT e seus aplicativos?
Como todas as métricas da OptaAI, elas podem ser utilizadas por meio de uma série de feeds e integrações de produtos, permitindo que você compartilhe insights poderosos sobre o desempenho do jogador na frente do gol e a capacidade de parar chutes do goleiro. Mais detalhes sobre essas soluções podem ser encontrados em Localizador de produtos daStats Perform.
Se você é um cientista de dados que trabalha internamente em um clube, nossa equipe Pro Solutions também está disponível para orientá-lo no desenvolvimento do modelo e na lista completa de recursos. Eles podem ser contatados pelo e-mail prosolutions@statsperform.com
Para obter uma lista completa dos explicadores de modelos Opta , visite o Explicador de métricas na página do Opta Analyst.
