Os modelos existentes, como a nossa estrutura de posses e sequências, nos permitem segmentar e analisar passagens de jogo com métricas descritivas, como passes por sequência e velocidade direta. No entanto, isso só nos dá uma visão geral de alto nível do estilo de uma equipe ou do envolvimento de um jogador, e muitas vezes é muito complexo agrupar sequências semelhantes para uma análise mais profunda.
As cadeias de movimento nos proporcionam uma camada totalmente nova de detalhes.
As cadeias de movimento descrevem o padrão de quatro envolvimentos consecutivos de jogadores em uma passagem ininterrupta de jogo, exibindo os locais dos primeiros toques dos jogadores envolvidos, sendo que um jogador pode ser envolvido mais de uma vez na cadeia. O primeiro toque de cada envolvimento de jogador em uma cadeia de movimento é chamado de nó.
Podemos ver como isso funciona em uma corrente na preparação para o segundo gol do atacante do Leeds United, Hélder Costa, contra o Fulham, no início da temporada.
O gol que selou nossos primeiros 3 pontos da temporada pic.twitter.com/SbnME9yVUp
- Leeds United (@LUFC) 19 de setembro de 2020
Illan Meslier joga uma bola alta para Jack Harrison, que a cabeceia na linha de fundo para Bamford. Bamford, então, carrega a bola antes de passá-la para Costa marcar o gol. Cada nó indica o local dos primeiros toques dos quatro jogadores envolvidos.
Cada nó em uma passagem de jogo pode ser classificado em mais de uma cadeia de movimento. Por exemplo, também temos uma cadeia que começa com o passe de Robin Koch para Illan Meslier, que terminaria após quatro envolvimentos em Patrick Bamford. Aqui, três dos nós se sobrepõem entre cadeias de movimento únicas.
As cadeias de movimento foram criadas para contextualizar a função de um jogador em determinados padrões de jogo e oferecer uma visão holística do estilo no nível da equipe. Pierre-Emerick Aubameyang está envolvido em cadeias perigosas pela ala esquerda ou de forma mais centralizada? Como são as correntes mais perigosas do Liverpool?
Atualmente, temos dois tipos de corrente:
- Corrente sem cruzamento/passagem: Essas correntes são as correntes de movimento mais comuns, em que os jogadores passam a bola entre os nós. Vamos nos concentrar nelas ao longo deste blog.
- Cadeia de cruzamento: Essas cadeias contêm cruzamentos concluídos pelo terceiro dos quatro jogadores envolvidos na sequência, em que o terceiro jogador cruza para o quarto jogador da cadeia. Nesses casos, registramos tanto o primeiro toque quanto o local do cruzamento do terceiro jogador.
Cadeias de agrupamento
Para extrair o máximo de valor dessas cadeias de movimento individuais, precisamos categorizá-las em grupos com base em sua similaridade espacial. Primeiro, dividimos as cadeias com base em seus locais de início e fim, determinados pelas zonas mostradas abaixo:
O motivo pelo qual fazemos isso é para injetar conhecimento especializado no modelo. Poderíamos simplesmente agrupar as correntes como elas são, mas a falta de correntes terminando em áreas avançadas (por exemplo, a área de pênalti) faria com que elas fossem puxadas para outros agrupamentos mais distantes do gol.
Portanto, ao segmentar o campo em zonas, garantimos a geração de clusters que refletem com precisão o que acontece no campo.
Isso nos dá nosso nível básico de informações sobre as cadeias, mas precisamos diferenciar os padrões de movimento dentro desses grupos. Por exemplo, as duas cadeias de movimento abaixo começam e terminam nas mesmas zonas, mas têm trajetórias muito diferentes.
Para fazer isso, adicionamos um rótulo de cluster (ou padrão) a cada cadeia dentro desses grupos de zonas que se encaixam nas cadeias mais semelhantes espacialmente. Esses rótulos de cluster descrevem a forma do movimento entre essa zona específica de início/fim e são criados usando um algoritmo de agrupamento K-means, com um número pré-escolhido de grupos com base em nossa análise.
O gráfico abaixo exibe todas as cadeias da Premier League nesta temporada que começaram e terminaram nas mesmas zonas do nosso exemplo do Leeds United, que também pertencem ao mesmo rótulo de cluster. Podemos usar esses agrupamentos, representados visualmente pelos centroides globais de cada nó, para avaliar os padrões de jogo mais frequentes e mais eficazes empregados por uma equipe.
Motivos
Embora os locais de cada envolvimento e suas trajetórias sejam fundamentais, também podemos extrair informações sobre os envolvimentos dos jogadores por meio de motivos. Os motivos atribuem letras a cada ponto de uma cadeia que indica a ordem do envolvimento de um jogador e se combinam para criar uma "palavra" para toda a cadeia de movimentos.
Um exemplo de um motivo poderia ser "ABCA". Isso significa que os três primeiros envolvimentos na cadeia foram todos de jogadores únicos (jogador A, jogador B e jogador C), mas o primeiro jogador da cadeia (jogador A) também foi o último jogador envolvido. Em nosso exemplo do Leeds United, havia quatro jogadores únicos envolvidos, portanto, esse motivo seria rotulado como "ABCD".
Esse contexto nos permite ver os tipos de combinações nessas cadeias e como essas características estilísticas diferem entre jogadores e clubes. Por exemplo, quais equipes estão jogando um contra um dentro e fora da área? Kane está envolvido na formação de cadeias de finalização de chutes que ele também está finalizando? E assim por diante.
Limitações
Embora seja importante entender o que as cadeias de movimento podem medir, como em qualquer modelo, é fundamental entender suas restrições:
- As cadeias não nos informam o que acontece entre os jogadores que recebem a bola e fazem o passe. Um jogador pode carregar a bola antes de passar para o próximo jogador (por exemplo, Patrick Bamford em nosso exemplo) ou pode fazer um passe de primeira.
- As cadeias não incluem informações do jogo que não tenham ocorrido em uma cadeia. Por exemplo, os chutes que não forem precedidos por três passes não serão incluídos em uma cadeia.
- Os comprimentos de cadeia são restritos a quatro envolvimentos para reduzir a complexidade dos dados para uma análise mais avançada com agrupamento e motivos.
Exemplo de análise de borda
Além das características das cadeias de movimento mostradas aqui (por exemplo, grupos e motivos), também podemos aplicar outros modelos AI (por exemplo, valor de posse, passes esperados e pressão) a cada nó para aumentar nossa compreensão do contexto em que esses padrões de jogo estão sendo usados.
Por exemplo, em nossa plataforma Edge Analysis, demonstramos o poder das cadeias de movimento encontrando os padrões mais perigosos que as equipes usam (de acordo com o valor da posse de bola) e vinculamos isso às instâncias de vídeo para estudar as jogadas de maior interesse para o usuário. Fazemos essa análise no nível do cluster, em que cada linha amarela abaixo representa um cluster que contém cadeias individuais que atendem aos requisitos de pesquisa:
As várias aplicações das cadeias de movimento significam que podemos usá-las isoladamente ou dentro de modelos mais amplos para criar uma compreensão mais sofisticada dos estilos de jogadores e equipes e aplicá-las em áreas como recrutamento e análise de adversários.
