Laurynas Raudonius foi o primeiro vencedor do prêmio Dr. Garry Gelade, que reconhece a proposta excepcional apresentada por um aluno de graduação no Forum Profissional da Stats Perform.
Depois de ganhar o prêmio, Laurynas exibiu uma apresentação de pôster no evento virtual de 2021, que ilustrou as descobertas de um projeto que aplicou dados espaço-temporais para quantificar como os jogadores individuais contribuem para o contra-ataque bem-sucedido de uma equipe, usando células de Voronoi e outros métodos.
Clique aqui para ver seu pôster.
Eliminação da subjetividade na avaliação de contra-ataques
Por que é importante poder quantificar objetivamente a contribuição de cada jogador em um contra-ataque?
Um bom ponto de partida seria desafiar-se, usando apenas o olho nu, a identificar e atribuir pontuações de jogadores às contribuições mais importantes de um único cenário de contra-ataque isolado.
Ao assistir ao vídeo a seguir, considere quais contribuições dos jogadores foram as mais impactantes e por quê.
Depois de assistir a esse clipe, tenho certeza de que agora você vai entender o desafio de atribuir objetivamente valores numéricos às ações realizadas pelos jogadores de futebol. Esse é, sem dúvida, um dos grandes desafios da análise de futebol.
Os benefícios de criar um modelo para conseguir isso são óbvios - ter uma comparação imparcial de dois jogadores pode ajudar enormemente no scouting, na seleção de equipes e em muitas outras áreas do futebol.
Meu modelo combina quatro métricas calculadas com base em dados de rastreamento e eventos e as aplica para atribuir um valor às contribuições dos jogadores para os contra-ataques. Embora existam muitos estudos relacionados ao futebol que se concentram na atribuição de valor aos passes, este modelo vai além e valoriza todas as ações, combinando-as em contribuições. Foram desenvolvidos modelos um pouco semelhantes, mas eles foram treinados como modelos de aprendizado de máquina e não incluem muitos indicadores separados.
Além disso, este projeto se concentra em contra-ataques, um subconjunto de cenários de ataque que, até o momento, recebeu muito pouca atenção dos cientistas e pesquisadores de dados.
Definição de uma contribuição
O modelo usado neste projeto não diferencia os diferentes tipos de ações de ataque realizadas pelos jogadores, mas combina todas elas em contribuições. Uma contribuição é essencialmente um par de estados de posse de bola no jogo (a posição de todos os jogadores e da bola no campo em um determinado momento), começando primeiramente com o momento em que um jogador toca a bola pela primeira vez e, em seguida, com o momento em que um colega de equipe toca a bola (e, por sua vez, inicia sua própria contribuição). A diferença entre esses dois estados de posse de bola no jogo responde à pergunta "como um jogador impactou a situação enquanto estava com a bola?
Derivação da pontuação exata de uma contribuição
A diferença entre os dois estados de posse não nos dirá muita coisa, a menos que tenhamos uma maneira de atribuir valores numéricos a eles de forma objetiva. Para isso, quatro métricas separadas, derivadas de dados de rastreamento e eventos, foram projetadas e implementadas:
1. Distância
Essa é a métrica mais intuitiva das quatro. É óbvio que se um jogador levar a bola, por exemplo, do seu próprio terço até a área de pênalti do adversário, ele contribuiu muito para tornar o ataque mais perigoso. Portanto, sua contribuição deve ter uma avaliação alta. Para medir isso com exatidão, o modelo calcula a distância euclidiana entre a bola e o gol quando um jogador recebe a bola pela primeira vez e a mesma distância quando ele termina sua ação (ou seja, tenta um passe). A diferença entre as duas nos diz o quanto a bola está mais próxima do gol como resultado do envolvimento do jogador e, portanto, é o valor do indicador. Também podem ser atribuídos valores negativos, pois é possível que um jogador leve a bola para mais longe do gol.
2. Perigo
Com base na métrica de distância, podemos levar em conta a localização exata no campo em que a bola está seguindo as ações do jogador, e não apenas a distância que ela está do gol.
A avaliação do perigo de diferentes áreas do campo é um tópico que foi investigado em profundidade por Daniel Link et al. em sua pesquisa sobre o perigo em ataques de futebol. A pesquisa deles propõe dividir o terço de ataque em quadrados de 2×2 metros e, em seguida, atribuir uma pontuação de perigo entre 0 e 1 a cada quadrado (veja a Figura 1 abaixo).
Para calcular os valores exatos, eles seguem cinco regras principais:
a) À medida que a distância da meta diminui e a centralidade aumenta, o perigo aumenta.
b) A movimentação para a área de pênalti provoca um aumento repentino do perigo devido ao risco de a equipe defensiva conceder um pênalti.
c) Há uma área homogênea na frente do gol na qual o perigo não aumenta ainda mais.
d) Um ângulo agudo em relação ao gol reduz o perigo.
e) As áreas ao lado da área de pênalti são perigosas devido à possibilidade de um cruzamento com pouco risco de impedimento.
3. Jogadores superados
Embora as métricas de distância e perigo sejam informativas, elas são fundamentalmente baseadas apenas na posição da bola.
E se um jogador tivesse um caminho livre para o gol a partir da linha do meio de campo? Com base apenas nos dois indicadores anteriores, a contribuição desse jogador seria muito valorizada, mesmo que ele estivesse sob pouca pressão dos jogadores adversários. Portanto, é importante considerar, ao avaliar as ações do jogador, como elas afetam a defesa adversária.
É exatamente isso que o terceiro indicador mede. Para ser mais específico, ele calcula quantos jogadores adversários estão atrás da bola durante as ações do jogador. Como os goleiros ficam atrás da bola a maior parte do tempo, eles não são considerados nessa métrica.
4. Controle de espaço
Um estudo explorou a relação entre o sucesso de uma equipe e a quantidade de espaço que ela controlava no campo do adversário, a 30 metros do gol. O estudo constatou que havia uma correlação direta: muitas equipes bem-sucedidas, como o Barcelona e o Borussia Dortmund no início da década de 2010, controlavam grandes espaços no campo do adversário, portanto, faz sentido atribuir uma avaliação mais alta aos jogadores cujas contribuições aumentam o espaço controlado.
Para este projeto, o espaço controlado é medido usando células de Voronoi. A célula de Voronoi de um jogador é o conjunto de pontos no campo dos quais ele está mais próximo do que qualquer outro jogador.
O cálculo do espaço em todo o campo não seria muito informativo, pois um jogador que aumenta o espaço em seu próprio campo não contribui necessariamente para um contra-ataque. Portanto, um limite (área) no campo foi selecionado, determinando quando o controle de espaço é considerado.
Experimentos com diferentes áreas na frente do gol indicaram que, se o espaço controlado for medido apenas no último quarto do campo, a variação no controle do espaço será maior entre todos os jogadores, o que nos permitirá diferenciar melhor a importância da contribuição de um jogador. Portanto, isso foi definido como um limite no modelo.
Combinando as métricas
Para produzir uma única pontuação por contribuição do jogador, os quatro indicadores foram combinados. A primeira etapa é normalizar todos eles no mesmo intervalo: aqui foi selecionado [-1;1]. Em seguida, as pontuações de uma contribuição são somadas e multiplicadas por 2,5 para que as pontuações obtidas fiquem entre -10 e 10. Isso resulta em nossa pontuação final atribuída a uma contribuição.
Aplicativo
Tendo estabelecido a metodologia, agora precisamos demonstrar como o modelo pode ser aplicado a uma passagem arbitrária de jogo em uma partida.
Se uma passagem for relativamente descomplicada (como o gol da vitória de Gareth Bale em um contra-ataque na Copa do Rei de 2014), o desafio de distribuir as pontuações das contribuições é bastante simples, mas fica exponencialmente mais difícil com cada novo jogador que entra na jogada.
Esse modelo é capaz de resolver esse problema.
Vamos voltar ao exemplo de vídeo que mostramos no início deste artigo. Nesta nova versão do clipe, pausamos a filmagem no final de cada contribuição e mostramos como o modelo a avaliou.
O gráfico de barras abaixo resume os valores que foram atribuídos às contribuições durante esse contra-ataque.
Quando você considerou inicialmente quais contribuições dos jogadores foram as mais impactantes nesse contra-ataque específico, seria interessante saber se seus valores eram semelhantes aos derivados desse modelo.
Agora que já expliquei minha metodologia, vamos fazer o mesmo exercício novamente, mas, desta vez, tente levar em conta os quatro indicadores ao atribuir as pontuações a cada contribuição.
Depois de assistir ao clipe, clique no vídeo abaixo para ver os valores de contribuição atribuídos pelo modelo e compare-os com os seus.
Novamente, o gráfico de barras a seguir resume os valores de cada contribuição de contra-ataque.
Neste exemplo, vale a pena destacar a contribuição do jogador seis. Sua contribuição, de acordo com o modelo, é a maior, com uma pontuação combinada de quase cinco. No entanto, quando mostrei esse vídeo aos delegados no Pro Forum, as pessoas tendiam a dizer que achavam que o jogador oito ou o jogador nove tinham feito a maior contribuição. Isso reforça a subjetividade da tentativa de quantificar a contribuição de um jogador para as fases de contra-ataque apenas a olho nu.
Além disso, destaca o potencial desse tipo de pesquisa para tentar reduzir o viés ao avaliar cenários de correspondência recorrentes, o que pode melhorar os processos de análise de correspondência e informar o perfil de recrutamento.
Referências
Tavares, Ricardo. (2019). Uso de diagramas de Voronoi no futebol.
Link, D., Lang S. e Seidenschwarz P. 2016. Real Time Quantification of Dangerousity in Football Using Spatiotemporal Tracking Data (Quantificação em tempo real da periculosidade no futebol usando dados de rastreamento espaço-temporal).
Rein, R., Raabe D. e Memmert D. (2017). "Qual passe é melhor?" Novel Approaches to Assess Passing Effectiveness in Elite Soccer (Novas abordagens para avaliar a eficácia do passe no futebol de elite). Ciência do Movimento Humano 55.
Originário da Lituânia, Laurynas Raudonius se formou em Ciência da Computação na Universidade de Manchester no início deste ano. Atualmente morando na Suíça, ele já trabalhou como analista de jogos para o FK Kauno Žalgiris, time da primeira divisão da Lituânia.
