Medindo a qualidade defensiva no futebol
A arte da boa defesa é impedir que algo aconteça antes mesmo de acontecer. Virgil Van Dijk é considerado um dos melhores zagueiros do futebol mundial, pois tem a capacidade de impedir que um passe seja feito para um atacante aberto para chutar a gol, forçando o portador da bola a passar para outro lugar menos perigoso. Entretanto, embora saibamos que essa é uma ótima defesa, nas estatísticas atuais, Van Dijk não receberia nenhum reconhecimento. A contribuição de um zagueiro é medida simplesmente pelo número de desarmes ou interceptações que ele faz. Mas e se pudéssemos medir as ações que foram evitadas antes de serem realizadas?
O objetivo de uma defesa e de um zagueiro é tornar o jogo ofensivo previsível. Por exemplo, o Liverpool de Jürgen Klopp pressiona o adversário com o objetivo de forçá-lo a entregar a bola em áreas específicas do campo, limitando o número de opções de passe disponíveis em áreas perigosas. Se a arte da boa defesa é tornar o jogo previsível, então ela deve ser mensurável. Com dados suficientes, devemos ser capazes de prever onde um jogador passará a bola, a probabilidade de esse passe ser concluído e se esse passe resultará em uma oportunidade de gol. Portanto, devemos ser capazes de medir se um defensor força um atacante a mudar de ideia ou se impede que um atacante se torne uma opção.
A Figura 1 mostra uma situação de uma partida entre Liverpool e Bayern de Munique na Liga dos Campeões da UEFA 2018/19 que leva ao gol de Mané (vermelho 10). Nosso modelo identifica que Milner (vermelho 7) é o alvo principal de Van Dijk (vermelho 4) em um primeiro momento. No entanto, devido à combinação de Gnabry (azul 22) fechando Milner, Lewandowski (azul 9) fechando Van Dijk e Mané fazendo uma corrida ativa, por trás da defesa, Mané se torna o receptor mais provável e uma grande ameaça de gol. Isso demonstra nossa capacidade de modelar como a tomada de decisão dos jogadores é influenciada e como uma situação pode passar de baixa ameaça para alta ameaça pelas ações fora da bola dos atacantes e defensores.
Neste artigo, apresentamos uma nova Rede Neural Convolucional em Grafo (GNN) que é capaz de lidar com dados de rastreamento altamente desestruturados e variáveis para fazer previsões em tempo real. Isso nos permite modelar com precisão
comportamento defensivo e seu efeito sobre o comportamento de ataque, ou seja, impedir ações antes que elas ocorram.
