À medida que os processos de análise de desempenho no futebol profissional de elite amadurecem, os analistas que trabalham para os principais clubes estão se esforçando para identificar percepções e tendências taticamente relevantes em vários conjuntos de dados, que, em muitos casos, são utilizados isoladamente.
Um desses conjuntos de dados tem sido os dados de rastreamento doméstico, disponíveis para todos os clubes de uma liga, que capturam o posicionamento e o movimento de todos os 22 jogadores em campo. Esses dados, que são coletados há mais de 20 anos, permitem que os analistas analisem as ações de cada jogador em relação aos KPIs definidos, tanto do ponto de vista do desempenho quanto do ponto de vista tático. Historicamente, esses dados só estavam disponíveis em um formato bruto, o que resultava em limitações em relação à identificação de tendências de longo prazo.
No entanto, nos últimos meses, um número significativo de métricas, derivadas de dados de rastreamento, foi disponibilizado em um conjunto de dados de rastreamento e de eventos mesclados que, pela primeira vez, pode ser interrogado em uma ferramenta de análise front-end, o Stats Perform's ProVision. Isso está abrindo novos caminhos de análise de desempenho para fornecer mais percepções objetivas, em questão de segundos, sobre os pontos fortes e fracos dos jogadores adversários.
No total, mais de quarenta filtros diferentes relacionados ao rastreamento podem ser utilizados juntamente com os dados do evento, que abrangem as três áreas a seguir:
- Dados de localização do jogador: com métricas de distância média e corridas fora da bola.
- Métricas de desempenho: incluindo dados abrangentes de distância e sprint do jogador.
- Dados de passe: incluindo velocidade de passe, total de jogadores contornados por passes e dados detalhados de cruzamento.
Usando essas informações, agora é possível criar relatórios, executados diariamente ou semanalmente, que fornecem outra camada de contexto para os resultados do evento.
Aqui apresentamos cinco exemplos de análises que agora podem ser realizadas usando o conjunto de dados combinados.
1 - Tomada de decisões boas e ruins a partir de cruzes
Uma das principais vantagens do conjunto de dados combinado é que, para cada evento de bola que ocorre, temos uma compreensão da localização de cada jogador no campo. Isso é particularmente útil para analisar o desempenho do cruzamento de jogadores em posições amplas.
Um dos filtros de rastreamento do ProVision permite que o usuário determine quantos jogadores estão na área de pênalti do adversário quando um cruzamento é feito. Isso permite que o analista identifique os jogadores que regularmente cruzam quando há poucos companheiros de equipe na área, o que pode destacar a má tomada de decisões nas áreas de ataque.
Por outro lado, usando o mesmo princípio, um analista também pode usar esse filtro para destacar as equipes que procuram ocupar a área adversária quando a bola está em uma área ampla, buscando chegar ao final das jogadas. Isso pode ser analisado em um nível de jogo a jogo, no nível do jogo e da temporada, com números médios que fornecem uma visão das tendências de uma equipe a partir de cruzamentos em jogo aberto, em comparação com as médias da competição, de ambos os lados do campo.
Portanto, além de identificar o número de cruzamentos e seus resultados, agora temos um contexto adicional para ajudar a determinar quais são os principais motivos por trás desses resultados.
2 - Passe progressivo dos zagueiros centrais
Ao analisar as tendências de passe dos defensores, estabelecer uma imagem precisa dos jogadores que são eficazes em mover a bola para fora da defesa e progredir com sucesso pelo campo pode influenciar a abordagem de uma equipe sem a bola.
A filtragem de dados de eventos, como a direção, o local de início/fim e o resultado dos passes, pode oferecer informações sobre o grau de conforto de um defensor com a posse de bola. No entanto, ao adicionar o rastreamento, podemos levar essa análise adiante.
Usando esses dados, um analista pode aplicar um filtro para saber quantos jogadores adversários são contornados por um passe, bem como o número médio de jogadores que são contornados por passe. Outros filtros também podem ser aplicados para se adequar à definição do próprio clube, incluindo a redução do número de passes para incluir apenas passes terrestres e a área de onde os passes são executados (por exemplo, o terço defensivo).
Usando esses insights, em várias partidas ou contra tipos específicos de adversários, os analistas podem identificar os jogadores adversários que marcam muito e comparar o desempenho deles nessa métrica com outros resultados de passes, o que pode ajudar a identificar os zagueiros centrais que são eficazes em passar pelos adversários e, usando o Valor de Posse (VP), também estabelecer quais deles aumentam a probabilidade de sua equipe marcar gols por meio de passes progressivos. Isso também pode ajudar a identificar os zagueiros que não são tão eficazes com a posse de bola e que podem se sentir menos à vontade para serem pressionados, o que nos leva ao próximo exemplo.
3 - Desempenho de passes sob pressão
Um dos principais benefícios dos dados de rastreamento é que um analista pode determinar a que distância cada jogador está no campo em relação ao jogador com a posse de bola em um determinado momento. Isso significa que o desempenho dos passes de cada jogador pode ser analisado, levando-se em conta o desempenho deles quando têm jogadores adversários muito próximos.
ProVision permite que um analista adicione um filtro de rastreamento às informações de passe, onde ele pode ver como seus números flutuam com base em quantos jogadores adversários estão a menos de dois metros da bola. Se um jogador tiver pelo menos dois jogadores de defesa próximos, é provável que ele esteja sob maior pressão ao tentar um passe - e esses números podem ser usados para comparar o desempenho contrastante dos jogadores em um time e quem tem maior probabilidade de entregar a bola quando está sob maior pressão.
4 - Vinculação da taxa de trabalho à pressão efetiva
Ao trabalhar apenas com dados de eventos, a métrica PPDA (passes por ação defensiva), usada em conjunto com altos índices de turnovers, tem sido um indicador útil para identificar se uma equipe procura pressionar o adversário. Um total baixo de PPDA, em várias partidas, indicaria que uma equipe se esforça para recuperar a bola rapidamente, enquanto um total alto sugere que uma equipe tem mais probabilidade de ficar em um bloqueio baixo e permitir que o adversário tenha a bola.
Quando adicionamos dados de rastreamento físico, é possível estabelecer correlações entre as percepções derivadas dos dados do evento e a intensidade do movimento de cada jogador em campo. Podemos fazer isso usando duas métricas disponíveis no conjunto de dados mesclados: velocidades máximas dos jogadores, medidas em metros percorridos por segundo; e o total de metros percorridos por cada jogador em alta velocidade.
Além de fornecer contexto sobre quais jogadores cobrem mais terreno em equipes que adotam uma abordagem agressiva de pressão, esses resultados podem ser aplicados em vários filtros do ProVison para estabelecer como a taxa de trabalho de um jogador e a abordagem de sua equipe fora da posse de bola mudam contra diferentes tipos de oposição, como equipes que procuram jogar por cima de uma pressão, em comparação com suas médias da temporada.
5 - Uso de pessoal nos cantos de ataque
Em 2020/21, 20% de todos os gols não penalizados marcados nas cinco principais ligas europeias foram marcados em jogadas de bola parada, um número que reforça a importância de uma equipe maximizar suas oportunidades em escanteios e cobranças de falta, além de ser capaz de defendê-las com sucesso.
Gols marcados em escanteios: temporada 2020-21
| Liga | Objetivos |
|---|---|
| Primeira Liga | 58 |
| Ligue 1 | 58 |
| Seria A | 52 |
| Bundesliga | 43 |
| La Liga | 36 |
Embora as métricas avançadas, como a Expected Goals, possam oferecer informações sobre quais equipes criam e concedem chances de alta qualidade em escanteios, a disponibilidade de dados de localização dos jogadores acrescenta outra dimensão para estabelecer como as equipes se preparam nessas situações.
Usando filtros de rastreamento, um analista pode identificar o número de cenários durante a temporada em que uma equipe se prepara com um número específico de jogadores na área de pênalti ou dentro da área de seis jardas. Assim, por exemplo, um clube pode identificar o número de instâncias em que uma equipe defensora tem de lidar com dois jogadores de ataque parados na área de seis jardas quando um chute está sendo cobrado - e, principalmente, quantas chances são concedidas nesses cenários.
Isso pode ajudar a identificar possíveis áreas de fraqueza quando uma equipe está defendendo jogadas de bola parada, em várias partidas, que podem ser usadas para informar suas táticas antes de um jogo.
Esses são apenas cinco exemplos de como um conjunto de dados domésticos mesclados, combinando resultados de dados de rastreamento e de eventos, pode ajudar na identificação de jogadores que se destacam ou que podem ter uma área de fraqueza durante cenários recorrentes no jogo.
Todos os filtros de rastreamento do ProVision também podem ser adicionados aos relatórios e estatísticas personalizados de um analista, o que abre uma ampla gama de possibilidades de análise em diferentes contextos.
Para saber mais sobre como ProVision pode fornecer insights mais profundos sobre tendências de desempenho de longo prazo, apoiando os processos pré e pós-jogo do seu clube, visite nossa página de Análise de jogos ou entre em contato conosco para saber se os dados de rastreamento da sua liga nacional foram integrados à plataforma.
