Трекинговых данные и соответствующие метрики

Последние научные работы в области футбольной аналитики сосредоточены на отслеживании пространственно-временных данных, представленных в виде координат всех игроков на поле и мяча. Более продвинутые подходы пытаются учесть в своих моделях в том числе пространственное положение тела на основе анализа видеозаписей. Как было отмечено выше, трекниговые данные позволяют учитывать значительно больше информации, чем данные о событиях. (Возможность перехвата всех потенциальных пасов, расположение игроков относительно оборонительной линии соперника, степень контроля пространства в каждой конкретной позиции, скорость игроков)

Одним из подходов к использованию трекинговых данных является расширение существующих метрик для оценки значимости пасов, основанных на данных о событиях. Например, Вильям Спирмен (ведущий data scientist в Ливерпуле) разработал модель, предлагающую довольно комплексное представление различных состояний футбольного матча используя трекинговые данные. Его модель сочетает вероятность гола из конкретной точки поля, вероятность команды контролировать данную точку и вероятность того, что мяч может быть доставлен в эту точку, предоставляя на выходе объективный способ оценки ожидаемой долгосрочной значимости от владения мячом. В оригинале, предложенная им метрика называется OBSO (off-ball scoring opportunities – возможность голов из владения) и предлагается для использования в качестве одного из основных аналитических инструментов для прогнозирования голов, определения наиболее уязвимых зон в обороне и определения талантливых игроков, обладающих пространственным футбольным интеллектом (способность читать игру).

Другой подход заключатся в создании самостоятельных моделей на основе сырых, необработанные трекинговые данных, применяя нейронных сети и другие алгоритмы машинного обучения для вычленения тех или иных закономерностей. Такие подходы сегодня называются data-driven, т. е. данные подходы позволяют строить модели, которые опирается исключительно на имеющиеся данные, без использования априорных знаний о процесс, имеющегося опыта (экспертизы) и интуиции.

Для того чтобы понять, что такое data-driven подход, и чем он отличается от альтернативных, стоит добавить пару пояснений.

1. Существует Physics-based подход, т. е. подход, когда математическая модель строится исходя из нашего знания о каком-то процессе и выражается в виде какого-то уравнения (системы уравнений). Например, если взять уравнение, которое описывает движение футболиста, подставить в такое уравнение текущие координаты игрока и его скорость, то можно рассчитать наиболее вероятные координаты игрока в следующий момент времени (т. е. мы используем математические уравнения, описывающие траекторию игрока, опираясь на базовые законы физики)

2. Сегодня мы живем во время всеобъемлющей цифровизации, одним из основных продуктов, который генерирует наше общество, являются данные. Некоторые визионеры и видные деятели современности называют данные – золотом 21 века. Сами по себе накопленные данные не представляют большого интереса, но развитие компьютерные технологий и рост вычислительных мощностей в последнее десятилетие сделали возможным применения определенных классов математических моделей (нейронные сети и другие алгоритмы машинного обучения) к накопленным данным для вычленения закономерностей и дополнительных знаний о различных процессах окружающего мира. Подход, при котором мы берем набор данных, обучаем на нем нейронную сеть или другой алгоритм (в первом приближении считаем, что подаем наши данные в некий черный ящик) и получаем на выходе модель, которая может находить оптимальные решения или делать предсказания о процессах, физические свойства которых мы не рассматривали, называется data-driven. (если возвращаться к предыдущему примеру с Physics-based подходом, то получается, мы берем всю накопленную статистику о перемещениях игроков и мяча, представленную в виде изменения координат, и кладем в нейронную сеть, которая определяет наиболее точные существующие закономерности этого сложного движения (сложного с точки зрения классического математического моделирования) и позволяет нам предсказывать наиболее вероятные координаты игроков в следующие моменты времени, т.е. мы не описываем физику процесса, это за нас делает алгоритм на основе имеющихся данных)

Data-driven подход уже был успешно адаптирован для таких видов спорта как баскетбол и футбол. Данные модели могут выдавать реалистичные траектории движения игроков и использоваться для автоматической идентификации наиболее оптимальных игровых схем. (номинальная расстановка, расстановка при атаке, обороне, прессинге и т д).