Эффект от аналитических консультаций

До недавного времени в футболе не было примеров, чтобы в тренировочном процессе использовались модели, симулирующие будущие действия игроков на поле. Поэтому, по ходу консультационной работы с игроками и тренерским штабом было важно оценить степень готовности игроков воспринимать анализ игровых эпизодов с точки зрения предложенных метрик, доступность их визуализации для понимания и готовность игроков и тренерского штаба к совместной дискуссии относительно результатов работы модели МАИ.

Совместно с анализом симуляций прошедших матчей аналитические сессии, проводимые авторами работы с первой командой Хаммарбю, были дополнены разборами атакующих действий футболистов Барселоны, изучением особенностей комбинационной игры Манчестер сити во время продолжительных атак и анализом карты ударов, на основе которой строится метрика xG и оценивается вероятность забить гол с различных позиций вокруг штрафной площади.

Авторы отмечают, что по мере вовлечения игроков в данные аналитические сессии, игра Хаммарбю стала улучшаться, по результатам всего сезона команда стала первой по результативности, забив на 33.9% больше голов, ее ближайший конкурент – Мальме, плюс ко всему побила рекорд чемпионата Швеции по средней результативности за игру с показателем 2.5 гола за матч. Никола Джурич был выбран в качестве лучшего нападающего в чемпионате (забил 13 – на 2 меньше, чем лучший бомбардир, по системе гол + пас разделил первое место со своим одноклубником Муамером Танковичем, с которым они набрали по 21 результативному действию). При этом аналитические разборы с применением МАИ не были слишком интенсивны и занимали только небольшую часть тренировочного процесса, так что это не может быть рассмотрено как основная причина перечисленных достижений.

Однако, полученные результаты указывают на то, что имеется взаимосвязь между открытостью тренерского штаба к оценке решений, принимаемых игроками на футбольном поле, с помощью анализа данных, готовностью игроков к обсуждению и анализу своей собственной эффективности на поле с использованием описанной методики и успехами команды в атакующей игре. В конце сезона руководство клуба предложило одному из автором данной работы постоянный контракт в клубе, посчитав, что игроки и тренерский состав могут получит пользу от использования описанных инструментов анализа на постоянной основе.

Заключение

Данная работа является первым шагом в моделировании автономного движения футболистов. Предложенный авторами подход может быть использован совместно с чистыми data-driven решениями, когда движения игроков предсказываются с помощью нейронной сети. Преимущество подхода, предложенного в данной работе, заключается в том, что он основан на существующих тренерских знаниях и предположениях, которые могут быть легко объяснены тренерскому составу и игрокам. (В случае использования нейронных сетей интерпретация получаемых результатов становится гораздо более сложной задачей, зачастую невозможной в принципе; например, мы можем получить ответ на то, какая позиция будет наиболее оптимальной, но на вопрос почему, мы не сможем ответить)

В дальнейшем состоятельность модели, предложенной в данной работе, должна быть проверена на большом объеме данных.

Мы выяснили, что подход с разбиением футбольного поля на несколько зон, может быть основой для построения модели, предсказывающей оптимальное расположение футболистов на поле. В частности, игрокам, находящимся в зоне взаимопомощи, свойственно стремление занять такую точку на поле, которая максимизирует совокупную вероятность получить пас (PP) и вероятность влияния паса (PI), т. е. вероятность забить гол, после того как пас будет получен. Количественная оценка результатов симуляции, фактические данные и совместные дискуссии с игроками подтверждают предположение, что два или три игрока, находящихся ближе всего к получающему мяч, могут рассматриваться, как находящиеся в одной зоне взаимопомощи.

В обсуждения с тренерами и игроками пространственная метрика – владение (PC) доказала свою полезность для анализа тактики и позиционирования в зоне взаимодействий, но оказалось не точной, с точки зрения модели, предсказывающей оптимальное положение игроков в данной зоне, во время атакующих действий в финальной трети поля. В действительности, ни одна из рассмотренных метрик не смогла продемонстрировать результаты лучше контрольной модели, которая рекомендует игрокам в качестве оптимального действия – оставаться на том же месте. Обсуждение с игроками показало, что метрика владение – может быть полезной при анализе движений в зоне взаимодействий во время прессинга. (но данную гипотезу еще предстоит проверить).

Предложенный в данной работе подход является первым шагом на пути к построению комплексной модели, которая сможет точно определять оптимальные решения игроков на футбольном поле в любом игровом эпизоде. Модель МАИ и используемые в ней пространственные метрик, должны рассматриваться как инструмент, помогающий понять и оценить действия игроков на поле и предлагающий альтернативные варианты. Предложенная модель должна итеративно улучшаться и дополняться на основе анализа своей состоятельности на новых данных. Данный процесс будет идти более эффективно, как в рассмотренном случае, если будет проходить на базе профессиональных футбольных клубов.

Со своей стороны хочу выделить ключевые моменты еще раз:

· В данной работе и ряде других работ, опубликованных за последние пару лет, часто упоминаются специалисты по data science из Барселоны и Ливерпуля в качестве авторов работы или же авторов методов (первые ввели ту или иную метрику), на основе которых предлагаются другие (улучшенные или несколько альтернативные) концепции для использования в футбольном анализе. Т.е. мы видим, что представители ведущих мировых клубов активно участвуют в развитие инструментов футбольного анализа (инновации идут не из вне, а изнутри самой индустрии, что указывает на то, что клубы понимают важность и большой потенциал продвинутых методов анализа для увеличения эффективности команд)

· появление трекинговых данных в совокупности с параллельным развитием продвинутых методов аналитики на основе машинного обучения запустило активный процесс разработки новых способов оценки всего игрового процесса на футбольном поле (разработка новых метрик, моделей, оценивающих оптимальные действия и т. д.), которые позволяют оценивать более широкий спектр действий футболистов и делать это более эффективно, чем раньше

· новые методы анализа становятся более сложными, на примере рассмотренных пространственных метрик мы видим, что относительно простая метрика xG является составной частью метрики PI (влияние), которая используется совместно с другой метрикой PP (вероятность паса), для эффективной оценки действий футболистов в атакующей фазе игры и находящихся в определенной зоне поля (зоне - взаимопомощи) и определния итоговой вероятности гола (PP * PI)

· с увеличением качества и эффективности разрабатываемых метрик и моделей будет увеличиваться количество решений, принимающихся на основе прогнозов аналитических моделей и роль последних в футбольном процессе (мне кажется, мы застанем с вами время, когда оптимальный состав на игру, игроки выполняющие стандарты, тренерский состав и сам тренировочный процесс будет определятся преимущественно на основе работы аналитических моделей)