Что такое симуляция в футболе
Изображая жертву. Как побороть симуляцию в футболе?
Александр Ткач рассуждает о ФИФА как церкви, непогрешимости судей и важном опыте MLS в борьбе с симулянтами.
Фото: Fotobank/Getty Images/Denis Doyle
Если взглянуть на проблему с этой стороны, аналогии не закончатся. Наоборот, они продолжат множиться. Судья для высших футбольных чиновников – инструмент божьего провидения, благословленный цюрихским папой. Он в ответственности за все происходящее на поле, он волен казнить и миловать, опираясь на законы и кодексы, но трактуя их так, как подсказывает ему звучащий внутри голос свыше. Он единственная и последняя инстанция игрового правосудия; его решения можно оплакать, но нельзя оспорить и тем более отменить.
Получается, что судья – не чиновник, следящий за исполнением законов. Судья и есть закон. (Существует, правда, и чуть более циничная точка зрения, в соответствии с которой рефери – не более чем одушевленный спортинвентарь, как мяч или штанга; правда, разница между ними в конце концов – чисто стилистическая.) Именно это, как ни странно, делает симуляцию не просто оправданной для игроков, но и приемлемой в глазах части болельщиков. Если обман чиновника, следящего за исполнением законов, – это мошенничество, то умелое использование несовершенств самого закона – это уже налоговая оптимизация. Первое плохо безусловно, второе – в зависимости от того, с какой стороны от государственного бюджета вы находитесь, доходной или расходной.
По мнению ФИФА, судья – не чиновник, следящий за исполнением законов, судья и есть закон. Если обман чиновника – это мошенничество, то использование несовершенств закона – это просто налоговая оптимизация
Существует мнение – широко распространенное в ФИФА/УЕФА и разделяемое не последними людьми в футболе – что дополнительные инструменты, вроде видеоповторов, будут подрывать авторитет арбитров. Если рефери – это непогрешимый помазанник небес, то это безусловно правда. А вот если задуматься – это все равно что заявить, будто многоуровневая судебная система с возможностью апелляции разрушает авторитет судей первого уровня.
Самое печальное, что на самом деле работа рефери уже давным-давно воспринимается без пиетета. Сказать, что она десакрализована – значит, ничего не сказать. О непогрешимости судей речь даже не идет; жить без ярлыка недоучки и/или взяточника – уже счастье. За последние 50 лет работа арбитра усложнилась настолько, что вплотную подобралась к порогу возможностей человеческого тела: игроки бегают куда быстрее, чем раньше, их техника стала намного разнообразнее, а главное – они очень хорошо изучили повадки тех, кто поставлен оценивать их действия.
Для случаев, когда люди, претендующие на роль проводников воли небес, теряют доверие масс, история знает вполне очевидный рецепт – Реформация. Отменять институт арбитров необязательно; достаточно просто перестать делать вид, будто они непогрешимы, а их ошибки – божий промысел.
То, что пока недоступно для консервативной Европы, уже применили в стране победившего протестантизма – США. В местной лиге MLS существует специальная комиссия из пяти человек: бывшего судьи, бывшего тренера и трех бывших игроков. С 2011 года в ее полномочия, помимо прочего, входит вынесение наказаний на основании видеозаписей – в том числе за симуляцию. Изобразил нарушение, «нырнул», обманул судью – получи дисквалификацию на несколько матчей, заработал неправедный пенальти – будь готов заплатить штраф.
В американской MLS с 2011 года специальная комиссия выносит наказания за симуляцию на основании видеозаписей
Конечно, такое «постсудейство» не могло бы вырасти и прижиться на какой угодно почве. Американская для этого подходит: тут традиционно в почете виды спорта с ярко выраженной и очевидной борьбой (а кое-где, как в НХЛ, – и с драками). Местные зрители куда выше ценят храбрых, быстрых и сильных, чем хитрых и предприимчивых. В игре должно быть шоу – и все элементы этого шоу должны быть на виду у зрителей.
Соккер же по местным меркам – и без того выхолощенный и пресный вид спорта для анемичных неженок из богатых пригородов, заранее смирившихся с тем, что можно 90 минут мучить мяч и ни разу не завести его в ворота. Игроки, падающие навзничь от недружелюбного кивка головой перед объективами десятков камер, преодолению этого стереотипа не способствуют – а MLS, между прочим, прикладывает для этого колоссальные усилия.
Кроме того, нужно понимать, что американская лига – это единый бизнес-организм, большой продюсерский центр, в котором клубы – это штатные актеры-аниматоры. Задача MLS – создавать продукт, как можно более привлекательный для зрителей. Вопросы вековых традиций лигу волнуют далеко не в первую очередь: терпеть побочные эффекты правил лишь потому, что это было уместно на улицах Шеффилда середины XIX века, американские функционеры не намерены. Именно поэтому в MLS не боятся экспериментов – тем более что по сравнению с не прижившимися в начале 2000-х «буллитами» борьба с симулянтами не выглядит чересчур смелым решением.
Между однозначными симуляциями и очевидными нарушениями правил помещается огромное количество спорных и сомнительных эпизодов
И тут бы возрадоваться и возложить эту благородную миссию всем местным КДК – но кое-что мешает.
Во-первых, симуляция – лишь часть более широкого набора приемов, которые комментаторы любят называть «маленькими футбольными хитростями». Незаметные мелкие тычки, словесные провокации и другие виды mind games, споры с судьей, затяжки времени и удары по пустым воротам в тот момент, когда голкипер прилип к штанге, выставляя стенку, – для всего этого вместе с симуляцией в итальянском языке есть один специальный термин, furbizia. Мнению мастеров этого дела из серии А вполне можно доверять – все это одного поля ягоды, тесно связанные друг с другом. Когда нападающий, которого защитники весь матч держат вдали от мяча ускользающими от судейского взгляда фолами, добавляет драматизма своему падению – он верит, что берет свое, возвращает то, что принадлежало ему по праву и чего он был несправедливо лишен. И нельзя сказать, что в этой своей вере он полностью неправ.
Во-вторых, между однозначными симуляциями, получающими широкую огласку, и очевидными нарушениями правил помещается огромное количество спорных и сомнительных эпизодов. Вынести в них однозначных вердикт бывает сложно даже опытным профессионалам после десяти видеоповторов с нескольких камер. Этих ситуаций куда больше, чем нам кажется: утверждать с уверенностью, что игрок мог остаться на ногах, если бы захотел, несмотря на положеннуе ему на плечо руку, – крайне непросто. А в отечественном КДК, между прочим, сидят живые люди, податливые к давлению общественности в целом и порой, кажется, даже отдельных ее представителей. Все довольны вердиктом по делу «Веллитон vs. Акинфеев»? То-то же.
Так или иначе, что-то очевидно и срочно нуждается в изменении в любимой нами игре. Либо наше отношение к симуляциям, либо дисциплинарная практика. Либо furbizia как благо, либо видеоповторы как наименьшее из зол.
Симулянты! Кто из футболистов любит симулировать
В футбольном мире уже составили собственный список симулянтов – игроков, которые при любой возможности падают на поле и пытаются изобразить боль. В обществе к таким футболистам относятся плохо, считают, что они ведут себя «не по-мужски». Действительно ли симуляция – это нечто негативное? И почему так много даже ведущих игроков используют этот приём?
Зачем футболисты симулируют?
Симулянты бывают разных категорий. Кто-то использует актёрскую игру ради внимания публики, кому-то хочется заработать поблажки от судьи: пенальти или удаление сильного игрока противника. Но на практике симуляция гораздо чаще используется для защиты, а не нападения.
Одним из ключевых правил футбола является запрет на контакт с противником. Если спортсмен при попытке отобрать мяч бьёт не по нему, а по ногам, наваливается корпусом, пытается снести соперника своим весом – это нарушение правил. Арбитр, заметив такое поведение, обязан удалить провинившегося с поля. Вот только на практике всё происходит не так. Судьи часто не замечают проблему, пока кто-нибудь из игроков не упадёт, уже получив травму.
Логично, что опытные спортсмены стараются предотвратить такой исход событий, своевременно удаляя опасного игрока с поля. Что лучше – использовать симуляцию и прославиться как «плакса», но зато пройти на следующий матч, или получить по ногам и пролежать несколько недель в больнице?
Многие звёзды мирового футбола считают, что симуляция в рамках приличия – это полезный инструмент. Тьерри Анри, ныне тренер клуба «Монако», утверждает, что игрокам не стоит удерживаться на ногах, если произошёл запрещённый физический контакт. «Я считаю так: если тебя коснулись, нужно падать». Он согласен с мнением, что агрессивных противников нужно удалять с поля любыми способами, даже при помощи базовой актёрской игры. Действительно, что будет, если спускать неспортивное поведение с рук? Начнётся хаос.
С природой симуляции в футболе разобрались. Теперь можно переходить к основному – списку самых известных симулянтов. Часть из них, действительно, использует приём для защиты, но кто-то просто жаждет внимания публики.
Криштиану Роналду
Португалец решил совмещать гениальную технику игры актёрское мастерство. Он регулярно падает даже от незначительных толчков, стараясь выбить у арбитра пенальти или штрафной. Некоторое время он пользовался драматизацией настолько часто, что даже болельщики его собственного клуба начали негодовать.
Нужно отдать должное: в последние годы Роналду симулирует в несколько раз меньше. Возможно, сказалось новое правило, по которому за притворство можно получить жёлтую карточку.
Неймар
Кажется, игроков «Барселоны» больше учат театральным постановкам, чем футболу. Именно игроки этого клуба чаще всего показывают чудеса симуляции. Что интересно, Неймар до перехода в этот клуб не страдал от излишней артистичности, а в новой обстановке тут же обзавёлся нужными навыками.
Особенно часто симуляции Неймар использовал в первый год после перехода «Барселоны». При падениях он обязательно подпрыгивал, пролетал несколько метров, что могло привести к реальной травме. Представления бразильца стали предметом интернет-мемов, и вскоре его стиль игры сгладился. На ЧМ-2018 пусть и были эпизоды с падениями, но не поддельные. Как пример – когда Неймару наступили на ногу шипованной подошвой.
Филиппо Индзаги
Над симуляциями Неймара шутил весь интернет, Роналду избежал подобной участи лишь потому, что избегал откровенных кривляний. Но вот кто лучше всего справлялся со своей актёрской задачей, так это Пиппо-гол. Он раз за разом показывал такие высоты театрального мастерства, что арбитры постоянно ему верили. Даже не так: знали, что притворяется, но давали поблажки. Достаточно посмотреть видеозапись одной из симуляций: это не может не впечатлить.
Своими стараниями Индзаги не раз выбивал штрафные пенальти. Он — король симуляции.
Футбольный клуб «Барселона»
Да, речь о целом клубе. В нём будто специально долгое время воспитывались симулянты. Тенденция появилась в 2007 с приходом нового тренера Хосепа Гвардиолы и пошла на спад только в 2012, как раз после его ухода. Хотя буквально 7–10 лет назад футболистам «Барселоны» охотно верили, сейчас игра на публику уже не сработает.
Андреас Мёллер
Многие симулянты отделываются освистанием публики, но в матчах либо добиваются своего, либо просто игнорируются арбитрами. Так было не со всеми. 15 лет назад (думаете, раньше театра на поле не было?) к приёму решил прибегнуть Андреас Мёллер, игрок «Боруссии». Его «нырок» не оценили. Мёллер был отстранён от игры на 2 матча, а также получил серьёзные штрафы от собственного руководства. Клуб не хотел, чтобы его позорили подобным образом.
А как считаете вы: допустимо ли использовать симуляцию на поле? Стоит ли выдавать жёлтые карточки даже в тех ситуациях, когда футболисты используют приём ради удаления опасного игрока?
Пространственные метрики в футболе, теория зон, модель автономного игрока и симуляция игровых моментов
В основе данной статьи лежит работа под названием “ Взгляд в будущее: использование моделей автономных частиц для помощи игрокам в принятии решений на футбольном поле ”, представленная впервые на международной конференции по спортивной аналитике (MIT Sloan Sports Analytics Conference) в марте 2020. Среди авторов работы фигурируют такие люди как Хавьер Эрнандес (глава департамента спортивной аналитики Барселоны) и Дэвид Самптер (профессор математики университета Uppsala, более известен как автор книги Soccermatics). Оба автора принимают активное участие в развитие и популяризации математических методов и моделей, применяемых в футбольной аналитике. На youtube канале Friends of tracking можно найти много интересного и качественного контента от вышеупомянутых специалистов (правда только на английском языке).
Первоочередная цель данной статьи – предложить читателю адаптированный и несколько переработанный перевод оригинальной работы с дополнением некоторых деталей из других работ по данной тематике и выделением ключевых моментов и выводов, полученных авторами, основываясь на которых можно обозначить намечающиеся тренды в мире футбольной аналитики.
Среди всех командных видов спорта футбол занимает 1ое место по сложности паттернов движения игроков
Основная задача футбольной аналитики – это понимание коллективного перемещения футболистов и мяча. С одной стороны, футбол является более “текучим” (плавно меняющимся) видом спорта, в сравнении с американским футболом и бейсболом или крикетом, которые являются более “дискретными” играми. (т. е. прерывистыми, разбитыми на множество отдельных эпизодов). С другой стороны, по количеству игроков на поле, вовлеченных в коллективное движение, футбол значительно превосходит хоккей и баскетбол. С точки зрения математического моделирования это означает, что футбол имеет больше степеней свободы, чем другие виды спорта, делая довольно сложным возможность оценивания игровой ситуации используя одну или небольшое число метрик. До недавнего времени указанная особенность усложнялась еще и отсутствие внутриигровых (in-game) данных.
Здесь стоит отметить, что всю информацию, собираемую во время футбольных матчей, можно разделить на три типа данных.
Типы данных футбольных матчей
Перечисленные типы данных отличаются своей детализацией и степенью доступности. В то время как общая статистика матча, являющаяся представлением основных игровых эпизодов на футбольном поле, доступна почти для всех профессиональных и полупрофессиональных матчей по всему миру, трекинговые данные, предоставляющие самый высокий уровень детализации, сегодня доступны только для ограниченного числа команд, в основном из топ европейских дивизионов.
На сегодняшний день данные о событиях стали наиболее распространенным источником информации для разработки аналитических моделей по нескольким причинам.
Данные о событиях и соответствующие метрики
Данные о событиях, основанные на координатах игроков с мячом и их действиях, доступны уже почти десятилетие благодаря таким компаниям Opta. Анализ данных о событиях дал нам одну из самых популярных метрик на сегодняшний день – xG ( ожидаемые голы), которая позволяет измерять качество моментов, создаваемых игроками, и оценивает непосредственно вероятность гола после каждого удара в диапазоне от 0 до 1. В качестве других, более продвинутых метрик, основанных на все тех же данных о событиях, можно выделить xA ( ожидаемые ассисты/голевые), которая оценивает вероятность того, что игрок, которому был отдан пас, забьет гол (вероятность также оценивается от 0 до 1 и далее суммируется по всем ассистам за весь матч), более сложные метрики, определяющие ценность каждой передачи в некоторой последовательности пасов с точки зрения того, насколько сильно каждый пасс увеличивает или уменьшает вероятность забить гол в конце соответствующие последовательности, такие как xT ( ожидаемая угроза) или VAEP (Valuing Actions by Estimating Probabilities), которая оценивает значимость действий каждого игрока, находящегося с мячом, в процессе владения).
Однако, из-за ограничений, обусловленных природой данных о событиях, эти метрики по факту измеряют только небольшую часть игрового процесса и не позволяют проводить полноценный анализ. Для наглядного примера можно привести тот факт, что для типового матча общее время владения мячом для Луиса Суареса составляло менее 90 секунд из 90+ игровых минут (когда он выступал за Барселону). Для того чтобы оценить вклад Суареса или любого другого игра в конечный результат, зачастую недостаточно только базовых метрик, т. к. они не отражают качество прессинга, открываний, тактического расположения по ходу матча и ряд других полезных действий на футбольном поле.
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.
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).
Модель движения рыб, как основа для описания движения футболистов
Несмотря на то, что data-driven подход, в котором используется машинное обучение, имеет свои преимущества, в парадигме Physics-based подхода существуют классы моделей, которые хорошо подходят для моделирования сложного коллективного движения и могут оказаться более подходящими для футбола.
При изучении коллективного движения в группах животных одним из самых успешных подходов моделирования считается – моделирование автономных (самодвижущихся) частиц (self-propelled particles). Под автономными частицами подразумеваются индивидуальные объекты (рыбы, птицы или животные), взаимодействие которых со своими соседями может быть описано небольшим числом принципов.
Самые ранние модели из данной области описывали рыб, как объекты, которые взаимодействуют со своими соседями в трех зонах:
Симуляции этих физических принципов продемонстрировала как набор простых правил взаимодействия внутри группы может описывать достаточно сложные паттерны движения. В биологии данная модель оказались довольно состоятельной и обеспечила фундамент для объединения моделирования и экспериментов, чтобы раскрыть правила взаимодействия индивидуальных объектов более детально. При подобном подходе к изучению поведения сложных систем изначальная (наивная) модель в последствии может быть заменена на более реалистичную, охватывающую другие более сложные правила взаимодействий, в том числе с применением методов машинного обучения. Именно такой подход в моделировании движения футболистов на поле на основе трекинговых данных был предложен авторами.
Есть весомые причины, по которым процесс моделирования, основанный на зонном взаимодействии автономных объектов, может быть довольно успешным в футболе. Многие тренеры часто делят футбольное поле на три зоны относительно позиции мяча. Франциско Сейруло из департамента методологии Барселоны выделяет следующие три зоны:
Ключевым игроком в данном эпизоде, действия которого далее будут сравниваться с оптимальным прогнозом модели автономного игрока, является Пако Алькасер, который делает ложное открывание в сторону штрафной, освобождая за своей спиной пространство, в которое открывается Жорди Альба.
Модель автономного игрока (МАИ) и пространственные метрики
Большая часть мастерства футбольного тренера связана с инструктированием игроков относительно того, как они должны взаимодействовать в этих трех зонах. Цель, которую ставили перед собой авторы работы, – найти отправную точку для реализации МАИ, в основе которой будет лежать модель трех зон. Базовое предположение разрабатываемой модели заключается в следующем – когда команда владеет мячом и находится в фазе атаки, то игроки пытаются найти оптимальный баланс между тремя следующими критериями (метриками):
В исходной позиции, до рывка Пако, зона, выделенная голубым овалом, имеет преимущественно желтый окрас (вероятность того, что пас пройдет в эту зону – средняя). Во время рывка Пако, данная область начинает окрашиваться в зеленый цвет, что свидетельствует о том, что модель оценивает вероятность успешность паса в данную зону как довольно высокую. Динамику изменения вероятности паса для данного эпизода можно наблюдать на видео ниже (19:49).
Данная метрика была предложена Хавьером Эрнандесом и Люком Борном (вице-президент департамента стратегии и аналитики баскетбольного клуба Сакраменто Кингз). Они предложили подход, называемый “ область влияния игроков”, в то время как существует альтернативный подход к моделированию владения, предложенный все тем же Спирменом (не будет рассмотрен в данной статье). Область влияния игрока в каждой конкретной точке поля, в каждый момент времени определяется его текущей позицией (расстояние до мяча) и скоростью движения.
Если принимающий игрок находится далеко от игрока с мячом, то его область влияния на поле (область контроля) рассматривается как более широкая, основываясь на предположение, что если мяч будет отправлен в его сторону, то он будет иметь больше времени чем другие игроки, чтобы завладеть мячом внутри широкой области пространства (высокая вероятность, что он завладеет мячом, т.к. он находится далеко от игрового эпизода в более разряженном пространстве), и наоборот, чем ближе к игроку с мячом находится игрок без мяча, тем меньше вероятность завладеть им, в случае паса от игрока с мячом (чем ближе к мячу, тем более высокая плотность игроков, тем уже потенциальная область контроля у игрока без мяча).
В результате владение в каждой точке поля в каждый в каждый момент времени рассчитывается с учетом области влияния каждого игрока каждой из команд, путем вычитания суммарного влияния одной команды из суммарного влияния другой команды, и применения логистической функции, чтобы полученную разность перевести в диапазон от 0 до 1 и оперировать ей.
Владение (в точке x, в момент времени t) – это вероятность того, что мячом завладеет одна из команд, если мяч будет направлен в соответствующую точку x из текущей точки нахождения в момент времени t.
Основные гипотезы о поведении игроков и допущение МАИ
Как было указано ранее, модель МАИ была построена на основе концепции трех зон. Далее авторы проводят проверку гипотезы о том, что
Данные гипотезы будут проверяться на основе сравнений реальных положений игроков на футбольном поле и оптимальных с точки зрения МАИ. Безусловно, первоочередная задача – понять, насколько точно можно моделировать движения игроков на основе зонного подхода с использованием трех пространственных метрик, но также довольно важно, чтобы предлагаемая модель была полезна в контексте тренерской деятельности, помогая тренерскому штабу принимать более эффективные решения. Для этого необходимо, чтобы результаты работы модели по оценке значимости тех или иных действий на поле были легко интерпретируемы и удобны для представления на после матчевом анализе. Таким образом, вторая цель – взглянуть на инсайты, полученные из модели и обсудить их с игроками при поддержке тренерского состава.
Работа МАИ заключается в следующем – на основе исходных позиций игроков, их скоростей и положения мяча модель проводит симуляцию развития атаки и определяет оптимальные положения атакующей группы игроков на основе взвешенной комбинации трех пространственных критериев (вероятность паса, влияние паса и владение)
То есть, для каждого игрока как бы задается вопрос – получив понимание относительно расположения его партнеров в будущем, где будет его оптимальная позиция, чтобы взвешенная комбинация PP, PI, PC была максимальной.
Демонстрация работы МАИ / Симуляция игровых эпизодов
На 1ой схеме (приведенной выше) – фактическое расположение игроков Барселоны на поле, после открывания Пако Алькасера, которое освободило зону для Жорди Альбы.
На 2ой схеме – оптимальное положение игроков Барселоны, которое было предложено моделью МАИ с точки зрения общего взвешенного произведения всех трех пространственных критериев (PP * PI * PC), т. е. положение, которое учитывает все приведенные критерии. Ниже представлен сравнительный анализ фактических и оптимальных позиций.
Количественная оценка симуляции игровых эпизодов
Изначальная гипотеза была в том, что движение игроков, находящихся на различных расстояниях от мяча (в различных зонах), будет предсказываться на основе различных оптимизационных критериев. Также ожидалось, что игроки в разных игровых амплуа (атакующие игроки, вингеры, центральные полузащитники и т д) имеют различные преобладающие критерии.
Для того чтобы количественно оценить результаты работы модели, были рассмотрены все пасы в финальной трети поля в течение двух домашних матчей Хаммарбю (против Мальме и Гетеборга) сезона 2019 высшей шведской футбольной лиги (Аллсвенскан). Для каждого игрока в момент каждого сделанного паса рассчитывались предсказания семи метрик:
Отметим, т. к. базовые критерии – это вероятности, то производные критерии – тоже вероятности. Для примера PP * PI – это вероятность того, что пас будет получен и результатом этого паса будет гол.
Ось x – порядковый номер игрока относительно расстояния до игрока, принимающего мяч. Т. е. 1ый игрок – принимающий пас, 2ой игрок – ближайший к принимающему пас, 10 игрок – дальше всего от принимающего пасс. (т. к. рассматриваются передачи в последней трети поля относительно атакующие команды, то вероятнее всего – это всегда вратарь). Игрок, который отдает пас исключается из рассмотрения – имеем 10 отсчетов.
Ось y – дистанция в метрах между реальной позицией игрока после завершения паса и наиболее оптимальной с точки зрения МАИ до того, как пас был отдан. Т. е. по сути – то, насколько наша модель ошибается.
Красная линия отражает насколько оптимальная позиция по метрике PP * PI отличается от реальной позиции, в которой находился игрок после паса. (для 1ого игрока – примерно 3 метра)
Синяя линия – насколько оптимальная позиция с точки зрения владения PC отличается от реальной, в которой находится игрок после паса. (для 1ого игрока – чуть более 8 метров)
Черная линия показывает, насколько отличается реальная позиция после паса от реальной позиции до паса, т. е. если бы модель предлагала оставаться в исходной позиции – как наиболее оптимальной для развития атаки. (для 1ого игрока – чуть более 6 метров, т. е. 1ый игрок за время паса переместился на 6 метров.
Другие метрики (не показанные на рисунке) дают более худшие предсказания чем PP * PI в большинстве случаев. По результатам работы можно считать метрику PP * PI – как наилучшую модель для зоны взаимопомощи.
Оптимальные пространственные метрики относительно игрового амплуа
На графике ниже приведен анализ наиболее оптимальных метрик относительно игровой позиции игрока в матчах Хаммарбю, рассмотренных ранее.
Несмотря на то, что на графиках есть позиции, по которым нельзя сделать однозначных выводов, данный подход демонстрирует некоторые важные закономерности.
Общие выводы после количественной оценки
Качественная оценка симуляции игровых эпизодов и консультационные мероприятия
Представленная в данной работе модель МАИ использовалась для анализа матчей Хаммарбю чемпионата Швеции в течение сезона 2019. Авторы работы строили симуляции игровых ситуаций и обсуждали получаемые результаты с первой командой и тренерским составом. В основном разбирались действия футболистов при атакующих фазах игры. В первую очередь авторы хотели получить “реальную” обратную связь от профессиональных игроков и тренеров, относительно корректности выдаваемых прогнозов разработанной модели и понять, рассматривают ли футболисты предлагаемые варианты действий на поле – как допустимые с профессиональной точки зрения. Данная процедура является необходимой, чтобы продемонстрировать полезность данного инструмента и заработать кредит доверия у игроков и тренерского штаба относительно качества выдаваемой информации разработанного аналитического инструмента. Также авторы хотели получить понимание того, может ли данный инструмент быть интегрирован в процедуру послематчевого анализа.
1. Оценка метрики вероятность паса PP и влияние паса PI в игровом эпизоде
В работе демонстрируется ряд примеров, на которых сравнивались фактические зоны, в которые футболисты сделали передачу и зоны, которые были оптимальными с точки зрения метрики – вероятность паса и влияние паса (PP * PI). Я приведу только один пример для демонстрации ситуации, когда игрок выбрал не оптимальное решение с точки зрения модели, что при дальнейшем анализе было подтверждено тренерским штабом и самим игроком.
Так как профессиональный футболист в момент передачи оценивает как возможность того, что пас пройдет, так и то, что позиция, в которой принимающий игрок получит мяч будет оптимальной с точки зрения угрозы воротам, то из этого следует, что не всегда более низкая вероятность паса является определяющим фактором. Игрок, отдающий передачу, может взять на себя риск того, что передача может не пройти, но в успешном исходе – его партнер может получить мяч в точке, вероятность гола в которой очень высока. Поэтому, для более полной картины на правой схеме приводится визуализация произведения двух метрик (PP * PI) для того же эпизода, чтобы учесть влияние паса.
2. Оценка метрики владение
В соответствии с зональной моделью, предложенной в начале статьи, в зоне взаимодействий находятся все игроки, которые не могут мгновенно получать мяч из текущей игровой ситуации. Правильность позиционирования в этой зоне определяется тренерами путем выбора той или иной тактической установки. Авторы данной работы в процессе тестирования модели совместно с тренерским штабом Хаммарбю разработали методику для определения тактической схемы в защите для различных игровых ситуаций используя комбинацию метрик – влияние (PI) и контроль (PC). Подробные детали относительно разработанного подхода авторы раскрыть не могут, но предлагают несколько примеров, на которых можно показать отдельное использование метрики PC для демонстрации неправильного расположения игроков на поле в соответствующих игровых моментах (в статье данные примеры опускаются).
3. Оценка симуляции будущих позиции
Несмотря на то, что роли игроков определялись для каждого конкретного эпизода вручную, авторам удалось выделить некоторые общие правила, по которым они принимали решения, какие метрики должны оптимизироваться в той или иной ситуации.
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.
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.
В дальнейшем состоятельность модели, предложенной в данной работе, должна быть проверена на большом объеме данных.
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: