El Barça Sports Analytics Summit busca las contribuciones más relevantes e innovadoras en el campo del football analytics. Para esta edición, elegimos 8 trabajos de todos los que se recibieron para que sus autores presentaran sus conclusiones a los principales representantes en este sector.
Using contextual player movement and spatial control to analyse player passing trends in football
La medición del control espacial de un equipo mediante modelos de movimiento que se ajustan al comportamiento promedio, subestiman la capacidad de los jugadores para realizar movimientos de alto esfuerzo (por ejemplo, la reorientación). Este trabajo presenta un método para producir modelos de movimientos probabilísticos teniendo en cuenta el contexto del movimiento. Los modelos se adaptaron a los movimientos de la muestra de la temporada 2018 de la MLS. El riesgo de pase se estimó a través del control espacial del equipo atacante y se utilizó para producir redes de los pase de los jugadores. Este análisis tiene aplicaciones para crear perfiles de los jugadores, tácticas y reclutamiento de jugadores.
Bart Spencer
Dynamic analysis of team strategy in professional football
Las formaciones de los equipos son la base de la táctica en el fútbol. Sin embargo, en el juego moderno, las formaciones son mucho más dinámicas y dependientes del estado del juego que lo que implica un «4-4-2» o «3-5-2». En este documento se utiliza una gran muestra de datos de seguimiento para medir cómo varían las formaciones de los equipos a lo largo de un partido. Se analizan las transiciones de la defensa al ataque y se estudia el impacto de los principales cambios tácticos en los resultados de los partidos.
Laurie Shaw
Estimating Locomotor Demands During Team Play from Broadcast-Derived Tracking Data
Los datos de monitorización óptico permiten a los científicos en el ámbito del deporte, estudiar las métricas de carga externa utilizadas para comprender el desgaste físico que un partido o sesión de entreno le produce a un atleta. Desafortunadamente, los datos de seguimiento no están del todo disponibles. Las técnicas de Computer Vision permiten que el vídeo transmitido se convierta a coordenadas, facilitando la implementación de estos datos de seguimiento, pero los datos se censuran cuando los jugadores no están en la pantalla. En esta investigación, se ha desarrollado modelos que predicen las offscreen load metrics y demuestran la viabilidad de los datos de seguimiento derivados de las transmisiones para entender la carga externa en el fútbol.
Jacob Mortensen
Ready Player Run: Off-ball run identification and classification
Uno de los mayores inconvenientes en la monitorización de datos en el fútbol es la falta de un lenguaje común para describir las acciones que ocurren sin el balón, particularmente los patrones de movimiento de los jugadores. Este trabajo ofrece un método para identificar y clasificar las jugadas de posesión sin el balón en grupos similares para permitir un análisis más generalizable. El objetivo es crear un vocabulario de tipos de jugadas que se pueda utilizar para describir o analizar mejor las jugadas específicas y que se pueda consultar más fácilmente que los datos de seguimiento en bruto.
Sam Gregory
Automating insight extraction from football data visualizations
En este estudio se presentan métricas de similitud para generar mapas de calor y sonares de pases. También se ilustra cómo usarlos para encontrar jugadores que son particularmente similares o distintos en sus movimientos o intenciones de pases. También se define una herramienta visual para representar las intenciones de pase del jugador promedio, teniendo un mapa de calor fijo, y se usa para clasificar a los jugadores por su predictibilidad de pase. Por último, se presenta un marco para automatizar la extracción de insights a partir de variaciones en el mapa de calor de un jugador o sonar de pases con las circunstancias de tiempo o juego.
Daniel Girela
Landscapes of passing opportunities in Football – where they are and for how long are available?
Con los datos de posición de los jugadores en un partido de fútbol competitivo, se crearon paisajes de oportunidades de pases y se clasificaron en tres categorías de pases: i) penetrantes, ii) de apoyo y iii) hacia atrás. Estos paisajes, que se muestran en forma de mapas de calor, muestran más oportunidades de pase en la segunda mitad. Además, los resultados muestran que los pases penetrantes estuvieron disponibles durante períodos más cortos que los pases hacia atrás, que estuvieron disponibles durante períodos más cortos que los pases de apoyo. Esta herramienta personalizable proporciona conocimientos sobre la dinámica de ataque, lo cual permite el análisis del rendimiento colectivo e individual del jugador.
Luis Gómez-Jordana Martin
Explainable Injury Forecasting in Soccer via Multivariate Time Series and Convolutional Neural Networks
Las lesiones tienen un impacto significativo en el fútbol profesional, debido a su influencia en el rendimiento y el coste de la rehabilitación para los jugadores. Al usar un sistema electrónico de seguimiento del rendimiento (EPTS son la siglas en inglés), podemos representar el historial de la carga de trabajo de un jugador como una serie de tiempo multivariable (Multivariate Time Series, MTS). Esta MTS se puede utilizar para entrenar una Red Neural Convolucional que pronostica si un jugador se lesionará o no en una ventana de tiempo futura. Este pronosticador de lesiones es preciso y facil de entender, permitiendo al personal del club interpretar fácilmente la razón de la lesión de un jugador.
Luca Pappalardo
Head, Shoulders, Hip and Ball… Hip and Ball! Using Pose Data to Leverage Football Player Orientation
La orientación ha demostrado ser una habilidad clave para que los jugadores de fútbol tengan éxito en un amplio espectro de jugadas. Sin embargo, la orientación corporal todavía es un área poco explorada en sport analytics. Al buscar la orientación 2D de la proyección de campo de un vector normal situado en el centro de la parte superior del torso de los jugadores, esta investigación presenta una novedosa técnica para extraer la orientación automáticamente de las grabaciones de vídeo mediante la combinación de la información de la pose y del contexto. Los resultados han sido validados con jugadores que utilizan un dispositivo EPTS, y se ha obtenido un error medio inferior a 35 grados/jugador.
Adrià Arbués-Sangüesa
