Ejemplos de uso de datos en fútbol y hockey sobre hielo

Agenda

• Analítica deportiva
  
  
• Datos y herramientas
  
  
• Ejemplos de uso de datos en fútbol y hockey sobre hielo
  
  

• Registro de distintos eventos relevantes con sus detalles respectivos

  

• 

• xG: eXpected Goals (Goles esperados)

• Se busca estimar la probabilidad de gol que tienen los tiros antes de ejecutarse

• Es un problema de clasificación con dos salidas: "GOL" y "NO GOL"

• Clases muy desbalanceadas: En fútbol aprox. el 11% de los tiros son goles (y en hockey el 6%)

• Variables más relevantes: distancia al arco y ángulo de tiro

• Modelo básico con regresión logística

  

• Otras variables: parte del cuerpo, posición del arquero, altura del balón, cantidad y posición de defensas, etc. Acá un ejemplo con más variables y usando GBM

Influencia de la cantidad de oponentes en la trayectoria del tiro:

• Pregunta: ¿Qué tipo de jugadores maximimizan la producción ofensiva?

• Enfoque: Usar el xGF% (proporción de xG a favor respecto al xG total) como predictor de la prob. de ganar -> con xGF 55% tienes 60% prob. de ganar
  

  

• Método:
  - Clustering de jugadores según estilo de juego y performance ofensiva
  -Calcular xGF% para todos los tiros en Estados 5-5 de una temporada asociados a cada combinación de 3 delanteros (Forwards)

El xG es el proxy de generar/conceder peligro de gol. Es la base para otras métricas que buscan valorar pases y posesión: xA, xGchain, xGBuild, xT, VAEP, g+, etc.

• Idea: observar patrones de ubicación, longitud, y dirección de pases, en específico asistencias en la zona ofensiva, tanto a nivel de jugadores como de equipo en situaciones particulares de un partido.

• Problema: son muchos pases!
  

  

• Enfoque: aplicar clustering para facilitar la visualización

Luego de algunas iteraciones optamos por 39 clusters, aceptando errores en favor de mantener la simetría y la ubicación de tiros

• Idea: Un caso recurrente en scouting es buscar un reemplazo a un jugador que se va/fue o bien querer a alguien que tenga un perfil similar a un jugador específico.
  
  
• Problema: Pueden ser decenas o cientos de candidatos + puede haber buenos candidatos que no están en mi radar + se requieren muchos recursos para analisar y evaluar a cada uno.
  
  
• Enfoque: Crear un perfil cuantitativo del jugador de referencia en cuanto a performance (percentiles en atributos relevantes dentro de un universo objetivo) + aplicar un algoritmo/función de similitud + aplicar filtros según condiciones de borde para acotar la cantidad de candidatos