استفاده از داده ها (Data) و آمار ها (Stats) در سال های اخیر در فوتبال بسیار رایج شده است. در خط مقدم، معیار گل مورد انتظار (xG) قرار دارد. از زمانی که انتظار گل (xG) در سال 2012 توسط سم گرین در شرکت اپتا (Opta) معرفی شد، این معیار به یکی از گستردهترین و دقیقترین معیارها در تجزیه و تحلیل فوتبال تبدیل شده است.
پس از پذیرش زودهنگام در بنگاههای شرط بندی حرفه ای، معیار انتظار گل اکنون به یک ویژگی معمولی برای پخش کنندگان پررونق مانند Sky Sports و مسابقه روز BBC (MOTD) تبدیل شده است. معیار xG از حضور در لپتاپ های تحلیلگران (Analysts) ترقی یافته و اکنون مرتباً خود را در صحبت مربیان لیگ برتری مییابد. یورگن کلوپ اخیراً گلهای مورد انتظار لیورپول را با منچسترسیتی مقایسه کرده است. در حالی که دین اسمیت از استون ویلا اغلب در مصاحبههای این فصل خود از این معیار برای بحث در مورد عملکرد اصلی تیمش استفاده میکند.
معیار انتظار گل، یکی از اولین معیارهای پیشرفته ای است که به طور گسترده در بین هواداران عمومی فوتبال شناخته شده است و در طول این سالها به ناچار با منتقدان خود روبرو شده است.
نبردی بین شیوه سنتی مشاهده بازی و دنیای تجزیه و تحلیل داده ها. با این حال، قبل از اینکه قضاوت خود را بپذیریم، بهتر است که بدانیم این معیار چگونه کار می کند و چگونه باید از آن استفاده کنیم.
گل مورد انتظار یا انتظار گل (xG) کیفیت یک شانس را با محاسبه احتمال به ثمر رساندن آن از یک موقعیت خاص در زمین اندازه گیری می کند. این مقدار بر اساس عوامل متعددی قبل از زدن شوت حساب میشود. xG در مقیاسی بین صفر و یک اندازهگیری میشود، جایی که صفر نشاندهنده شانسی است که گلزنی غیرممکن است و یک نشاندهنده شانسی است که انتظار میرود یک بازیکن هر بار گل بزند.
ما می دانیم که یک موقعیت از وسط زمین به اندازه یک موقعیت از داخل محوطه جریمه منجر به گل نمی شود. با (xG)، ما در واقع میتوانیم میزان احتمال گلزنی یک بازیکن در هر یک از این موقعیتها را کمّی کنیم. به عنوان مثال، فرض کنید انتظار گل موقعیتی در محوطه جریمه برابر با 0.1 باشد. این بدان معناست که از یک بازیکن متوسط انتظار میرود رود این موقعیت را در 10 درصد مواقع یا از هر ده شوت یک گل به ثمر برساند.
این اصطلاح (انتظار گل) ممکن است جدید باشد، اما عبارات زیر در سالها قبل از معرفی xG توسط هواداران و مفسران فوتبال استفاده میشد :
"او از هر 10 بار 9 بار گل میزند"
"او باید هت تریک میکرد"
انتقادات اصلی از انتظار گل (xG) اغلب در سناریوهایی ظاهر می شود که معیارها واقعاً به درستی اعمال نمی شوند. که رایج ترین آن در سطح بازی است. تیمی که انتظار گل بالاتری در یک مسابقه دارد، لزوماً به این معنا نیست که آنها باید بازی را می بردند. xG فقط کیفیت شانس و نه نتیجه مورد انتظار بازی را می سنجد. اگر تیمی زودتر از موعد پیش بیفتد، لزوماً «نیازی» به ایجاد موقعیتهای بیشتر ندارد و اغلب انتظار داریم که تیم حریف فرصتهای گلزنی بیشتری را در ادامه بازی در پی بازگشت (کامبک) ایجاد کند.
باور نادرست دیگر در تفسیر تحت اللفظی نام معیار است. ما "انتظار" نداریم که گلها دقیقاً همانطور که احتمال آنرا پیش بینی می کند رخ دهد. ما همچنین درک می کنیم که کسری از گل ها را نمی توان به ثمر رساند. نام "گل مورد انتظار" از مفهوم ریاضی "ارزش مورد انتظار" گرفته شده است و معیاری برای احتمال وقوع یک نتیجه است. ارزش مورد انتظار یک پرتاب سکه منصفانه به احتمال 50٪ روی خط و به احتمال 50% روی شیر است (خط مورد انتظار یا شیر مورد انتظار 0.5 است). ما انتظار نداریم که دقیقاً نیمی از پرتابهای ما بر روی هر پیامد باشد، بلکه با افزایش تعداد پرتابهای سکه، این عدد احتمالاً به تعادل بازمیگردد. همین امر در مورد گل مورد انتظار نیز صدق می کند. انحراف از مقدار مورد انتظار اجتناب ناپذیر است و این اطلاعات ارزشمندی است که می توانیم در فوتبال تجزیه و تحلیل کنیم.
بازیکن یا تیمی که فراتر از انتظار گل (xG) خود عمل کرده است (یعنی بیشتر از آنچه که از او انتظار میرفته، گل به ثمر رسانده است) ، مجبور نیست عملکرد ضعیفی داشته باشد تا به حد انتظار برگردد. این مفهومی است که به عنوان مغالطه قمارباز شناخته می شود. در حالی که ما انتظار داریم که آنها با شوت های آتی خود مطابق با انتظارات خود به گلزنی برگردند، آنها قبلاً این عملکرد فراتر از انتظار را "بانک" کرده اند و بنابراین ما همچنان انتظار داریم که در مجموع فصل این عملکرد فراتر از انتظار را ادامه دهند.
به همین ترتیب، اگر یک سکه ده بار متوالی روی شیر بیفتد، احتمال پرتاب سکههای بعدی همچنان به همان اندازه که روی خط هستند روی شیر ها فرود میآیند، اما ده باری که سکه روی شیر میافتد قبلاً اتفاق افتاده است.
در حین تماشای یک بازی، به طور شهودی میتوانیم تشخیص دهیم که احتمال گل شدن کدام موقعیت ها بیشتر یا کمتر است.
زننده شوت. چقدر به دروازه نزدیک بود؟ آیا از زاویه خوبی اقدام به شوت کرد؟ تک به تک بود یا ضربه سر بود؟
مشکل این است که به طور متوسط 25 شوت در هر بازی وجود دارد که نیاز است روی آنها این معیار اعمال شود، همه شوت ها به طور بالقوه ای موقعیت های منحصر به فردی هستند. مزیت مدل گل مورد انتظار این است که اکنون میتوانیم متغیرهای بالا و سایر متغیرهای زیر را در نظر بگیریم و چگونگی تأثیر هر یک از اینها بر احتمال به ثمر رساندن گل را تعیین کنیم. با این کار، به ما این امکان را میدهد تا در عرض چند ثانیه، کیفیت موقعیتهای 9398 شوت گرفته شده در لیگ برتر 2019-2019 را در عرض چند ثانیه ارزیابی کنیم.
همچنین برخی از موقعیتهای گل منحصربهفرد هستند و بهطور مستقل مدلسازی میشوند. به پنالتی ها مقدار ثابتی مربوط به نرخ تبدیل کلی آنها (0.79 xG) داده می شود. ضربات آزاد مستقیم مدل خاص خود را دارد. و موقعیت های با ضربه سر برای ضربات ایستگاهی و در جریان بازی ارزش متفاوتی دارند.
از ابتدای فصل 18-2017، شرکت (Stats Perform) دادههای دقیق بازی شامل قدرت شوت و وضوح ضربه (shot clarity) در هر شوت که به صراحت پرس و موقعیت مدافعان و دروازهبان را اندازهگیری میکند را به ثبت میرساند. اینها به نسخه و ورژن آینده معیار انتظار گل قدرت می دهند.
بیایید دو بازیکن را در فصل (20-2019) با هم مقایسه کنیم، گابریل ژسوس از منچسترسیتی در لیگ برتر و هاکان چالهان اوغلو از میلان در سری آ. هر دو بازیکن فصل گذشته دقیقا 100 شوت زدند (بدون پنالتی) اما به ترتیب 14 و 8 گل زدند. بنابراین، تفاوت بین ضربات آنها چه بود؟
انتظار گل (xG) با کمی کردن کیفیت 100 شانس برای هر بازیکن، بافتار اضافی را به ضربات آنها اضافه می کند که فراتر از معیارهای سنتی مانند شوت درچارچوب یا میانگین فاصله شوت است. اکنون میتوانیم کیفیت موقعیتهای هر بازیکن را بسنجیم.
از شانسهایی که گابریل ژسوس داشت، انتظار میرفت که یک بازیکن متوسط نزدیک به 18 گل (17.7 xG) به ثمر برساند. از سوی دیگر، از موقعیت های هاکان چالهان اوغلو، انتظار داریم که یک بازیکن متوسط تنها 7 گل (7.0 xG) به ثمر برساند. ما بلافاصله می توانیم بفهمیم که چرا خروجی گلزنی آنها اینقدر متفاوت بود. علیرغم اینکه ژسوس عملکرد ضعیفی نسبت به انتظار گلش داشت و چالهان اوغلو کمی با توجه به گل های مورد انتظارش فراتر از آن عمل کرد، 100 موقعیت گلزنی آنها از نظر کیفیت بسیار متفاوت بود و خروجی آنها منعکس کننده این موضوع است.
این معیار سعی میکند بین تعداد شوتهایی که بازیکن میزند با کیفیت این موقعیتها تعادل برقرار کند. در مثال بالا، ژسوس و اوغلو هرکدام 100 شوت به ثبت رسانده اند، اما دلیلی که باعث شده ژسوس از اوغلو بیشتر گل بزند تفاوت کیفیت موقعیت های گلزنی این دو بازیکن بوده است که با معیار انتظار گل، میتوانیم این موضوع را بهتر درک کنیم.
در آوریل 2012، سم گرین، تحلیلگر داده های پیشرفته از شرکت آمار ورزشی Opta، برای اولین بار رویکرد نوآورانه خود را برای ارزیابی عملکرد گلزنان لیگ برتر، با الهام از مدل های مشابه مورد استفاده در ورزش های آمریکایی، توضیح داد. آغاز فصل 2017/18 که مسابقه روز (MOTD) بیبیسی برای اولین بار از xG توسط کارشناسان محبوب فوتبال خود استفاده کرد، انتظار گل را به موضوعی کانونی برای گفتگوی بسیاری از طرفداران فوتبال تبدیل کرده است.
در طول سالها، شرکت Opta نقاط دادهای متعددی از اقدامات درون بازی در تمام لیگهای برتر فوتبال جمعآوری کرده است. هنگام ایجاد مدل xG، سم گرین و تیم Opta بیش از 300,000 شوت و تعدادی متغیر مختلف را با استفاده از دادههای رویداد روی توپ (on-ball) اپتا تجزیه و تحلیل کردند، مانند زاویه ضربه، نوع کمک، مکان ضربه، موقعیت درون بازی، نزدیکی مدافعان حریف و دوری از دروازه. سپس توانستند یک مقدار xG را، معمولاً به صورت درصد، به هر تلاش برای گلزنی اختصاص دهند و تعیین کنند که نوع خاصی از موقعیت گلزنی چه مقدار خوب است. همانطور که بازی های جدید انجام می شود، داده های جدید برای اصلاح مداوم مدل xG جمع آوری می شود.
هیچ مدل خاصی برای محاسبه xG وجود ندارد. هنگام نگاه کردن به xG مهم است که در نظر بگیرید که مقدار xG به عواملی بستگی دارد که تحلیلگر ایجاد مدل میخواهد در محاسبات وارد کند. از زمانی که نظریه xG برای عموم منتشر شد، توجه قابل توجهی را در جامعه تحلیل گران و آنالیزور ها به خود جلب کرد، و بسیاری از علاقه مندان به کار و تنظیم مدل به روش های خود در تلاش برای تکمیل کردن و بی نقص کردن آن هستند. این بدان معناست که اکنون چندین مدل xG مختلف وجود دارد که هر یک از آنها فاکتورهای مختلفی را در نظر می گیرند. برخی به این فکر میکنند که آیا این گل با پا یا با سر به ثمر میرسد، برخی دیگر موقعیتی که منجر به شوت میشود و... را بیشتر در نظر میگیرند، اما پیشبینی نهایی مدل های مختلف نشان داده است که خروجی تنها کمی متفاوت است.
هنگام استفاده از گل مورد انتظار برای دیدن اینکه کدام بازیکنان بیشتر یا کمتر از اعدادی که باید به آن ها گل بزنند، تیم ها می توانند گلزنان امیدوار کننده ای را جستجو و پیدا کنند که به طور مداوم گل های بیشتری نسبت به کیفیت موقعیت هایی که به دست می آورند به ثمر برسانند. از سوی دیگر، اگر بازیکنی در چند بازی از آمار گل مورد انتظار خود فراتر رود، اما در گذشته سابقه انجام این کار را نداشته باشد، ممکن است به جای استعداد گلزنی، به فرم و شانس او برگردد و ممکن است برای حفظ آن فرم در بازه زمانی طولانی مدت، نا موفق باشد.
شانس و تصادفی بودن بیشتر از هر ورزش دیگری بر نتایج فوتبال تأثیر می گذارد. همه ما تیم هایی که در طول یک مسابقه مسلط و صاحب بر توپ نیستند ولی موفق به زدن یک گل پیروزی در آخرین لحظات بازی میشوند در حالی که تعداد موقعیت های کمتری نسبت به حریف خود داشته اند.
اما این موضوع چقدر پایدار است؟
ما همچنین شاهد بوده ایم که مهاجمان کلاس جهانی از فرم خود خارج شده اند و چند بازی را بدون به ثمر رساندن گل سپری می کنند. آیا یک بازیکن از فرصت هایی که توسط هم تیمی هایش فراهم می شود استفاده نمی کند؟ انتظار گل به ما این امکان را می دهد که فرآیند بر اساس نتایج یک مسابقه، یا عملکرد یک بازیکن یا تیم، را با رتبه بندی کیفیت موقعیت ها به جای نتیجه واقعی ارزیابی کنیم.
پرکاربردترین مثال برای توضیح کارایی xG، فصل یوونتوس 2015/16 است. یوونتوس از 10 بازی اول خود فقط 3 برد را برد، اما تفاوت بین گل های واقعی آنها و انتظار گل شان بسیار زیاد بود. این به این معنی بود که بازیکنان موقعیت هایی را داشتند، اما آنها را تبدیل به گل نکردند، و این نشان میدهد که نتایج منفی آنها ممکن است دوام نداشته باشد اگر آنها فقط در مقابل دروازه کمی خوش شانستر شوند (یا ویژگی تمام کنندگی خود را تقویت کنند). اخراج ماسیمو آلگری، سرمربی تیم، میتوانست یک اشتباه باشد، زیرا بعد از هفته دوازدهم شانس آنها تغییر کرد و در نهایت قهرمان لیگ شدند.
انتظار گل روش دقیقتری برای پیشبینی نتایج مسابقه به ما میدهد تا با استفاده از آمارهای سنتی. در لیگ برتر، تنها 71.6 درصد از تیم هایی که بیشترین شوت را داشتند، برنده بازی شدند، در حالی که نزدیک به 81 درصد از تیم هایی که انتظار گل (xG) بالاتری داشتند، بازی ها را برنده شدند. این مدل مفروضات تاریخی را که سنت رایج در فوتبال ایجاد کرده است حذف میکند و یک نقطه بحث آماری مرتبط برای اینکه آیا عملکرد یک بازیکن یا تیم با توجه به تعدادی از دادهها بالاتر یا کمتر از میانگین است، ارائه میکند.
هنگام استفاده از گل مورد انتظار برای دیدن اینکه کدام بازیکنان بیشتر یا کمتر از اعدادی که باید به آن ها گل بزنند، تیم ها می توانند گلزنان امیدوار کننده ای را جستجو و پیدا کنند که به طور مداوم گل های بیشتری نسبت به کیفیت موقعیت هایی که به دست می آورند به ثمر برسانند. از سوی دیگر، اگر بازیکنی در چند بازی از آمار گل مورد انتظار خود فراتر رود، اما در گذشته سابقه انجام این کار را نداشته باشد، ممکن است به جای استعداد گلزنی، به فرم و شانس او برگردد و ممکن است برای حفظ آن فرم در بازه زمانی طولانی مدت، نا موفق باشد.
با توجه به حرف هایی که زده شد، جواب مشخصی برای این سوال وجود ندارد، اما سایت Fbref.com و Understat.com پرکاربردترین و جامعترین منبع ها برای معیار انتظار گل هستند. سایت Fbref از مدل و داده های Statsbomb استفاده میکند، اما سایت Understat از مدل مستقل خود استفاده میکند. که به این دلیل، سایت Fbref اعتبار بیشتری نسبت به Understat دارد.
سایت Fbref بیش از 40 لیگ داخلی کشور های مختلف و همچنین جامهای بینالمللی مهم مانند لیگ قهرمانان اروپا و کوپا لیبرتادورس را پوشش میدهد، درحالی که سایت Understat تنها 5 لیگ معتبر اروپایی و لیگ برتر روسیه را تحت پوشش خود دارد.
برگرفته از مقاله های سایت های The analyst و Sport performance analysis
مترجم، ویراستار و گردآورنده : امیرحسین شیرافکن
پرشین فوتبال 101
