Alle som har spilt fotballkamp har opplevd det. Følelsen av å ha dominert hele kampen, skapt en haug med store sjanser og forsvart seg tilnærmet perfekt. Allikevel rusler man slukøret av banen og må godta at det kun er sidemannens svette boxershorts, og ikke tre poeng som blir med hjem i bagen. Et brent straffespark og to tverrliggerskudd. Og på toppen av det hele presterte han halvtjukke midtstopperen å klarere ballen rett i beina på spissen som scoret alene med keeper på overtid. Deres eneste målsjanse i løpet av hele kampen.

I forrige artikkel prøvde vi å forklare våre tanker rundt hvilke verdier som ligger bak et resultat. Vi drøftet hvordan ulike prosesser er det som påvirker resultatet og hvorvidt et resultat alene gjenspeiler det riktige bildet av et kamputfall. En av de viktigste parameterne i et slikt resonnement er en vurdering av hva som “burde ha skjedd” kontra hva som faktisk skjedde. Et intervju med en spiller eller en trener i etterkant av en kamp, inneholder som regel ett av følgende ord: fortjent, ufortjent, heldig eller uheldig. Så nært etter kampslutt er slike vurderinger og utsagn som regel basert på subjektive følelser fra alle involverte. Da er det viktig å kunne se bak prestasjonene på banen og analysere hvor (u)heldig et lag eller en spiller faktisk har vært.

Les artikkelen her: Verdien av å se hva som ligger bak et resultat

Ofte kan disse vurderingene være rett, men de er svært sjeldent veldig nøyaktig. For å avgjøre hvorvidt et fotballresultat er rettferdig eller ei, ser vi ofte at det tas utgangspunkt i lett observerbare parametere som antall scorede mål og hvilket lag som hadde ballen mest (antall pasninger, gjenvinninger osv). De siste årene har en ny måte å se på spesielt sjansestatistikk fått større og større innvirkning på fotballanalyse. En kvalitativ måling av hvert enkelt skuddforsøk i en fotballkamp, skal gi oss svaret på hvor stor en stor sjansen for scoring faktisk var, og hjelpe oss å skille gode skuddmuligheter fra dårlige.

Hvordan fungerer en ExpectedGoals-modell?

En ExpectedGoals-modell (også kjent som ExpG eller xG) bryter opp sjansestatistikken i en kamp og se på utfyllende informasjon som tillegger  målsjansene en verdi for å gi et mer nøyaktig bilde av hvor store sjansene egentlig er. Hvor stor var avstanden fra avslutningen til målet? Hva slags vinkel ble det skutt fra? Var det en heading eller et kontrollert skudd med innsiden av foten? Var skuddet borti en forsvarspiller eller fikk spilleren avslutte helt uforstyrret alene med keeper? Dette er eksempel på informasjon som har stor verdi, og som ofte ligger inne i de ulike xG-modellene. Det finnes dog mange forskjellige måter å bygge opp en modell på, basert på hvilke faktorer man vektlegger.  Tidligere har man kun gjort subjektive vurderinger av hvor stor en sjanse faktisk er, men med bakgrunn i en xG-modell får vi tallfestet størrelsen på sjansen og sammenlignet den med tilsvarende sjanser i samme kamp.

ZONES

 

 

 

 

 

 

 

 

 

 

 

Tidligere fokuserte man på å inndele den siste tredjedelen av banen i nummererte soner, deretter satt verdi på hvilke soner ble scoret oftest fra, sammenfattet men hvilke type avslutninger som ble gjennomført. På den måten ble også analysen interessant for spillere og trenere som aktivt tok i bruk modellen som et analyseverktøy og brukte resultatene til å sette fokusområder for sitt angrepspill. Etterhvert som tiden har gått, har modellen blitt mer avansert, noe som gjør at man i dag har detaljerte data på både enkeltspillere og lags offensive handlingsmønstre og sjansestatistikk. Modellen skal nå integreres i BBC sine “match of the day”-sendinger og vil således presenteres for flere enn bare statistikk-nerder og fotball-analytikere. I videoen under gir Opta, den ledende aktøren i verden på sportsdata en enkelt innføring i hvordan deres xG-modell fungerer.

 

 

Hos OddsModel har vi med samme tilnærming til kvalitativ analyse utviklet lignende modeller i lang tid. Tidligere denne uka var Runar Endestad i studio hos TV2 og forklarte hvordan vi bruker tall og data til å sannsynlighetsberegne noe som for oss er mye viktigere enn hva resultatet ble, nemlig hva resultatet burde ha blitt. Gjennom vår fairscore-modell har vi forsøkt å optimalisere enn modell med utgangspunkt i xG-prinsippet.

 

Å tro på at disse modellene gir oss svaret på alt er like naivt som å tro på at du fortsatt kommer til å toppe fantasy-ligaen du nå leder etter første runde, også ved sesongslutt. Til det er sporten vi er så glad i, altfor kompleks og uforutsigbar.

I likhet med det mest annet her i livet, er det fordeler og ulemper ved alle type xG-modeller, og i en verden hvor statistikk og tall er lett tilgjengelig for allmennheten er det ekstra viktig å være bevisst på hva man faktisk skal få ut av resultatene man finner. En enkel xG-modell tar som regel ikke hensyn til faktorer som resultatet i kampen (kanskje leder et lag 3-0 og kun ønsker å trille ballen i laget ut kampen) eller røde kort (spill 11 mot 10). Derfor blir det fort unøyaktig når man skal oppsummere hvorvidt laget burde scoret minst et par mål til i en gitt kampsituasjon, basert på modellen.

FairScore-modellen som vi har utviklet i OddsModel tar blant annet hensyn til vekting av skudd og regner inn sjanser som ikke fører til skudd på mål. Modellen brukes også til å vurdere lag opp mot forutsetninger fra eksisterende ratings vi har på de ulike lagene, samt inneholder estimater som vurderer styrkeforholdet mellom dem. Dermed kan vi sannsynlighetsberegne hvor mange mål hvert av lagene burde scoret hvis kampen ble spilt x antall ganger med de samme forutsetningene. På den måten setter vi dataene i en relevant kontekst og får maksimal verdi ut av beregninger. Modellen tas blant annet i bruk i TV2 sine FotballXtra-sendinger hvor vi viser hvilke fairscores vi har på eliteseriekampene som spilles.

 

 

Runar

Leave a Reply

Your email address will not be published. Required fields are marked *