در سال های اخیر داده ها و آمار ها بسیار بیشتر در فوتبال رایج شده است و در خط مقدم این داده ها، Expected Goals یا همان گل های مورد انتظار قرار دارد. از زمانی که xG در سال 2012 به طور رسمی توسط سم گرین (Sam Green) از مرکز داده های ورزشی Opta معرفی شد، این معیار تبدیل به یکی از شایع ترین و بینش انگیزترین تحلیل های فوتبال شده است.
پس از پذیرفته شدن در سایت های شرط بندی و عوام طرفداران، xG اکنون به یک ابزار عادی برای برنامه های تلویزیونی اصلی مانند Sky Sports و BBC's Match Of The Day تبدیل شده است. xG از لپ تاپ های تحلیل گران شروع به رشد کرد و اکنون خود را در میان کلام مربیان لیگ برتری می بیند. یورگن کلوپ، مربی لیورپول، به تازگی گل های مورد انتظار خود را با منچسترسیتی مقایسه کرده است، و همچنین دین اسمیت، مربی استون ویلا، اغلب در مصاحبه های این فصل از این معیار برای بحث درمورد عملکرد تیمش استفاده می کرد.
گل های مورد انتظار در برنامه Match Of The Day بی بی سی نشان داده شد
Sky Sports مرتبا از xG در آمار های پخش شده خود استفاده می کند؛ در اینجا مقایسه عملکرد دومنیک کالورت لوین در 3فصل را مشاهده می کنید
گل های مورد انتظار یکی از اولین معیار های پیشرفته ای است که به طور گسترده در بین هواداران عمومی فوتبال مشهور شد و در طول سال ها نیز ناگزیر با منتقدان خود رو به رو شده است (به صحبت های جف استلینگ (Jeff Stelling) در سال 2017 مراجعه کنید). نبردی میان تماشای سنتی فوتبال و دنیای آینده تجزیه و تحلیل داده ها. با این حال، قبل از اینکه قضاوت خود را انجام دهیم، مهم است بدانیم که این معیار چگونه کار می کند و چگونه باید از آن استفاده کنیم.
گل مورد انتظار (xG) چیست؟
گل های مورد انتظار (یا xG) کیفیت یک موقعیت را با محاسبه احتمال گلزنی از یک موقعیت خاص در زمین و در فاز خاصی از بازی، اندازه گیری می کند. این مقدار بر اساس چندین عامل قبل از شوتزنی، محاسبه می شود. xG در مقیاسی بین صفر و یک اندازه گیری می شود، به صورتی که صفر نشان دهنده این است که به ثمر رسیدن توپ غیرممکن است و یک نشان دهنده این است که از بازیکن انتظار می رود در تک تک موقعیت های مشابه توپ را تبدیل به گل کند. ما می دانیم که یک موقعیت از وسط زمین به اندازه فرصتی از درون محوطه جریمه، منجر به گل نمی شود. با xG، ما در واقع می توانیم میزان احتمال گلزنی بازیکنان در هریک از موقعیت های موجود را تعیین کنیم. به عنوان مثال، موقعیتی را از درون محوطه جریمه فرض کنید که با مجموعه مشخصی از ویژگی های قابل بررسی، xG اش قبل از شلیک توپ 0.1 است. این بدان معناست از یک بازیکن معمولی انتظار می رود در این موقعیت از هر ده شوت، یک گل به ثمر برساند. این اصطلاح ممکن است برای شما جدید باشد، اما این کار سال ها قبل از معرفی xG توسط طرفداران و مفسران فوتبال به طور ناخودآگاه استفاده می شد : "او از هر ده موقعیت نه تایش را تبدیل به گل می کند"، "او باید هتریک می کرد"... .
تصورات غلط رایج
انتقادات اصلی از xG اغلب در مواقعی وارد می شوند که در آن، معیار به درستی عمل نمی کند. رایج ترین آنها در نتایج بازی است. تیمی که xG بالاتری در یک مسابقه دارد، لزوما به این معنا نیست که باید برنده بازی باشد. xG فقط کیفیت موقعیت را اندازه گیری می کند و نتیجه مورد انتظار بازی را تعیین نمی کند. دقیقا همانطور که ضرب المثلی قدیمی می گوید، گل ها بازی را تغییر می دهند و نتیجه بر نحوه بازی تیم ها تاثیر می گذارد. اگر تیمی خیلی زود به گل برسد، لزوما نیازی به ایجاد موقعیت های بیشتر ندارد و ما اغلب انتظار داریم که حریف فرصت های بیشتری در پی بازگشت به بازی، ایجاد کند.
تصور غلط دیگر در تفسیر لغوی نام این معیار است. ما "انتظار نداریم" گل ها دقیقا همانطور که پیش بینی می شوند، رخ بدهند. ما همچنین می دانیم کسری از گل ها به دلایل مختلف پذیرفته نمی شوند. نام "گل مورد انتظار" از مفهوم ریاضی "ارزش مورد انتظار" گرفته شده و اندازه گیری احتمال وقوع یک نتیجه است. ارزش مورد انتظار برای انداختن یک سکه به طور عادلانه 50% احتمال دارد روی خط و 50% احتمال دارد روی شیر فرود بیاید (خط های مورد انتظار یا شیر های مورد انتظار 0.5 است). ما انتظار نداریم که دقیقا نیمی از پرتاب های ما در هر آزمایش یکی از این دو باشد، اما با بیشتر شدن پرتاب های آزمایش احتمالا به این تعادل نتایج میل کنند. همین امر در مورد گل های مورد انتظار صدق می کند. به وجود آمدن اختلاف در ارزش های مورد انتظار اجتناب ناپذیر است و این اطلاعات ارزشمندی است که می توانیم با آن به تجزیه و تحلیل فوتبال بپردازیم.
بازیکن یا تیمی که نتیجه ای بیشتر از xG خود را اجرا کرده اند، لازم نیست عملکرد ضعیف تری داشته باشند تا به انتظارات خود بازگردند. این مفهومی است که با نام مغالطه قمار باز شناخته می شود. در حالی که ما از آنها انتظار داریم که با گلزنی های خود به عقب بازگردند تا مطابق انتظارات خود گلزنی کنند، آنها قبلا این عملکرد فراتر از انتظارات را انجام داده اند و بنابراین ما انتظار داریم آنها در مجموع این فصل بیش از مقدار مورد انتظار خود عمل کنند. همانطور که اگر یک سکه ده بار پشت سر هم روی خط فرود بیاید، در پرتاب سکه های آینده هنوز هم شانس فرود آمدن روی خط و شیر برابر است.
چگونه گل های مورد انتظار را محاسبه کنیم؟
هنگام تماشای یک بازی، ما می توانیم با توجه به پارامتر هایی به طور شهودی تشخیص دهیم که کدام موقعیت ها شانس بیشتر یا کمتری برای تبدیل شدن به گل دارد؛ شوتزن چقدر به دروازه نزدیک بود؟ آیا شوت از زاویه خوب زده شده؟ مصاف تک به تک با دروازه بان بود؟ و ... . مشکل اینجاست که به طور متوسط 25 شوت در هر بازی وجود دارد که ما باید با آنها سر و کله بزنیم، که همه آنها به طور بالقوه موقعیت های منحصر به فردی هستند. مزیت مدل گل های مورد انتظار این است که اکنون می توانیم این متغیرات را بالاتر از سایرین در نظر بگیریم و نحوه تاثیر گذاری هر یک از آنها بر احتمال به ثمر رسیدن گل را تعیین کنیم. این کار به ما این امکان را می دهد تا کیفیت شانس همه 9398 شوت زده شده در فصل 2019-20 لیگ برتر را در عرض چند ثانیه محاسبه کنیم. مدل آمار عملکردی xG با استفاده از یک مدل تابع بازگشتی ساخته شده است که از صدها هزار شوت در داده های تاریخی Opta استفاده می کند و تعدادی متغیر را در احتمال به ثمر رسیدن یک گل تاثیر می دهد، که برخی از مهمترین آنها عبارتند از :
1- فاصله تا دروازه
2- زاویه با دروازه
3- بررسی تک به تک بودن موقعیت
4- بررسی شانس بزرگ بودن (Big Chance)
5- قسمتی از بدن که با آن شوت زده شده (به طور مثال سر یا پا)
6- مدل پاس دریافتی (به طور مثال پاس عمقی، سانتر و یا کات بک)
7- الگوی بازی (به طور مثال در جریان بازی، پنالتی، ضربه آزاد مستقیم، کرنر و یا پرتاب اوت)
اگر ما تشخیص دهیم که یک موقعیت در کل تاریخ مورد بررسی منحصر به فرد بوده، آن خود به طور مستقل تبدیل به یک مدل می شود. به پنالتی ها مقداری ثابت از نرخ تبدیل گل شدن کلی آنها داده می شود (xG = 0.79). ضربات آزاد مستقیم مدل خاص خود را دارند؛ و همچنین شوت های زده شده با سر که منشا متفاوتی، به طور مثال در جریان بازی یا ضربات ایستگاهی، به طور جداگانه بررسی می شوند. از ابتدای فصل 2017-18، داده های دقیق شرکت Stats Perform شامل فشار ضربه و تمیزی شوت (shot clarity) در هر ضربه نیز هست که به صراحت فشار و موقعیت مدافعان و دروازه بان را اندازه گیری می کند. این داده ها به بیشتر شدن دقت این پارامتر در نسخه های بعدی اش کمک می کند.
چگونه می توانیم از گل های مورد انتظار استفاده کنیم؟
بیایید عملکرد دو بازیکن در فصل 2019-20 را با یکدیگر مقایسه کنیم، گابریل ژسوس از منچسترسیتی و هاکان چالهان اوغلو که در آن زمان در آث میلان بازی می کرد. هر دو بازیکن در آن فصل تقریبا دقیقا 100 شوت زدند (بدون احتساب پنالتی ها)، اما به ترتیب 14 و 8 گل به ثمر رساندند. بنابراین تفاوت بین شوت های آنها چیست؟
با تعیین کیفیت 100 شانس ایجاد شده برای هر بازیکن، xG مفاد اضافی را به شوت های آنها اضافه می کند که فراتر از معیارهای سنتی مانند شوت در چارچوب یا فاصله متوسط شوتزنی است. اکنون می توانیم کیفیت موقعیت هایی که هر بازیکن داشت را بسنجیم.
با توجه به شانس هایی که گابریل ژسوس داشت، ما انتظار داشتیم که یک بازیکن متوسط با داشتن چنین موقعیت هایی تقریبا 18گل (با xG 17.7) به ثمر برساند. از سوی دیگر، از شانس های چالهان اوغلو ما انتظار داشتیم که یک بازیکن معمولی فقط 7گل (xG 7.0) بزند. ما می توانیم به راحتی درک کنیم که چرا نتیجه گلزنی آنها بسیار متفاوت بود. با وجود اینکه ژسوس عملکردی پایین تر از انتظارات داشت و چالهان اوغلو با توجه به xG، عملکرد فوق العاده ای داشت؛ 100 شانس آنها از لحاظ کیفیت بسیار متفاوت بود و آمارهای آنها نشان دهنده این بود.
طرح گرافیکی 100شوت زده شده توسط گابریل ژسوس در فصل 2019-20؛ دایره های قرمز شوت های منتهی به گل هستند. هرچقدر دایره ها بزرگتر باشند xG موقعیت بیشتر است.
طرح گرافیکی 100شوت زده شده توسط هاکان چالهان اوغلو در فصل 2019-20؛ دایره های قرمز شوت های منتهی به گل هستند. هرچقدر دایره ها بزرگتر باشند xG موقعیت بیشتر است.
ما می توانیم نمایه ی شوت دو بازیکن را با نگاه کردن به xG آنها به ازای هر ضربه مقایسه کنیم که متوسط کیفیت شانس های گلزنی بازیکنان را ارزیابی می کند. xG گابریل ژسوس در هر ضربه 0.18 بود، به این معنا که از او انتظار می رفت که تقریبا به ازای هر 5 ضربه یک گل بزند. فلسفه ناخودآگاه چالهان اوغلو ، که علاقه به شوتزنی از فواصل دور دارد، منجر به کاهش xG در هر ضربه می شود که در طرح گرافیکی شوت های او در عکس بالا به خوبی مشهود است؛ جایی که افزایش اندازه نقاط، نشان دهنده افزایش مقدار xG و در نتیجه احتمال گلزنی بیشتر است. ما اینجا روی مثالی برای عملکرد فردی بازیکن تمرکز کرده ایم، اما معیار گل های مورد انتظار می تواند برای تیم ها یا بازی ها نیز به شیوه مشابه اعمال شود. البته، در اینجا می بینیم که یک بازیکن یا تیم ممکن است بیشتر یا کمتر از xG خود گلزنی کند که این دقیقا همان متغیری است که به تجزیه و تحلیل آن می پردازیم. آیا بازیکنی کمتر از آن چیزی که باید گل می زند؟ چه کسی موقعیت هایی با xG بالا نصیبش می شود؟
اعماق گل های مورد انتظار
فوتبال ورزشی است که نسبتا گلزنی و امتیاز گیری در آن پایین است و بنابراین توانایی ما در اندازه گیری احتمال به ثمر رسیدن یک گل، موضوعی مهم است. با گل های مورد انتظار، ما متخصصان و تحلیلگران را با ابزار دیگری مسلح می کنیم تا داستان هایی را که هر طرفدار فوتبال می خواهد بشنود، بنویسند. کدام مهاجم در به پایان رساندن موقعیت (finnishing) مشکل دارد؟ عملکرد کدام تیم نشان می دهد آنها باید در جدول در جایگاه بالاتری باشند؟ عمق بی نظیر داده های Stats Perform بدان معناست که ما در حال حاضر بیش از 2500000 شوت ارزش گذاری شده توسط xG برای بیش از 66000 بازیکن داریم که به ما امکان مقایسه و درک عملکرد بازیکنان و تیم ها در سراسر جهان را می دهد.
xG معیاری است فراتر از شمارش سنتی شوت ها، اما مهم است که به یاد داشته باشیم که هنوز فقط یک معیار است. ما می توانیم از آن برای ارزیابی عملکردها استفاده کنیم، اما این گل های واقعی هستند که برنده مسابقه فوتبال را مشخص می کنند. فوتبال غیرقابل پیش بینی است و گل ها می توانند از هر تعداد نتایج غیرمنتظره ناشی شوند.
به قلم جانی ویتمور از سایت The Analyst
