💙🅜🄴🄷🅁🄰🄽 💙گل‌های مورد انتظار یا xG، تعداد گل‌هایی است که یک بازیکن یا تیم باید با در نظر گرفتن تعداد و نوع موقعیت‌هایی که در یک مسابقه داشتند، به ثمر برساند. این روشی است برای استفاده از آمار برای ارائه دیدگاهی عینی به تفسیرهای رایج مانند: "او نباید آن را از دست بدهد!" او باید این موقعیت ها را به ثمر برساند! او باید هت تریک می کرد!
گل‌ها در فوتبال اتفاق نادری هستند و به طور میانگین در هر بازی کمی بیش از 2.5 گل زده می‌شود. بنابراین، تعداد گل‌های تاریخی، نمونه بزرگی برای پیش‌بینی نتیجه یک مسابقه ارائه نمی‌کند. این بدان معناست که شوت های روی هدف و تعداد کل شوت ها اکنون به عنوان نزدیک ترین آمار بعدی برای پیش بینی تعداد گل ها استفاده می شود. با این حال، همه شوت ها احتمال یکسانی برای پایان دادن به پشت تور ندارند.
اینجاست که xG وارد عمل می شود. اهداف مورد انتظار از ویژگی های مختلف شوت های گرفته شده همراه با داده های تاریخی این نوع شوت ها برای پیش بینی احتمال به ثمر رساندن یک شوت خاص استفاده می کند. از آنجایی که xG صرفاً یک احتمال متوسط برای گلزنی یک ضربه است، یک تیم یا بازیکن ممکن است از مقدار xG خود بهتر یا کمتر عمل کند. این به این معنی است که آنها می توانند موقعیت هایی را به ثمر برسانند که یک بازیکن معمولی از دست می دهد یا موقعیت هایی را که اغلب به ثمر می رسد از دست بدهند.
xG اغلب برای تجزیه و تحلیل سناریوهای مختلف استفاده می شود:
برای پیش بینی امتیاز یک مسابقه آینده با استفاده از داده های تاریخی تیم های درگیر.
عملکرد "واقعی" یک تیم یا بازیکن را در یک مسابقه یا فصل، بدون توجه به فرم کوتاه مدت یا اقدامات یکباره آنها در زمین، ارزیابی کنید. این یک نقطه داده در مورد تعداد و کیفیت شانس های ایجاد شده بدون توجه به نتیجه نهایی ارائه می دهد.
با ارزیابی اینکه کدام یک از آنها از کیفیت شانسی که دریافت می کنند موثرتر هستند، بازیکنانی را که عملکرد ضعیفی دارند، یا کسانی که دقایق بازی کمتری دریافت می کنند، شناسایی کنید.
عملکرد دفاعی یک تیم را با ارزیابی اینکه آنها چقدر موثر هستند که تیم حریف را از به ثمر رساندن شانس خود باز می دارند، درک کنید.
خاستگاه مدل اهداف مورد انتظار
در آوریل 2012، سام 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. با این حال، تا آغاز فصل 2017/18 که مسابقه روز بی‌بی‌سی برای اولین بار از xG توسط کارشناسان محبوب فوتبال خود استفاده کرد تا xG را به موضوعی کانونی برای گفتگوی بسیاری از طرفداران فوتبال تبدیل کند، نبود.
در طول سال‌ها، Opta نقاط داده‌ای متعددی از اقدامات درون بازی در تمام لیگ‌های برتر فوتبال جمع‌آوری کرده است. هنگام ایجاد مدل xG، سام گرین و تیم Opta بیش از 300000 شوت و تعدادی متغیر مختلف را با استفاده از داده‌های رویداد روی توپ Opta 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 هدف اختصاص دهند و تعیین کنند که نوع خاصی از شانس چقدر 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 xG می‌خواهد در محاسبات وارد کند. از زمانی که نظریه xG برای عموم منتشر شد، توجه قابل توجهی را در جامعه تحلیلی به خود جلب کرد، با بسیاری از علاقه مندان به کار و تنظیم مدل به روش های خود در تلاش برای تکمیل آن. 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 را که منجر به شوت می‌شود و غیره در نظر می‌گیرند، اما پیش‌بینی نهایی خروجی هر مدل نشان داده است که فقط در مدل‌های مختلف کمی متفاوت است.
xG چگونه محاسبه می شود؟
مدل xG Opta بر این واقعیت استوار است که اساسی ترین نیاز برای گلزنی، گرفتن شوت است. با این حال، همه مهاجمان با تعداد ضربات یکسان گل نمی زنند. همانطور که سام گرین مشخص کرد، در فصل 2011/12 ون پرسی برای گلزنی فقط به 5.4 شوت نیاز داشت، در حالی که لوئیس سوارز برای هر گلی که به ثمر رساند، 13.8 شوت زد. با این حال، هر دوی آنها در هر بازی به تعداد یکسان شوت زدند.
به همین دلیل است که Opta تصمیم گرفت با اضافه کردن میانگین موقعیت مکانی که هر ضربه از آن گرفته شده است، به کیفیت موقعیت هایی که هر مهاجم به دست می آورد نگاه کند. با این حال، آنها به زودی متوجه شدند که مکان به تنهایی کافی نیست. یک موقعیت پنالتی می تواند از ضربه پنالتی، ضربه سر از روی کرنر یا 1 بر 1 در برابر دروازه بان باشد، که هر کدام با احتمال بسیار متفاوتی برای به گل رسیدن به گل می رسند. به همین دلیل Opta تصمیم گرفت تا نقاط داده اضافی را به مدل اضافه کند. متأسفانه، مدل دقیق با تمام فاکتورهای در نظر گرفته شده توسط Opta در دسترس عموم قرار نگرفته است، اما تعدادی از تحلیلگران از اولین انتشار آن سعی در تکرار یا بهبود مدل داشته اند.
مدل xG برای برگرداندن مقدار xG برای هر بازیکن، تیم یا شانس بسته به ابعادی که داده ها در آن تجزیه و تحلیل می شوند طراحی شده است: یک فصل کامل، یک مسابقه خاص، یک نیمه خاص در یک بازی یا گروهی از تلاش های گل. فرض کنید بازیکنی مانند هری کین 100 شوت از موقعیت‌های شانسی می‌گیرد که بر اساس داده‌های تاریخی لیگ برتر، احتمال امتیاز 0.202 (یا 20.2%) وجود دارد. مقدار xG کین 20 گل مورد انتظار (100 شوت در 0.202) خواهد بود. این عدد xG شامل میانگین چند موقعیت گلزنی بزرگی است که کین گرفته است، مانند ضربات پنالتی با 0.783xG، سایر ضربات غیر پنالتی داخل محوطه با مقادیر xG متغیر مانند 0.387xG و شاید حتی شوت های خارج از محوطه با 0.036 مقدار xG این مدل سعی می‌کند بین تعداد شوت‌هایی که بازیکن می‌زند با کیفیت این موقعیت‌ها تعادل برقرار کند. به عنوان مثال، بازیکنی ممکن است در 23 بار در موقعیت‌های حمله بسیار خطرناک داخل محوطه جریمه قرار بگیرد که ارزش xG بالایی دارد و به همان تعداد گل بزند تا بازیکنی که به طور مداوم شانس خود را از بیرون محوطه با 81 شوت کمتر امتحان می‌کند. مقدار xG
هنگامی که یک مقدار xG محاسبه شد، عملکرد یک بازیکن یا تیم را می توان بر اساس این که آیا آنها از این مقدار بالاتر یا کمتر از آن عمل می کنند، ارزیابی می شود. در مثال بالا، هری کین ممکن است در طول فصل 25 گل به ثمر برساند، یعنی 5 گل بالاتر از مقدار 20 xG خود، که نشان می دهد توانایی او در تبدیل موقعیت های تبدیل بالاتر از حد متوسط است و او می تواند در موقعیت های گلزنی دشوار به گل برسد. به طور مشابه، بازیکنی با ارزش 20 xG که 15 گل به ثمر رسانده است نشان می دهد که او فرصت هایی را که احتمالاً باید گل می زد از دست می دهد.
Opta xG را یک گام جلوتر برد و تاثیر بازیکن بر یک شانس خاص را با استفاده از کیفیت ضربه خود ارزیابی کرد. آنها این کار را با در نظر گرفتن تمایل به ضربه زدن به هدف در محاسبه xG انجام دادند و سپس مقدار xG (کلی) قبلی را با این xG (در هدف) جدید مقایسه کردند. تجزیه و تحلیل آنها نشان داد که در زمانی که تیراندازی ون در وارت شاهد افزایش xG او از 6.9xG به 10.3xG (در هدف) بود، نشان می‌دهد که نوع عکس‌هایی که او می‌گرفت از کیفیت بالاتری نسبت به میانگین زمانی که xG قبل از گرفتن عکس محاسبه می‌شد، بود. . xG(OT) در مقایسه با گل‌های واقعی ممکن است نشان دهد که یک بازیکن چقدر تحت تأثیر کیفیت دروازه‌بانی قرار گرفته است. در همان فصل، میکل آرتتا 7 گل با تنها 3.5xG(OT) به ثمر رساند که نشان می‌دهد او در جلوی دروازه «خوش‌شانس‌تر» بوده است زیرا کیفیت شوت‌زنی‌اش باید فقط کمی بیش از 3 گل به او می‌دهد.
xG(OT) را می توان برای ارزیابی کیفیت دروازه بانی در صورت استفاده معکوس استفاده کرد. از آنجایی که فقط ضربات روی دروازه را در نظر می گیرد، مشارکت دروازه بان در این نوع موقعیت ها برای نتیجه نهایی بازی بسیار مهم است. دخیا با دریافت 22 گل با 27xG(OT) نشان می دهد که او در شرایطی که به طور معمول دریافت می شود، گل ها را مسدود کرده است.
چرا گل های مورد انتظار در فوتبال امروز مهم هستند؟
شانس و تصادفی بودن بیشتر از هر ورزش دیگری بر نتایج فوتبال تأثیر می گذارد. به نظر می‌رسد همه ما تیم‌هایی را در طول یک مسابقه تحت سلطه خود قرار داده‌ایم و موفق شده‌ایم یک گل پیروزی در آخرین لحظه به ثمر برسانیم در حالی که تعداد موقعیت‌های کمتری نسبت به حریف خود داریم. اما چقدر پایدار است؟ همچنین شاهد بوده ایم که مهاجمان کلاس جهانی از فرم خارج شده اند و چند بازی را بدون دیدن دروازه سپری می کنند. آیا بازیکن از فرصت هایی که توسط هم تیمی هایش فراهم می شود استفاده نمی کند؟ xG به ما این امکان را می‌دهد که فرآیند را بر اساس نتایج یک مسابقه، یا عملکرد یک بازیکن یا تیم، با رتبه‌بندی کیفیت شانس‌ها 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 xG بسیار زیاد بود. این به این معنی بود که بازیکنان فرصت‌هایی را داشتند اما آنها را تبدیل به گل نکردند، و این نشان می‌دهد که نتایج منفی آنها ممکن است دوام نداشته باشد، اگر در مقابل دروازه کمی خوش شانس‌تر شوند. اخراج ماسیمو آلگری، سرمربی تیم، می‌توانست یک اشتباه باشد، زیرا بعد از روز دوازدهم، شانس آنها تغییر کرد و در نهایت با 9 بازی خالی قهرمان لیگ شدند.
xG روش دقیق‌تری برای پیش‌بینی نتایج مسابقه به ما می‌دهد تا با استفاده از آمارهای فردی. در لیگ برتر، تنها 71.6 درصد از تیم هایی که بیشترین ضربه را داشتند، برنده بازی شدند، در حالی که نزدیک به 81 درصد از تیم هایی که امتیاز xG بالاتری کسب کردند، بازی ها را برنده شدند. این 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 داده‌های تاریخی بالاتر یا کمتر از میانگین است، ارائه می‌کند.
هنگام استفاده از گل های مورد انتظار برای دیدن اینکه کدام بازیکنان بیشتر یا کمتر از اعدادی که باید به آن ها ضربه بزنند، تیم ها می توانند گلزنان امیدوار کننده ای را جستجو 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 برای چند بازی از اهداف مورد انتظار خود فراتر رود، اما در گذشته سابقه نداشته باشد، ممکن است به جای استعداد گلزنی، به فرم و شانس او برگردد و ممکن است برای حفظ آن برای مدت طولانی تلاش کند. دوره زمانی.
محدودیت های مدل اهداف مورد انتظار
مدل xG فقط به اندازه فاکتورهایی است که در محاسبات آن وارد می شوند. این ورودی های داده با داده هایی که امروزه از شرکت هایی مانند Opta در اختیار داریم محدود شده است. عوامل دیگری مانند قدرت ضربه، پیچ خوردن یا فرورفتن روی ضربه یا اینکه دروازه بان بینا نیست یا تعادل ندارد، ممکن است در اکثر مدل های xG در نظر گرفته نشود. با توجه به اینکه مدل مبتنی بر میانگین است، ماهیت تصادفی یک مسابقه فوتبال و کمیاب بودن گل‌ها در این ورزش باعث می‌شود که با اهمیت آماری کافی تمام عوامل تاریخی که می‌توانند باعث به ثمر رسیدن گل شوند، تقریبا غیرممکن است. xG باید به‌عنوان اطلاعات نشان‌دهنده و حمایتی برای اهداف تصمیم‌گیری و ایجاد نظرات به‌جای پاسخی محدود به عملکرد یک تیم یا بازیکن استفاده شود.
همانطور که سام گرین خالق مدل می گوید: «سیستمی مانند این نمی تواند یک بازی با امتیاز بالا را پیش بینی کند. از آنجایی که بر اساس میانگین ها است و در حدود نیمی از بازی ها کمتر از 2.5 گل زده شده است، این قابل انتظار است. همچنین باید در نظر بگیریم که ضربه‌ای که مهاجم منچستریونایتد می‌گیرد باید xG بالاتری نسبت به یک بازیکن استوک سیتی داشته باشد، که نشان می‌دهد به طور متوسط منچستریونایتد به طور تصادفی از xG خود بهتر عمل می‌کند در حالی که استوک سیتی عملکرد ضعیف‌تری از خود نشان می‌دهد. اگر xG با استفاده از میانگین های تاریخچه شوت های تمام تیم های انگلیسی محاسبه شود.
نقد و آینده مدل های xG
استفاده نادرست اخیر از اهداف مورد انتظار به عنوان معیار تجزیه و تحلیل در طول تفسیر صاحب نظران، انتقادهای زیادی را برانگیخته است. یک تیم ممکن است یک یا دو موقعیت دشوار را در اوایل بازی به ثمر برساند و در 90 دقیقه باقیمانده بنشیند و به حریف اجازه دهد تا ضربات زیادی را از موقعیت های مختلف بزند و در نتیجه xG حریف را افزایش دهد. سپس می توان ادعا کرد که تیم بازنده به xG بالاتری دست یافته است، بنابراین شایسته برد است. به همین دلیل است که xG باید همیشه قبل از ایجاد یک حکم با زمینه اضافی بازی گرفته شود. آمار فقط می‌تواند به ما بگوید که در یک بازی چه اتفاقی افتاده است، اما یک نمای وسیع‌تر برای نشان دادن نحوه وقوع آن و ارائه ایده واضح‌تر در مورد آنچه هنوز در راه است لازم است. برخی از اقدامات درون بازی بازیکنان را نمی‌توان با یک مدل آماری اندازه‌گیری کرد، مانند توانایی یک مدافع در قرار گرفتن در مقابل یک شوت با وجود اینکه هرگز توپ را لمس نکرده است.
همچنین مقاومت شدید جامعه فوتبال در برابر استفاده از داده ها وجود دارد. فوتبال ماهیتاً ورزشی سنتی و احساسی است که تجربه و خرد پذیرفته شده بر نظرات مردم غالب است. اکثر طرفداران استفاده از آمار را مزاحم و به چالش کشیدن دانش محبوب و تاریخی آنها از "بازی زیبا" می دانند. اکثر آنها پس از تجربه شکست تیم خود، علاقه ای به گوش دادن به صحبت های کارشناسان تلویزیونی در مورد نحوه عملکرد تیمشان در برابر اهداف مورد انتظارشان ندارند. علیرغم اینکه تحلیل ها چیزهای زیادی برای ارائه به تجزیه و تحلیل عملکرد فوتبال دارند، هنوز شک و تردیدهایی وجود دارد. اولین حضور xG در بازی روز رسانه های اجتماعی را با اشاره فوری به "آدم های آماری" و ادعای اینکه اعداد در فوتبال "بی معنی" و "بولوک" هستند، تکان داد. با این حال، توسط Opta مشخص شده است که xG هرگز قرار نیست جایگزین پیشاهنگان و کارشناسان شود، بلکه صرفاً به آنها در تجزیه و تحلیل یک بازی کمک می کند.
علیرغم این همه مقاومت و انتقاد از سوی برخی صاحب نظران و هواداران فوتبال برای پذیرش این دوره جدید از تحلیل فوتبال، Opta و تحلیلگران مختلف ورزشی همچنان به توسعه استفاده از آمار برای تجزیه و تحلیل عملکرد در زمینه های متعدد در فوتبال ادامه می دهند. مدل‌هایی مانند xG دور اول سیستم‌های آماری هستند و به‌زودی مدل‌های بعدی مانند پوشش دفاعی، که تکل‌ها، بلوک‌ها، رهگیری‌ها، نشانه‌گذاری انسان و فاصله‌ها را ارزیابی می‌کند، دنبال خواهند شد. انقلاب داده های فوتبال آغاز شده است و هر فصل شاهد تحولات آن خواهد بود.
