Futbol İnovasyon Konferansında bir Brezilyalı

Geçtiğimiz haftasonu, Chelsea’nin Stamford Bridge stadyumunda düzenlenen ilk StatsBomb Futbolda İnovasyon Konferans’ına katılmak üzere Londra’ya gittim. Eğer bilgi sahibi değilseniz, StatsBomb önde gelen veri analiz şirketlerinden bir tanesi, kulüplere danışmanlık hizmeti verip dünya üzerinde 40 civarında ligin verisini toplayarak veri sağlayıcı görevini ifa ediyor. Bu konferans birçok araştırmacı, kulüp analisti, şirketleri ve oyunun daha analitik ve teknolojik perspektifi ile ilgili olan taraftarları bir araya getirdi.

İtiraf etmeliyim ki konferanstan karışık duygular ile döndüm. Bir yandan, futbol analitiğindeki ihtimaller açısından fazlasıyla heyecanlıyım, bu alan katlanarak gelişiyor ve çok daha fazla kulüp ve şirketi daha iyi karar verebilmek adına modern veri bilimini incelerken görmeliyiz. Öte yandan, bu alanın vitrininin Avrupa (aynı ölçüde Kuzey Amerika) olduğu aşikar ve Brezilya gibi Güney Amerika ülkeleri için eski kıtada görülen bu inovasyon ve araştırma seviyesine ulaşmak çok zor (fakat imkansız değil).

Konferansta başka Brezilyalıya rastlamadım, tüm katılımcıların Avrupa veya Kuzey Amerika’dan olduğunu düşünüyorum. Eğer Brezilyalı yahut başka bir Güney Amerika ülkesindenseniz, lütfen bize ulaşın (algolritmoblog@gmail.com adresine mail gönderin)! Daha fazla insanın görüşlerini dinlemek isterim. Ayrıca, eğer bir profesyonel kulüp, futbol projesinde çalışıyor veya futbol analitiği tutkunu iseniz, sohbet için de kontağa geçmeye çekinmeyin.

Organizasyon sorumlularını tebrik etmek isterim, her şey çok iyi gitti ve sunumların, mekanın ve yemeklerin kalitesinden çok memnun kaldım, sanki ilk defa düzenleniyormuş gibi değildi. Tek “şikayetim” Londra’nın yağmurlu havasıydı, ki benim gibi bir Brezilyalı için hiç ideal değil, belki bir sonraki seferki organizasyon Güney Amerika’da olabilir?

Aşağıda etkinlikten ana çıkarımlarımı ve kendi gözlemlerimi bir araya getirdim. Ayrıca, katıldığım sunumları özetlemeye çalıştım (ne yazık ki etkinlik eş zamanlı konuşmalarla geçtiğinden her şeyi takip edebilmek imkansızdı). Yakında StatsBomb, neredeyse her sunumun videolarını izlemek isteyenler için paylaşacak. Umuyorum siz de içerikten benim memnun kaldığım kadar kalırsınız.

Çıkarımlarım ve Gözlemlerim

• Spor bilimi müthiş sonuçlar verebiliyor, özellikle de sağlam veri analizinin desteği ile. Ajax bunun harika bir örneği.
• Çok sayıda zeki insan, sahadaki farklı aksiyonların değerlerini anlamak adına benzer modeller geliştirmeye çabalıyor. Öyle geliyor ki gol beklentisinin (xG) yaratılması ve pekiştirilmesinin ardından gelecek “doğal” aşama şudur: şu anda şutların kalitesini ölçebildiğimize göre, pasların, driblinglerin, topa müdahalelerin, top çalma vb. aksiyonların değerini ölçmeliyiz.
• Artık tracking verisi (sahadaki her oyuncunun tüm maç boyu pozisyonlarını gösteren veriler) kulüpler için ulaşılabilir durumda, fakat çok az bağımsız analist bu verilere erişim sağlayabiliyor. Elimizde tracking verisi analizinin ilk sonuçları hali hazırda var ancak önümüzde uçsuz bucaksız bir deniz var.
• Etkili bir futbol analitiği içeriği üretmek adına iletişimin önemli bir olgu olduğu kabul ediliyor. Antrenörler ve oyuncular genellikle karmaşık matematik modellemeler ile uğraşmaya vakit (veya ilgi) bulamıyorlar, yalnızca kendilerini geliştirip maçı kazanmak adına ne yapmaları gerektiğini öğrenmek istiyorlar. Bir analistin ana görevlerinden biri de analizin gerekli bölümlerini nasıl çıkaracağını bilmek ile sade, net ve ikna edici bir biçimde aktarmaktır.
• Akıllı kulüpler hali hazırda veri analitiğini sayılan şekilde kullanıyorlar
  • Rakip analizi (diğer takım ve oyuncularının performansları)
  • Kendilerinin analizi (takım ve oyuncu performansı)
  • Oyun modellerinin gelişimi
  • Scouting ve işe alım
  • Uzun vadeli bilimsel araştırmalar (en iyi oyun yöntemleri, bir oyuncu en doğru nasıl geliştirilir, genç oyuncular için hangi antrenman metotları tekniklerini daha iyi şekillendirir vb.)
• Bütçe farklılıklarından ötürü Güney Amerika ve Avrupa takımları arasında korkunç derecede bir fark bulunuyor. Eğer takımlarımız (Güney Amerika) süreçlerine veri analizini dahil edemezlerse aradaki fark çok daha artacak gibi duruyor. Aynı şekilde bu durum kesinlikle Milli Takımlarımıza da sirayet edecek. Yalnızca Avrupa’da elit düzeyde top oynayan Güney Amerikalı oyunculara sahip olmak yetmiyor, antrenörlerimiz ve idari personellerimizin de futboldaki inovasyon bilincine sahip olmaları lazım.
• İnanıyorum ki Algoritmo Brezilya futboluna bu analitik bakış açısını getirecek potansiyeli barındırıyor. Fikrim oyuncu ve takımlarımız hakkında bu tarz tartışmaları başlatabilecek içerikleri üretmek. Bununla birlikte, belirtmek isterim ki futbolun “romantik”, mizahi ve sosyolojik tarafını küçümseyen birisi değilim, aslında bu tarz içeriklerin büyük takipçisiyim. Sadece bu spordan eğlenmek adına daha farklı yolların da var olduğunu düşünüyorum.

Konferans Açılışı

Konuşmacı: Ted Knutson, StatsBomb kurucusu ve CEO’su

Konferans StatsBomb’un kurucusu ve CEO’su Ted Knutson’un kısa açılışı ile başladı. Ted’e göre, futbol veri analitiği artık “emekleme aşamasında” değil, bir gerçeklik haline dönüştü ve dünyanın elit kulüpleri bu araçların değerinin artarak farkına varıyor. Liverpool, fizik, matematik astrofizik gibi alanlarda 4 dokrora sahibi profesyonel bulunduruyor, buna güzel bir örnek. StatsBomb iyi bir veri sağlayıcı ve şu anda şu verileri sağlayan tek firma:

• Pres
• Şut anındaki tüm oyuncuların konumları
• Şut yüksekliği
• Aksiyonlarda kullanılan ayak (şut ve pas)

Buna ek olarak Ted aynı zamanda firmanın gelecekteki adımlarından da bahsetti. Uzun dönemde niyetleri:

• Veri platformlarına video entegre etmek
• Tracking data toplamaya başlamak
• Maç boyunca takımların (ve belki medyanın) kullanacağı “canlı” veri sunmak

Son olarak, Ted StatsBomb’un benim de çok takdir ettiğim bazı girişimlerinden söz etti. Firma futbol veri deneyleri ile uğraşan analistlere ücretsiz veri sunuyor (şu anda, örnek olarak, herkes 2018 Dünya Kupası ve Lionel Messi’nin tüm kariyer maçlarına ulaşabiliyor). Firma aynı zamanda kadın takımlarına da veri analiz platformlarına ücretsiz giriş imkanı sağlıyor.

Kelime Haznesi Olarak Analitik: İstatistiğe Dilin Gücünü Vermek

Konuşmacı: Seth Partnow, Milwaukee Bucks eski araştırma direktörü ve The Athletic’te NBA analist yazarı

Seth Partnow “dışarıdan olan” tek konuşmacıydı, NBA’de Milwaukee Bucks için çalışmıştı ve şimdi The Athletic’te basketbol analitiği hakkında yazıyor. Analitiğin hali hazırda daha gelişmiş düzeyde olduğu bir spor dalında çalışmış birini dinlemek çok ilginçti. Seth birçok sporda istatistikleri tanımlarken var olan keyfilikten biraz söz etti. Bazen analistler zamanlarının çoğunu, oyunun hangi temel olgularının ölçülmesi gerektiğini tartışmak yerine alengirli modellemeleri geliştirmek için harcıyorlar.

Başarılı bir veri analizinin anahtarı, neyi sayacağını ve nasıl sayacağını bilmektir. Bu sıradan görülebilir fakat aslında karmaşık ve bir şekilde felsefidir. Seth başka derslerde duyduğum ve şiddetle katıldığım bir şey söylüyordu: “Bir veri bilimi projesinin değeri karmaşıklığı ile ters orantılıdır.” Bir başka anlatımla, En değerli ve kullanılabilir analiz genellikle basit, anlaşılır ve uygulaması kolay olandır. Betimleyici istatistik, sıklıkla göz ardı edilen güçlü bir araç. Buna ek olarak, spor için dizayn edilen ölçülerin kolay anlaşılır ve açıklanabilir bir adlandırması olması gerekir. Seth kendisinin iyi ve kötü adlar olarak nitelendirdiği bazı örnekler gösterdi (aşağıdaki resim).

En sonda Seth, ayrıca oyuncuları süperstar olarak değerlendirme ile ilgili sorunlara değindi. Yakın dönemde NBA global açıdan çok büyüdü ve oyunculara gitgide büyük yıldızlarmış gibi davranılmaya başlandı. Bu sıfatın yanında, bir de bu bireylerin bir “süperstarmışçasına” sıradışı olup takımlarını playofflara taşıyıp tek başına şampiyonluk adayı yapacaklarına dair bir düşünce var. Seth, farklı oyuncuların takımlarına kazandırdıkları galibiyetleri ve şampiyonluk şansını ölçen bir analiz gösterdi (oyuncu isimlerini katmadan). Bu analize göre, çok az sayıda oyuncu, kendi başlarına, takımlarının şampiyonluk şansını arttırabiliyor. Kendi basketbol izleme deneyimime göre, bugün bu oyuncular: Lebron James, Kevin Durant, Stephen Curry, James Harden ve Giannes Antetokounmpo.

Futbolda Giriş Bölgelerini Anlamak

Konuşmacı: Estefania Vidal, MPIDS’de (Max Planck Institute for Dynamics and Self-Organization) araştırmacı ve doktora öğrencisi

Estefania araştırma yarışmasından sunum yapması için seçilen katılımcılardan bir tanesiydi. Estefania çalışmasında, sahayı 4 bölgeye ayırmış (savunma, defansif orta saha, ofansif orta saha ve hücum). Araştırmanın ana fikri, takımların hücum bölgesine nasıl girdiklerini, en sık gerçekleşen eğilimlerin ne olduğunu ve hangi stratejilerin en çok etkili olduğunu anlamaktı. Bazı kilit kilit çıkarımlar ve sonuçlar şunlardı:

• Eğer bir takım hücum bölgesine girdikten sonra 12 saniye içinde şut çekemiyorsa, en iyisi orta saha bölgesine dönüp tekrar toplanıp yeni bir atak geliştirmektir. Bir başka deyişle, ne zaman bir takım hücum denemesi başlatıyorsa daha iyi bir gol şansı yakalamak adına o hücumu çabuk bitirmeli.
• Genel anlamda takımlar, son “dörtlüğe” sahanın bittiği noktalardan girmeye yöneliyorlar (sahanın merkezinden daha çok kenarlara yakın).
  • Pas ile girildiğinde top, daha çok kenarlara atılan direkt paslar ile “açılıyor”
  • Topu taşıyarak girildiğinde ise, kaleye doğru merkezsel bir gidiş söz konusu
• Paslar, hücum bölgesine girişte genellikle topu taşıma yahut dripling ile girişlerden daha etkili oluyor, elbet bunların hepsinin bağlam ve mevcut oyunculara göre değişebildiği de doğru.

Nasıl Şut Çekilir ve Nasıl Kurtarılır: Babalar için Futbol Analitiği

Konuşmacı: Łukasz Szczepański, Smartodds’ta kantitatif analist

Lukasz’ın araştırma fikri çocuğu ile parkta futbol oynuyorken gelmiş, ve farkına varmış ki çocuğuna en ufak bir bilimsel temele dayandırmadan öğüt veriyormuş. Çocuğu ona şut çekerlerken ne tarafa doğru nişan alması gerektiğini sormuş, o da “kale direklerinin yukarıdaki açılarına en yakın şekilde” diye cevaplamış. İşte o zaman Lukasz bunun en doğru öneri olduğundan emin olmadığını fark etmiş ve her ebeveynin yapacağını yapmış: bu soruyu tasdikli cevap verebilmek adına bir bilimsel araştırma. Pek çok çalışma sonrası, Lukasz bir oyuncunun ideal olarak topu kale direklerine göreceli yakınlıkta hedef alarak vurması gerektiği kanısına varmış (fakat hemen yanlarına değil). Araştırmacı şutu çekilirken bir hata payı olduğunu da dikkate almış. Herkes zaten topu üst köşelere vurmaya çalışırken o hata payının varlığını hissediyor ve topu metrelerce dışarı atıyor. Tam olarak istenilen doğru konuma şut çekebilmek oldukça zor.

Lukasz aynı zamanda kalecilerin pozisyon almasını da analiz etmiş. Ana çıkarım ise kalecilerin kendilerine en yakın köşeyi fazla kapatmaya meyilli oldukları, uzak köşeyi fazlasıyla boş bıraktıkları olmuş. Sunucu modelin varsayımlarına ve sınırlamalarının altını çizerek dikkat çekti. Örnek vermek gerekirse, çekilen şuta vuran oyuncunun eğimini gösteren bir veri bulunmamakta. Bu sebeple ortalama olarak, şutu istedikleri yere çektiklerini varsaydı (birkaç çeşitlilik ve dağılımı içine katarak).

“Nasıl yapıyorlar?” Futboldaki Elit Becerilerin Teknik Analizi

Konuşmacı: Vosse de Boode, AFC Ajax Spor Bilimleri Sorumlusu

Vosse de Boode’nin sunumunda gördüklerimden çok etkilendim. Görüştüğüm diğer katılımcılarla vardığımız ortak görüş bu sunumun konferansın en iyi anlarından biri olduğuydu. Vosse Ajax’ın bilimi, futbol oynamanın en iyi yollarını (özellikle teknik açıdan) anlamak için nasıl kullandıklarını ortaya koyan bazı örnekler gösterdi. Ajax, bilimsel yöntemler kullanarak farklı deneyler yapabildikleri gerçek bir laboratuvara sahip. Ajax labde yapılan çalışmaların odağı, bilgi üreterek bunu özellikle halen öğrenme ve gelişme aşamasında olan oyunculara geçirmek. Elbette, labin çıkarımlarından A takım oyuncuları da faydalanıyor ancak akademi seviyesi teknik gelişim açısından en yüksek potansiyeli taşıyor.

Vosse’nin sunduğu en ilginç örneklerden biri kaleci duruşu ve pozisyon alması oldu. Genellikle kalecilere bacaklarının açık olması ve omuzlarının geniş pozisyonda olması önerilir fakat Onana’nın (Barcelona’dan aldıkları kaleci) bacaklarını “önerilenden” daha geniş açtığını görmüşler. Kamerunlu kalecinin duruşunu düzeltmek yerine, Ajax lab o alışılmışın dışındaki duruş üzerine çalışmaya karar vermiş. Araştırmacılar Onana’nın duruşunun, “geleneksel duruştan” daha etkili olduğu, çünkü kalecinin bu şekilde kalede daha fazla alan kapladığı ve daha iyi sıçradığı (özellikle çoğu şutun yöneldiği aşağı taraflara doğru) kanısına varmışlar.

Ek olarak, Ajax aynı zamanda oyuncuların görsel odakları üzerine çalışmalar yapıyor. Özel gözlüklerle, lab oyuncuların neyi gözlemlediğini ve farklı futbol aksiyonları sergilerlerken ana odak noktalarını analiz edebiliyor. Labin bulduğu en kilit noktalardan biri en iyi bitiricilerin, önce hedefe iyi bir bakıp, ardından direkt topa bakıp şut çekmeleri olmuş. Bu laboratuvarın çalışmalarının, oyuncu gelişimi üzerine yaratabileceği pozitif etki ve kapasitesinin getirdiği sayısız olasılığı düşünmek inanılmaz.

Ne yazık ki bu konuşmasını videosu, Ajax ile yapılan anlaşma gereği YouTube’da yayınlanmayacak olanlardan biri. Lakin akademik dergilerin çoğunda Ajax’ın çalışmaları yayınlanıyor.

Boş Adamı Bulmak: Önem Arz Eden Alanı Belirlemede Bağlamsal Yaklaşım

Konuşmacı: Javi Fernandez, FC Barcelona Spor Analitiği Müdürü

Javi futbol analitiği dünyasındaki en iyi isimlerden biri ve MIT’deki Sloan Sports Analytics Conference gibi benim de bulunduğumu diğer konferanslara da konuşmacı olarak katılmıştı. Barcelona’da çalıştığından beri, örnekleri ve videoları hep Katalan ekibi ile bağlantılı oluyor, bu da dinleyiciler için her zaman keyif verici bir durum.

Konuşmacı sunuma bir soru yönelterek başladı: “Genellikle analizlerimizde, çok fazla şutlara odaklanmıyor muyuz?” Elbette gol atmak futbol takımlarının vazgeçilmez hedefi ve gol getiren aksiyonlar olduklarından şutları incelemek çok doğal. Fakat gol bulmaya götüren diğer aksiyonları da irdelemeliyiz. Javi’nin fikri bu tarz bir analizi üretebilecek bir model oluşturmaktı. NBA’deki modellerden esinlenerek, Javi (Luke Bornn ve Dan Cervone ile birlikte) sahadaki her aksiyona sanal bir şekilde değer tanımlayan Beklenen Topa Sahip Olma Değeri (EPV) modelini yarattı. Eğer hali hazırda gol beklentisi konseptini anladıysanız, EPV’yi de steroid almış, kung-fu öğrenmiş ve kılıca kuşanmış bir xG modeli olarak düşünebilirsiniz: Çok daha güçlü bir yol.

Basit olarak EPV bir takımın, oyunun belirli bağlamsal değişkenlerinin kullanılarak (özellikle oyuncuların sahadaki konumları ve yerleşimleri) gol atma olasılığını söylüyor. EPV modelinin sonucu her zaman -1 ile 1 arasında bir sayı çıkıyor. 1’e daha yakın olması, analiz edilen takımın herhangi bir anda gol atma şansını arttırırken -1’e yakın olması gol yeme şansını arttırıyor. EPV modeli bir oyuncunun gerçekleştirebileceği farklı aksiyonları ve her birinin o takımın gol atma olasılığına nasıl etki edeceğini hesaba katıyor. Modele dahil olan olası oyuncu kararları şu şekilde:

• Paslar (ve açık pas seçenekleri)
• Şutlar
• Driplingler (bireysel topu ileri taşıma denemeleri)

Daha teknik okuyucular için, EPV modeli bir Markov Karar Verme Sürecinden oluşuyor. Maçın bağlamsal bilgisini hesaba katıp (örnek olarak her oyuncu nerede konum alıyor) oyuncunun yapacağı farklı aksiyonların takımın gol atma olasılığına etkisini, oyuncunun o kararı verme ihtimalini ve başarıyla gerçekleştirebilme olasılığını hesaplıyor. Javi’ye göre EPV, ihtimallere dayanan düzlemler vasıtasıyla karar verme mekanizmasını anlayan bir model.

Modeli kullanmanın en ilginç yollarından biri ise bir aksiyon öncesi ve sonrası EPV’ye bakarak farkı karşılaştırmak. Örnek vermek gerekirse, eğer Arthur topla EPV’nin 0,05’lik değere sahip olduğu bir anda buluşursa ve topu Suarez’e 0,12’lik değere sahip bir durumda aktarırsa, Arthur’un oyuna 0,07’lik bir EPV kazandırdığını söyleyebiliriz. Bu konuşmada Javi, daha çok farklı aksiyonların takım için nasıl alan yaratıp bulduğuna odaklandı. Modelin oyuncuların, oyuna etkisini farklı şekillerde yakalayabildiğini görmek gerçekten enteresandı. Örneğin:

• Arthur takımı adına rakip blokları delen dikey pasları ile değer yaratıyor. Brezilyalı orta saha 2019-2020 La Liga sezonunda bu becerisi ile çok dikkat çekiciydi.
• Messi neredeyse her şeyi yapabiliyor, fakat başarılı driplingleri ile alan yaratma becerisi Barcelona’ya en çok değer katan özelliklerinden. Javi aynı zamanda Messi’nin sahada basitçe yürüyerek (koşmadan) nasıl alan yaratabildiği hakkında bir çalışma yapmış.

Pres, Presi Kırmak ve Ayak Tercihi: StatsBomb’un Yeni Verilerini Keşfetmek

Konuşmacı: Michael Caley, “Double Pivot” podcasti sunucusu, 538 ve The Athletic yazarı

Michael Caley futbolu analitik olarak en az 7 senedir inceleyen birkaç araştırmacıdan biri. Twitter aracılığı ile çalışmalarını zaten biliyordum ve yakın zamanda Michael Goodman ile sunduğu “Double Pivot” isimli podcastini dinlemeye başladım. Bu konferansta Caley, topa yapılan “presler” üzerine yaptığı çalışmayı sundu.

Pres futboldaki ana savunma aksiyonudur. Rakibin alanını daraltarak yeniden pozisyonu ele geçirme aksiyonudur (topa müdahale ederek yahut hataya zorlayarak). Ancak çok yakın zamana kadar toplanmış bir “pres” verisi bulunmamaktaydı, bu yüzden analistler takım presini ölçmek ve yaklaştırmak adına farklı yöntemler üretmişti. StatsBomb şu an bu aksiyon adına veri topluyor.

Caley geçtiğimiz yıllarda bazı analistler tarafından geliştirilen pres ölçümlerinin karşılaştırmalı analizini yapmış. Her ölçümde, takımın “pres değerinin” nispeten eşsiz olduğunu görmek ilginçti, bu da her yöntemin bir takımın “presinin” farklı bir olgusunu ele aldığını gösteriyor. Sunum çok sayıda teknik detayı içeriyordu, ben burada bazı ana noktalara ele alacağım:

Caley’nin altını çizdiği pres ölçüleri şunlardı:

• Defansif Aksiyon Başına Pas (PPDA): Bu basit bir hesaplama: (rakibin akan oyunda başarılı pasları) bölü (takımın savunma aksiyonları). Bu ölçüm savunmadaki takımın herhangi bir defansif aksiyonu gerçekleştirene kadar (topa müdahaleleri, pas araları ve mücadeleler) rakibin kaç pas tamamladığını analiz ediyor.
• Kırılan Hareketler: Bu ölçüm özellikle rakibin geriden oyun kurması gibi spesifik maç anlarını analiz ediyor. Buradaki ana fikir ise bir takım kaç kere rakibinin aksiyon sekanslarını “kırabildiğini” saymak.
• STP Alan Pasları: Bu ise rakibin, kaç tane pasının “stoperler bölgesinde” tamamlandığının basit bir hesabı. Bu ölçümün arkasındaki düşünce iyi bir “prese” sahip takımların kendi sahalarında topun tehlikeli bölgelere ulaşmasına izin vermiyor olması.
• Yüksek Top Kayıpları: Bir takımın kendi hücum sahasında (tam olarak hangi bölgelerin hesaba katıldığını hatırlamıyorum) topu geri kazabilme sayısı (Bir topa müdahale yahut pas arası ile).
• Pres Sayısı: Yukarıdaki ölçümler bir takımın presine “yaklaşma” idi, bir presin olası etkilerini ölçebiliyorlar, fakat presin kendisini değil. StatsBomb verisini kullanarak, Caley aynı zamanda her takımın pres aksiyonlarını ölçmüş.

Zaman zaman, konuşma bir Statsbomb veri “reklamı” havasında geçti, fakat firma tarafından sağlanan veri gerçekten muazzam olduğundan bu durum anlaşılır ve adil (Bu cümlede “reklam” hissini tekrarladığımı farkettim). Caley ayrıca, aşağıdaki fotoğrafta görüldüğü üzere (hafif bulanıklık için kusura bakmayın), presi kırıp isabetli pas gönderen en iyi oyuncuların gösterildiği bir analiz gösterdi:

Ek olarak Michael Caley, sunum boyunca son iki yılda pres eğilimleri yönünden farklı yollarda boy gösteren belli takımlara odaklandı:

• Manchester City ve Eibar bütün pres sıralamalarında en üst sıradaydı.
• RB Leipzig ve Bayern Münih, pres yaparken çok etkili olduklarını kanıtlamışlar, Alman pressini örneklendiriyorlar.
• Torino, Barcelona ve PSG etkisiz pres yapan takımlar.
• Tottenham ve Chelsea, son iki yılda pres stratejisi yönünden taktiksel değişiklikler deneyimlemiş.
• Real Madrid, Real Sociedad, Burnley, Bournemouth Marsilya ve Lazio’nun hepsi Caley’ye göre “tuhaf” ölçümlere sahipler.
• Parma ise hiçbir “pres” verisinde iyi bir performans gösterememiş.

Son olarak Caley, konuşma sonunda müthiş bir tavsiye sundu. Hücum modellerini ölçerken her zaman Messi’yi doğrulayıcı olarak kullanılması gerektiğini söyledi. Eğer Arjantinli üst sıralarda bulunmuyorsa, muhtemelen model ile alakalı bir problem vardır.

Futbol Kendi Veri Analizini Nasıl Devrimleştirebilir

Konuşmacı: Adrien Tarascon, PSG Maç Analizi Bölüm Sorumlusu

Bu sunumda Tarascon, PSG’nin veri analizinin nasıl kulübün günlük operasyonlarına dahil olduğunu gösterdi. Konuşmacı, takımın kullandığı pek çok iyi kurgulanmış süreçlerden, kendisine göre “futbolun veri bazlı anlaşılması”, bazılarını sundu. Tarascon’a göre, net tanımlanmış bir oyun modeline sahip olmak çok önemli. Örneğin PSG adına takımın, topu tercih edilen orta (PCA) bölgesine taşıyabilmesi esas. PCA’lar ise ceza sahasının içindeki (ve yakınındaki) geniş alanlara deniyor. Analistler takımın topu oraya taşıyabildiği an tehlikeli olabileceğini biliyor. PSG oyun modelleri adına çeşitli destekleyici unsura sahip fakat Adrien Tarascon bütün sırları ortaya dökemiyor, özellikle potansiyel rakiplerin analistleri katılımcılar arasında oldukça dikkatle dinlerlerken.

Oyun modeli belirlendikten sonra, analistler belirli Anahtar Performans Göstergeleri (kısaltması KPI) belirliyorlar. Subjektif tanımlamalardan kaçınmak çok önemli. Oyun planı ölçülebilir ve kolay anlaşılır olmalı. Bu oyun modelinden kulüp, belirli farklı model ve süreçler yaratıyor, aynı:

• Mikro oyun modelleri
• Bireyselleştirilmiş modeller (Spesifik antrenmanlar yaratmayı da barındıran)
• Scouting süreçleri
• Oyuncu gelişimi süreçleri
• Rakip analizi

PSG Analizi Bölüm Sorumlusu ayrıca veri analizindeki, her oyuncuya bireysel talimatlar yaratan (her biri aynı oyun destekleyicileri içinde uyumlu) “bireyselleşme” ihtiyacı hakkında da konuştu. Tarascon her oyuncunun farklı şekillerde öğrendiğini, antrenör ekibinin de bunun bilincinde olması gerektiğini vurguladı. Dolayısıyla talimatlar oyunculara en iyi şekilde aktarılmalı. Örnek olarak, Mbappe’nin rapor veya görüşmeler aracılığı ile fazla yeni bilgi almadığını aktardı. Genç Fransız için en iyi yol, maçlarda ne yapması gerektiğini uygulayabileceği spesifik antrenmanlar oluyormuş.

Tarascon tarafından dikkat çekilen diğer bir nokta ise iletişim oldu. Kulüp menajerleri, oyuncular ve diğer teknik ekip personelinin üretilen tüm bilgilere (sayfalarca tablolar ve grafiklere) vakıf olmasına gerek yok, fazla yüklenip ilgisiz hale gelebilirler. Malzemeyi şekle sokmak çok önemli. Tarascon birkaç kez iletişimin fazlasıyla net, basit ve hedefe yönelik olması gerektiğini tekrarladı.

Konuşma esnasında, bir de ekibinin hazırladığı Real Madrid maçının (Şampiyonlar Ligi’nde 3-0 kazanılan) maç önü analizini gösterdi. Real Madrid’in geçiş hücumları ve ortalarına dikkat etmeleri gerektiklerini biliyorlardı (Real en çok orta yapan elit takımlardan biri). Bunu akılda tutarak, oyunculara farklı talimatlar vermeye çabaladılar, böylelikle PSG hangi bölgelerde pozisyon kaybı yaşamanın kabul edilebilir olduğunun bilincinde olacaktı: takım Real Madrid’in başarılı kontra atak yaratma şansının yüksek olmadığı bölgelerde daha fazla risk almayı göze almış. Aynı zamanda hızlı hücumları başlatıp ortaları tamamlayan oyuncuları etkisiz kılmayı denemişler.

PSG’nin yaptığı bir başka ilginç şey ise “veri ayarlaması”. Takım, oyuncuları yüksek performans gösterip potansiyel alıcıların dikkatini çekebilecekleri pozisyonlarda kullanmaya çalışıyor. Tarascon, kulübün geçmişte satmaya niyetlendiği bir stoperi (isim vermeden), daha iyi sayılar elde edebileceğini düşünüp sol bekte kullanarak gelecekteki transferinin değerini arttırdıklarından bahsetti.

Ne yazık ki, aynı Ajax’tan Vosse de Boode’nin sunumu gibi, bu sunum da online yayınlanmayacak. Fakat hala, PSG’nin “akıllı futbol” hareketine katıldığını takip etmek güzel bir şey.

Bazı şeyler Şut değildir: Futbol Aksiyonlarını Değerlendirmede Karşılaştırmalı Yaklaşımlar

Panel katılımcısı: Thom Lawrence, StatsBomb’un CTO’su

Thom Lawrence, StatsBomb’un CTO’su, futbolda şut dışındaki aksiyonları anlamaya çabalayan başka bir konuşmacıydı. Thom futbolun gol ve bitirişlerin çok ötesine geçen ana elementleri olduğuna inanıyor, fakat eş zamanlı olarak bu sporun derinliğinde iyi şutların takibi ve kolayca gol bulmak olduğundan endişeleniyor. EPV gibi modellerden büyük keyif alıyor, ancak sınırları olduğunu da biliyor (örneğin futbolda pozisyonun ne olduğunu tam olarak tanımlamanın zor olması gibi). Bu yüzden, problemi farklı yöntemler kullanarak analiz etmeye çalışmış.

Bu sunumda Thom, futbolda belirli aksiyonların değerlerini anlamakta uygulanabilecek farklı takviyeli öğrenme tekniklerinden detaylı olarak bahsetti (yapay zekanın spesifik bir “türü”). Sunucuya göre, bu modellerden bazılarının ağır hesaplamalar içerdiğini ve şaka yoluyla onları geliştirmenin ideal yolunun “bu modelleri kulüp tarafından ödenen AWS makineleri ile kulüpleri batırana kadar çalıştırmak” olduğunu belirtti. Sunulan tekniklerin ana avantajlarından bir tanesi bu modellerin ham veri ile üretilebilmesi. (x,y) Koordinatlarından bölgeler eklemek gibi fazladan veri temizliğine ihtiyaç duymuyorsunuz.

Thom ayrıca bu tarz modeller geliştiren kişiler için tavsiyelerde bulundu: her zaman beklenildiği gibi çalıştığından emin olmak için test edin (teorik olarak bunun herhangi bir yazılım geliştirme projesinde yapılması gerektiğini biliyoruz, ancak gerçekte bu çok nadir gerçekleşiyor). Bunun yanında, Thom’un bu tip bir modelin hücumculara daha çok değer verip savunmacılara daha az değer verdiğine dikkat çekmesini ilginç buldum, bunun gerçekleşme sebebi şuymuş:

• Hücumcular, genellikle kendilerini daha yüksek ihtimal ödüllendirilen (gol ile) ve az riskli (nadiren hataları sonucu rakip gol buluyor) durumlarda buluyorlar.
• Savunmacılar ise genellikle yüksek risk taşıyan (hatalarının bedeli büyük oluyor) ve daha düşük ödül ihtimali olan (savunma aksiyonları her zaman doğrudan gol atılmasına yönelik sonuç doğurmuyor) durumlarda oluyorlar.

Nitekim oyuncuya uygun olan seçeneklere göre her aksiyonun değerinin “normalize” edilmesi ilgi çekici. Bu şekilde, hangi oyuncuların en iyi kararları verebildiğini değerlendirebiliyorsunuz, çünkü bu model oyuncunun bağlam içinde hangi hareketin mümkün olduğunu göz önüne alarak analiz yapıyor.

Ayrıca bir de sinyal vs. gürültü (alakasız ya da yanlış bilgi ile karşılaştırıldığında kaliteli bilgi miktarı) ile alakalı ilgi çekici bir tartışma vardı. Çoğunlukla az sinyal olup çok ses çıkıyor. Futbol dünyasında, herkesin (taraftar, antrenör, gazeteci, direktör ve oyuncular) kendini sanal bir biçimde “expert” kabul ettiği, gerçekten neyin önem arz ettiğini bilmek zor iş.

StatsBomb Canlı Podcasti

Konuşmacılar:

• Ted Knutson, StatsBomb kurucusu ve CEO’su
• James Yorke, StatsBomb Analiz Bölümü Sorumlusu
• Benjamin Pugsley, StatsBomb kurucusu

StatsBomb podcasti futbol analitiği dünyasında en çok tanınan podcastlerden biri ve bunu canlı deneyimleyebilmek güzeldi. Konuşmacılar, özellikle Avrupa’da analitiğin mevcut durumunu ve ne kadar hızlı ilerlediğimizden söz ettiler. Dünyanın en yarışmacı liglerinde oynayan takımlar veri analitiğinin değerini gün geçtikçe fark etmeye başlıyor ve becerikli işçileri istihdam ediyorlar. Örneğin Şampiyonlar Ligi’ni kazanan Liverpool, 4 doktora dereceli çalışana sahip ve veri analizinin değerini yaymakta fazlasıyla katkıda bulundu. Podcast katılımcılarına göre, daha az “aptalca” transfer görmeye başladık, özellikle İngiltere’de (Aynısının henüz Brezilya’daki tüm takımlar için söylenemeyeceğini düşünüyorum). Ondan sonra, asıl konu İngiltere Premier Ligi idi. Ligin elit takımlarının kısa, mizahi fakat öğretici değerlendirmesini yaptılar.

Sonlara doğru, futbol analitiği endüstrisi hakkında konuşulurken, konuşmacılar bu alanda büyümek adına insanların bilmediği bir şeyi göstermenin (ne kadar basit olursa olsun) esas olduğunu vurguladılar. Bu da benim Algoritmo da yapmaya çalıştığım şey, Brezilya’da oynanan futbola odaklanarak, henüz istatistiksel analizin tam hızına ulaşmadığı bir yerde.

Diğer Konferans Konuşmaları:

• Set Savunması Nasıl Kırılır – David Perdomo, Daniel Girela, Mark Thompson
• Takım içinde Oyuncu Etkisine Değer Biçmek – Ryan Beal
• Tehlike Beklentisi (xT) ve Ötesi: Uygulamalı Rehber – Karun Singh
• Pres Sanatına Değer Biçmek – Pieter Robberechts
• Globalleşmiş Hikaye Anlatıcılığı: Medya Dünyadaki Futbolu Nasıl Öykülüyor – Gabriele Marcotti, Raphael Honigstein, Guillem Balague
• Modelimiz Öğrendiğini Düşündüğümüz Şeyi mi Öğreniyor?” Futboldaki Aksiyonların Gol Beklentisi Etkisinin Yorumlanabilir Modelleri Kullanarak Tahmin Etmek – Tom Decroos
• Tehlike Beklentisi Modellerindeki Defansif Riski Değerlendirmek –
  Ted Knutson, Emma Hayes, Vosse de Boode
• Şutlar için Karar Vermeyi Geliştirmek – Benjamin Larousse

Bu yazı Rafael Blay (Algolritmo) tarafından yazılmış ve algolritmo.com da yayınlanmıştır. Orijinal metin için tıklayınız.