Bir maçta ortalama 20 tane çekilen şut için Gol Beklentisi istatistiği varsa, nereden bakarsanız 600-700 kere yapılan pas için neden bu veri olmasın?
Pas Beklentisi ve Pas Değeri ölçümlemek için karşımda 2 aşamalı bir problem vardı.
İlk olarak, çeşitli özellikleri girilen bir pasın isabetli olma olasılığını tespit etmeliydim.
İkinci olarak da pasın oyuna olan katkısını.
Whoscored’un rakamlarına göre Fenerbahçe forması ile 14 maça çıkan Zanka maç başına ortalama 62.3 pas yapmış. Bu değer, Serdar Aziz’de 60.1 iken Luyindama’da 51.4 olarak göze çarpıyor.
Peki bunların ne kadarı değerli pas?
Çeşitli veri sağlayıcılarında ileri pas, yanal pas ve geri pas diye bir ayrım söz konusu olmakla birlikte bunların da detaylı olarak ele alındığında yetersiz kaldığını düşünüyorum. Zaten birazdan videolu örnekler vererek bu durumu daha net açıklamaya çalışacağım.
Hadi önce “Pas Beklentisi” modelimizi oluşturalım.
Pas Beklentisi
Bir pas ya hedefine gider ya da gitmez. Dolayısıyla 2 tane muhtemel çıktımız var.
Yani pasın özelliklerini girince bize “%95 ihtimalle başarılı olacak.” diyebilecek bir model geliştirmeliyiz.
A noktasından B noktasına gönderilen bir topun yüzde kaç ihtimalle başarılı olacağını bulmak için bize ne gerekiyor?
Öncelikle pasın atıldığı nokta ile gönderildiği noktanın bilgisi.
Pasın boyunu da eklersek harika olur.
Pasın tipi ve hızı da önemli gibi duruyor. Çünkü korner ile akan oyundaki bir pas farklı olacaktır.
Pasın yüksekliği ve ne şekilde verildiği de mühim. Yerden sağ ayakla atılan bir top ile havadan kafa ile gönderilen bir top farklı olabilir.
Peki ya pası atacak oyuncuya baskı yapılıyorsa? O zaman işler biraz zorlaşır, öyle değil mi?
Buraya kadar hemfikir olduğumuzu düşünüyorum. Ancak çok önemli olan 2 değişken daha kaldı. Onları da görsel olarak anlatayım.
A noktasından B noktası atılan bir pas düşünün. Topun ayaktan çıktığı nokta kaleyi 9° ile görürken, vardığı noktada bu rakam 23°’ye çıkıyor. Haliyle sahanın merkez bölgesinde daha fazla savunma engeli olması pasın başarılı olma ihtimalini düşüren bir etki oluyor.
Bir diğer konu ise başlangıç ve bitiş noktasının kaleye olan mesafesi. Rakip kalenin hemen önüne atılan bir pasın hedefine ulaşma ihtimali çok da yüksek olmasa gerek.
StatsBomb’un paylaştığı LaLiga verilerine ulaşıp, yukarıda vurguladığım değişkenleri kullanarak modeller üretmeye çalıştım.
Roc eğrisinden çıkan en yüksek sonuçta bulunan tüm değişkenlerle nihai modelimizi, Lojistik Regresyon ile oluşturuyoruz.
Tam tahmin ettiğimiz bir sonuç ile karşılaştık. Pasın gittiği yer kaleyi ne kadar iyi görüyorsa veya kaleye ne kadar yakında, haliyle pasın isabetli olma oranı da bir hayli düşüyor.
StatsBomb 2018 Dünya Kupası event data’larını da paylaştığı için modelimizi Rusya’da oynanan 64 maç üzerinde deneme şansımız var. Hadi bakalım, en zor pasları başarıyla atanlar kimlermiş.
Yukarıdaki grafiği incelediğimiz zaman, düşük xP’li pasların (Pas Beklentisine bundan sonra xP diyeceğim.) çoğunlukla isabetsiz olduğunu görüyoruz.
Bu durum bizi şaşırtmıyor; ancak kafamızda tam olarak canlanması açısında yüksek xP’li pas nedir ya da aksini temsil eden paslar neye benzer, gibi soruları kısacık 2 video ile yanıtlayalım.
Rakipten baskı yok, kendi güvenli bölgendesin, karşı kaleye oldukça uzaktasın vs.
xP’nin yüksek olması için her türlü birleşim mevcut olan paslar işte tam olarak videoda izledikleriniz.
Bir de isabetli olma ihtimali düşük olanlara göz atalım.
Pasın mesafesi uzadı. Top tehlikeli bölgeye doğru yol aldı. Gittiği yerdeki kaleyi görme açısı genişledi. Sonuç olarak xP ciddi oranda azaldı.
100’den fazla isabetli pas yapan oyuncuları filtrelediğimiz zaman, karşımıza yukarıdaki grafik çıkıyor.
Dikkatli bakacak olursanız, bir oyuncu ne kadar fazla pas yaparsa, ortalama xP’si de o kadar yüksek oluyor.
Bu çalışmayı yapmadan önce en iyi pasör, en zor topları dahi hedefine gönderen oyuncudur diye düşünmüş ve sonuçların da o yünde çıkacağını tahmin etmiştim.
Luka Modric özelinde bakarsak belki bu tahminim kısmen doğru olabilir; ancak çıkan sonuçları pozisyon pozisyon incelediğimde gözümden kaçan bir nokta vardı.
Düşük xP’li pasları isabetli bir şekilde göndermek hiç kuşkusuz önemli bir başarıdır.
Fakat bir şeyi görmezden geliyoruz.
Algoritma, mesafesi uzun olan, havadan atılan, baskı altında oynanan topların xP’sini düşük çıkarıyor. Tosic’in gönderdiği bu pas saydığım tüm özellikleri barındırıyor. xP’si 0.05.
Peki gerçekten değerli bir top mu?
Tosic ve Witsel’in paslarının xP’leri hemen hemen aynı olduğu halde bir tanesi çok tehlikeli bir noktaya doğru gidiyor.
Dolayısyla bizim pasları değerlendirmek için başka bir parametreye ihtiyacımız var.
Yeni Kapılar Açan xG
Goals Added ya da VAEP gibi sahadaki her bir aksiyonun değerini ölçen modellerde gol beklentisi kullanılıyor.
Nasıl kullanılıyor?
(Aksiyon sonrası lokasyonun Gol Beklentisi – Aksiyon öncesi lokasyonun Gol Beklentisi)
Formül oldukça net.
Eğer yapılan aksiyon daha tehlikeli bir bölgede sonuçlanıyorsa, oyuncu değerli bir hareket yapmıştır.
Dolayısıyla bizim xP modelimize de bu düşünceyi entegre edersek, pasın değerini ölçebiliriz.
Böylece hem düşük xP’ye sahip hem de yüksek xG’li yere atılan bir pas diğerlerinden daha değerli olacaktır. (Eğer isabetliyse)
Lokasyon, mesafe ve açı değişkenleriyle basit bir Gol Beklentisi modeli oluşturduk.
Şimdi her bir pasın başlangıç ve bitiş noktalarının xG farkını alabilir ve xP’si ile birleştirebiliriz.
Sadece akan oyunda atılan isabetli pasları hesaba kattığımız zaman, ortalama olarak en değerli topları gönderenlerin bek ve kanat oyuncuları olduğunu tespit ettik.
Bunun temel sebebi aslında oynadıkları bölgenin kaleyi düşük açıyla görmesi.
Bu ne demektir?
Çizgiye yakın noktalar açı olarak xG’yi negatif etkileyen noktalardır. Dolayısıyla topun bir sonraki durağı büyük oranda sahanın merkezi olacak.
Top, orta olarak rakibin 1. bölgesine gidecek ya da destek için gelen merkez orta saha oyuncusuna dönecek.
Bundan ötürü herkesi kendi mevkisine göre değerlendirmekte fayda olacaktır.
Şimdi 2018 Dünya Kupası’nda atılan bir kaç pas ile veri dünyasından çıkıp oyunun kendisine yelken açıyoruz.
xP’si 0.05 olan bu zor topun değeri 0.38 olarak karşımıza çıkıyor.
İsabetli olma ihtimali yarıya yarıya olan Iniesta’nın dokunuşu 0.04’lük bir değere sahip.
Burada önemli bir hatırlatma yapmalıyım ki, 0.04 ortalamaya vurulduğunda yüksek bir puan. Genellikle maçları 0.001’lik paslar oluşturuyor.
Akan oyunda en yüksek değere sahip 3 pası sizlerle paylaşmak istiyorum.
Busquets’in basit gibi görünen pasının yüksek değerli çıkmasında en önemli sebep, topa dokunduğu noktanın kaleyi görme açısının çok dar olması. Topun vardığı noktada ise çok yüksek bir xG söz konusu. Diego Costa’ya sadece tek bir dokunuş kalmış.
James’in topa ince dokunuşu sizce de kaliteyi hemen belli etmiyor mu?
Modelimizde pas öncesi aksiyon değerlendirilmeye alınmasa da Brezilyalı kanat oyuncusunun topla koşusu da dikkat çekici. Pasın şiddeti ve hedef noktası bir o kadar şahane.
Akıllı Paslar
Her ne kadar yukarıdaki örnekler kadar yüksek değerli olmasa da bazı akıllı paslar da var. “Akıllı” kelimesinden kastım şu ki, isabetli olma ihtimali çok düşük olmayan ama değerli paslar.
Isco’nun, Iniesta’ya çıkarttığı pasın xP’si 0.70. Yani büyük oranda isabetli olacak. Ancak değeri 0.01. Yukarıda da ifade ettiğim gibi bu rakam ortalamanın çok üzerinde. Isco stratejik bir pas yapmış aslında.
Griezmann’nın gönderdiği topun xP’si 0.39 olarak gözüküyor. İmkansız gibi görünen bir pas değil, ancak önemli bir pas. Değeri yaklaşık 0.02.
Mbappe’nin yaptığı tek dokunuşun isabetli olma yüzdesi çok daha yüksek, fakat o tek dokunuş takım arkadaşını kaleci ile karşı karşıya bırakıyor. Bundan ötürü 0.03’lük bir değere sahip.
Tabi karşıma çıkan verileri pozisyon pozisyon incelediğim zaman çeşitli gariplikler ile de karşılaştım.
Bunlardan iki tanesini sizlerle paylaşmak istiyorum.
Marco Reus’un pasının değeri tamı tamına 0.39.
İlk izlediğimde bu muymuş demiştim. Kısacık bir top, şans eseri bile hedefine ulaşmış olabilir, ama vardığı yer tehlikeli bir nokta. Sizin görüşlerinizi merak ediyorum.
Yine Iniesta’ya dönüyoruz. Son vereceğim örnekte de onun pozisyonunu kullanmak istedim.
Bu pas amacına ulaşamamasına rağmen veri sağlayıcıya göre isabetli bir pas.
Değeri 0.26.
Gerçekten Iniesta’ya bu değeri vermeli miyiz? Yoksa ceza mı kesmeliyiz.
Uzatmalar
Bu yazıda örnek olarak hep akan oyunda atılan başarılı pasları kullandım.
Çünkü başarısız pasların ve duran topların nasıl bir puana dönüşmesi gerektiği üzerine çok fazla eğilmedim.
Pas Beklentisi 0.01 olan bir topu atmak önemli midir? Bin kere denense biri isabetli olacak bir topu denemek iyi bir pasörün yapacağı iş midir? Yoksa ayağı top yapan oyuncu basit ama etkili paslar mı atmayı düşünür?
İşte bu sorular yeni bir araştırma sahası olduğu için burada onlara değinmek istemedim.
Modelin nasıl geliştirileceği ya da nasıl analiz edileceği konusuna gelecek olursak, mutlaka her bir oyuncuyu kendi mevkisinin standartlarına göre belirlemeliyiz. Böylece sadece kanat ve bek oyuncularının hegamonyasını kırabiliriz.
Bunun için çok daha geniş maç verisi gerekli. Ben eldeki imkanlar çerçevesinde sadece 2018 Dünya Kupası’na odaklandım.
Modeli eğitmek için de çok daha fazla örneğe sahip olmalıyız. Ne kadar çok örnek, o kadar başarılı model…
Velhasılıkelam işin “öz”ünü anlatabildiysem ne mutlu.
Bizim ülkemizde henüz konuşulmasa da bu alanda çalışma yapan kişiler ve kurumlar var. Onların linkine buralardan ulaşabilirsiniz.
Veriyle kalın.
Veri Analiz Sorumlusu
Bir yorum
çok değerli bir analiz. emeğinize sağlık.