O laboratório belga que molda a revolução de dados do futebol moderno | Futebol

EUSe você espera entender por que o futebol moderno parece do jeito que é, ou os longos passos que fizemos recentemente para entender como ele realmente funciona, ajuda a saber sobre o que está acontecendo em uma das universidades mais antigas do mundo, na Bélgica.

É aí que você encontrará o Laboratório de análise esportiva na Universidade Católica de Leuven, liderada por Jesse Davis, professor de ciência da computação em Wisconsinita. Davis cresceu indo a jogos de basquete e futebol na Universidade de Wisconsin-Madison e não descobriu futebol até a faculdade, durante a Copa do Mundo de 2002. Quando ele foi contratado em Leuven em 2010 para pesquisar aprendizado de máquina, mineração de dados e inteligência artificial, um bando de colegas esportivos o trouxe de volta ao futebol.

Em pouco tempo, Davis estava supervisionando um estábulo de pós-doutorado, doutorado e estudantes de mestrado que trabalham em dados de futebol. A riqueza e a complexidade dos dados se prestam bem ao estudo da IA. O trabalho que eles produzirame disponibilizado para qualquer pessoa através Ferramentas de análise de código abertoavançaram substancialmente a ciência por trás do esporte e mudou a maneira como alguns clubes pensavam em jogar.

Também pode servir como um exemplo de como o financiamento da pesquisa da universidade pode beneficiar o público, incluindo as empresas que trabalham dentro do campo que estão sendo estudadas; uma parábola em potencial para o valor da academia em um momento quando está sendo espremido de todos os lados.

Nos primeiros dias do movimento de análise no esporte, acreditava -se amplamente que o futebol não se prestava muito bem à análise estatística avançada porque era muito fluida. Ao contrário do beisebol, do basquete ou do futebol de gridiron, ele não poderia ser dividido com muita facilidade em uma série de ações discretas que poderiam ser contadas e atribuídas algum tipo de valor. Sua ação mais mensurável, chutes e, portanto, objetivos, compõe uma pequena fração dos eventos em um determinado jogo, apresentando um problema para quantificar as contribuições de cada jogador – especialmente nas muitas posições em que os jogadores tendem a não atirar.

Mas enquanto o futebol demorou a se adaptar e adotar a análise, ele chegou lá eventualmente. A maioria dos grandes clubes agora tem um extenso departamento de dados, e agora há um desproporcionalmente grande gênero de (eminentemente legível) livros Nesse assunto razoavelmente esotérico.

O Sports Analytics Lab publicou suas descobertas no áreas ideais para tirar fotos longas ou perguntando se, em algumas situações, é mais eficiente Para inicializar a bola por muito tempo e sair dos limites do que construir para fora das costas. Alguns desses documentos carregavam títulos inescutionáveis ​​como “uma abordagem bayesiana para a probabilidade de vitória no jogo” ou “Analisando os processos de decisão de Markov aprendidos usando a verificação de modelos para fornecer conselhos táticos no futebol profissional”.

Sabiamente, eles também publicaram um blog Isso quebrou tudo isso nos termos de Layperson.

Essa nova pesquisa levou a colaborações com analistas de dados em clubes como Red Bull Leipzig, Club Brugge e as federações alemãs e dos Estados Unidos. O laboratório também trabalhou com seu Club Pro Local, OUD-HARRELEE LEUVEN e a Federação Belga.

Mas o que é curioso é que uma década e meia em diante, Davis e sua equipe, que são cerca de 10 a qualquer momento, são ainda fazendo pesquisas líderes da indústria e que alteravam o paradigma, como seu trabalho recente Ajuste fino como a posse de bola é valorizada.

Agora que o esporte, na extremidade superior, adotou a análise totalmente e a assou em tudo o que faz, você esperaria que ele ultrapasse e depois line os forasteiros, como aconteceu em outros esportes. Mas não.

“O esporte de elite, e não apenas o futebol, tem um foco intenso no que vem a seguir”, diz Davis. “Isso é particularmente verdadeiro porque as carreiras são tão fugazes para jogadores e funcionários. Consequentemente, o fato de que você pode não estar por perto amanhã não promove o desejo de correr riscos em projetos que, a, podem ou não funcionar ou, b, renderá algo útil, mas não nos próximos seis meses.

Há um trabalho inovador sendo realizado nos clubes de futebol que o mundo exterior não consegue ver, porque qual seria o sentido de compartilhar toda essa visão conquistada com muito esforço? Os incentivos de tensões esportivas profissionais contra o processo científico, que valoriza os riscos e mexendo sem parar com o design de experimentos, nenhum dos quais pode produzir qualquer coisa de uso. Além disso, exige praticantes altamente qualificados, que podem ser complicados e caros de recrutar. A recompensa desse investimento pode ser limitada. E se chegar, a saída desse trabalho pode não necessariamente ajudar uma equipe a ganhar jogos, especialmente no curto prazo.

Enquanto isso, a maioria das frutas da análise de futebol baixo-como o valor de tiro ou quais tipos de passes produzem mais perigo-já foi escolhido. O que resta são problemas muito mais complicados, como rastrear dados e como entender isso.

Você pode encontrarpor exemplo, embora os modelos de metas esperados se tornem muito bons em quantificar e tabular as chances que uma equipe criou ao longo de um jogo, eles não funcionam bem em colocar um número na capacidade de acabamento de um determinado atacante por causa de vieses nos dados de treinamento.

Sim. Claro. Ótimo. Mas agora o quê? O que são Brentford (ou seu potencial novo clube Manchester United) deveriam ver com o conhecimento de que o desempenho excessivo de Bryan Mbeumo-Premier League +7.7 – Ou seja, os objetivos esperados de Mbeumo com a qualidade de suas chances de pontuação foram de 12,3, mas ele realmente marcou 20 vezes na temporada passada – na verdade não sugere que ele fosse o melhor ou mais eficiente finalista da Premier League?

Além disso, quando um clube aparece um boato útil, ele precisa encontrar uma maneira de não apenas implementar essa descoberta, mas para rastreá -lo a longo prazo. Isso significa criar algum tipo de sistema para acomodá -lo, o que implica engenharia de dados e programação de software. Do lado do clube, esse tipo de trabalho pode ocupar muito, ou a maioria, do trabalho de trabalho no trabalho de análise.

“Para alguns dos modelos de aprendizado profundo, para trabalhar com os dados de rastreamento leva meses para codificar programadores excepcionais”, diz Davis. “Construindo e mantendo isso é um grande custo inicial que não produz vitórias imediatas. Isso é seguido por um custo para manter a infraestrutura”.

Os acadêmicos, por outro lado, têm menos pressão de tempo e podem passar para alguma nova idéia se um projeto não funcionar ou simplesmente não houver mais novos conhecimentos a serem adquiridos. “Não preciso me preocupar em configurar pipelines de dados, criar painéis interativos, processar as coisas em tempo real, etc.”, diz Davis.

A pesquisa em si é o ponto. O entendimento de que questões a partir dele é o fim, não os meios. E então todo mundo se beneficia desse progresso intelectual.

Pode haver uma lição útil sobre como um governo federal, digamos, pode considerar O valor de investir em investigação científica.