卡塔尔世界杯球员会以“更讲证据”的方式向教练展示价值

上个月曼联对阵纽卡斯尔联的英超比赛中足球比赛预测，葡萄牙巨星克里斯蒂亚诺·罗纳尔多在第72分钟被换下时显得很不高兴，这在赛后登上了国际头条。 但很多球员都会有这样的感觉，因为没有人希望教练取代他们。

本届卡塔尔世界杯，球员们将用“更加循证”的方式向教练展示自己在场上的价值。 比赛结束后几分钟内，赛事组织者将向每位选手发送其场上表现的详细分析。 前锋可以看到他们跑了多少次以及错过了多少次。 防守队员可以看到当对手持球时他们进行了多少次干扰尝试。

这是数字技术在足球比赛中的最新应用。 如今，数据分析可以为球场内外的一切提供指导，从球员转会和训练强度到制定有针对性的战术和实时球场上的最佳传球路线。

同时，玩家面临的基本上是宇航员级别的数据审核。 如今，可穿戴背心和手环可以感知运动，使用 GPS 跟踪位置，并计算每只脚的射门次数。 多角度摄像机组捕捉一切信息，从空中对抗获胜的次数到球员持球的时间。 为了理解这些信息，大多数顶级团队都会聘请数据分析师，包括从微软和日内瓦附近的欧洲粒子物理实验室等计算巨头挖来的数学家、数据科学家和物理学家。

反过来，分析专家的见解正在改变足球的比赛方式。 前锋现在不太可能远射，边锋更倾向于传球而不是传中，教练更痴迷于前场高位逼抢——这些战术变化都有确凿的证据支持教练自己的布局。 。

“大数据开创了足球的新时代。” 科隆德国体育学院的一位体育科学家说道。 “它改变了球队的战术思维、行为方式、如何分析对手、如何培养人才、发现球员。”

综合的

大数据改变体育运动的一个著名例子来自棒球。 刘易斯在2003年出版的《点球成金》一书中详细描述了2002年担任奥克兰运动队总经理的比利·比恩如何依靠球员数据和非常有限的预算建立了一支获胜的棒球队。 比恩根据比赛表现的详细数据给球员打电话，其中包括以前未被注意到的指标，例如击球手上垒的频率。

比恩比足球界的人有优势。 说：“足球比棒球复杂得多。” 棒球本身是一种回合制比赛，只有进攻方才能在回合中得分。 而在过去的几十年里，棒球数据的收集和大规模研究已经成为常态。 相比之下，足球是一种动态的、低得分的侵略性游戏（双方球队都会时不时地获得和失去领土），因此记录球员的行为及其如何影响比赛结果要困难得多。 几十年来，足球统计学家更多地关注得分和失分，并试图建立模型来预测它们。

这种方法的变体至今仍被用来预测比赛结果。 牛津大学的几位流行病学家基于足球比赛中得分和失球分布在某个平均值附近的假设建立了一个数学模型。 该模型准确预测了意大利将在 2020 年欧洲杯上击败英格兰，并且还准确预测了晋级四分之一决赛的 8 支球队中的 6 支[1]。

这种成功绝非偶然。 2020年欧洲杯预测模型开发者、牛津大学博士生佩恩表示，利用统计方法预测比赛结果的准确性超出了很多人的预期。

“首先，根据每场比赛各队的总进球数以及对手的相对实力，计算出各队的攻防能力值。” 他说，“解方程得到上述两个能力值，然后你就可以很容易地预测每场比赛的结果。”对于本届卡塔尔世界杯，佩恩的模型显示，比利时（截至本期发稿） 《自然》杂志报道，比利时夺冠赔率高达14/1）最有可能举起大力神杯，其次是巴西（见下表“谁将赢得世界杯？”）。

完美的表现

对于教练来说足球比赛预测，他们更感兴趣的是有关场上各种事件以及球员如何影响这些事件的信息。

足球分析师一直在记录此类信息。 其中最成功的是里普，他是英国皇家空军的前会计师。 20世纪50年代，他花了很多时间观看英格兰比赛，观察球员站位和传球顺序等基本原理。 里普甚至利用他的数据来分析团队表现并提出战略和战术建议。 他为狼队带来了直截了当的打法，减少了横向传球，帮助狼队在五年内赢得了三个联赛冠军。

现代技术极大地简化了这些数据的收集和分析，因此大多数顶级俱乐部和许多国家队十多年前就开始雇用数据分析师。 数据的使用深入到英格兰足球联赛系统。 在攻读博士学位期间，佩恩还在牛津城足球俱乐部担任兼职数据分析师。 这是一家半职业俱乐部，属于英格兰国家联赛南部第六级。

许多分析师认为，伦敦布伦特福德足球俱乐部最近的成功部分归功于内部算法。 该算法对各个联赛的球员进行评分，并帮助球队在转会市场上引进被低估的球星。 利物浦足球俱乐部的数据团队包括曾在欧洲核子研究中心和剑桥大学工作的物理学家，他们建立了一个模型来评估球员在场上的行为是否更有可能进球。 里斯本大学的体育科学家在与西甲豪门巴塞罗那足球俱乐部合作时，去年发表了一项分析，研究球场上不同类型传球的机会窗口有多长[2]。

“我们‘在牛津城’做的最有用的事情就是赛前报道，”佩恩说。 “我们会观察对方球员的属性，并绘制图表来说明他们如何打球、如何跑动。我会据此给出一些战术建议或改变。” 在最近一场对阵牛津城的比赛之前，佩恩分析发现，对手的左后卫头球数据不佳。 他说：“所以我建议高前锋打右路。” 牛津城最终获胜。

这是经验丰富的球探仅凭眼睛就能看出的。 但佩恩表示，“数据比人更客观。”

俱乐部不需要自己生成用于战术分析的原始数据； 他们可以从商业公司购买。 后者将对比赛视频进行转码，记录场上近3000个重大事件，包括运球、传球和抢断。 最初，此类数据的记录是手动完成的，但现在已被计算机视觉等人工智能（AI）技术所取代。 通常，数据是与摘要统计数据一起生成的，例如每个球员的传球成功率。

今年早些时候，英国华威大学数学本科生马克斯与宾夕法尼亚大学合作开发了牛津市的模型。 该模型使用原始数据来评估牛津城联赛中所有球员的传球能力——这种详细的分析通常在商业公司提供的原始数据中是找不到的。

“你需要考虑他们传球的方式，而不仅仅是传球成功率，因为​​有些传球更困难，”马克斯说。 “这个模型可以帮助球队准备比赛。 如果你知道对手在场上的某些区域擅长传球，那么你就可以相应地防守。”

拉维曾在微软担任数据分析师。 2012年，他转会到当地的美国职业足球大联盟（MLS）俱乐部西雅图海湾人队（ ）从事类似的工作。 他的首要任务之一是使用 GPS 数据计算球员行驶的距离，以优化他们的训练和比赛准备时间。 “通过在训练时收集这些信息，你可以判断当天的训练量是否过多或过少，从而可以防止受伤。”

这有效吗？ “当我们使用这些方法时，我们确实在几个赛季取得了不错的成绩。但我不知道是否真的是因为这种方法，因为避免了多少伤病实际上是最难量化的事情。”

不确定性让人对数据有助于运动表现的说法产生怀疑，因为你无法进行受控实验来证明其效果。 不过，西雅图的教练表示对他的分析持开放态度，包括训练分析和球员能力评估。

“我可以和教练沟通，甚至直接去找球员，”他说。 “在其他俱乐部，情况有所不同。教练有时甚至不与数据分析师沟通。”

跑出相机

分析师现在越来越关注球员无球跑动的方式。

说道：“在足球分析中你经常听到的一件事是，我们需要了解球员在无球情况下如何移动。”

这项任务更加困难和昂贵足球比赛预测，因为它需要专门的相机。 摄像机不仅跟踪主要动作场景，还密切关注未直接参与这些场景的玩家，每秒记录他们的位置约 25 次。 他说，提供此类数据的公司通常与国家联盟签订独家协议，这使得外部人员很难获得这些数据。

“如果我想招募一名南美或欧洲球员，我将无法获得他们的无球指标，”他说。

近年来出现了一种更强大的技术，它使用人工智能来预测游戏镜头中玩家的动作，甚至是摄像机镜头之外的动作。 这意味着数据公司可以使用转播的比赛镜头（不受版权限制）对世界各地球员的运动进行全面分析，无论是场上还是场下。

谷歌的人工智能公司与利物浦足球俱乐部的数据团队合作开发了类似的预测模型[3]。

“通过这种应用程序，我们可以讨论战术或假设场景，”利物浦足球俱乐部研究总监伊恩说。 在辞去博士后职务并开始从事足球统计工作之前，他曾是剑桥大学高分子物理学的博士后。

“该模型可以模拟游戏中特定事件的数千种可能场景。 这样就可以评价比赛过程中某个进攻组织的流畅程度。”

动画展示了比赛中球员的实际跑动路线（深蓝色为进攻队，深红色为防守队）以及模型预测的镜头外球员的跑动路线。 灰色阴影区域是电视摄像机镜头 (FOV) 覆盖的区域，它跟随足球的运动（黑线）。 该模型预测FOV外进攻球员（绿色）和防守球员（橙色）的位置（双方的实际位置分别用浅蓝色和粉色标记）。 来源：

俱乐部的数据团队实际上并不想分享其工作或结果的具体细节，因此发表这篇论文对于利物浦来说有点勉强。 但这是他们合作的条件之一。

表示：“利物浦的分析部门是世界足坛规模最大、技术最先进的部门之一，但我们仍然缺乏独立构建这些模型的资源。” 这让他确信其他俱乐部无法做到同样的事情。

和其他数据分析师一样，他不愿意承认球场上的胜利直接归功于他。 “足球是一项充满变数的运动，所以球队经常会输掉不该输的比赛，赢下很难赢的比赛，”他说。 “从很多方面来看，球队表现不佳。我们的工作会更容易，因为我们的分析往往证明，只要我们保持这种战术风格，本赛季的胜利数量就会达到我们的预期。”

计算机科学家 Karl Tuyls 表示，离机建模是创建人工智能虚拟助理教练的第一步。 该系统使用实时数据来指导足球等体育运动的决策。 他说：“想象一下，AI观看了上半场比赛，然后建议改变下半场球队的阵型。”

图尔斯还表示，这种方法在体育以外的领域也很有用，例如对繁忙城市街道上自动驾驶汽车和行人的轨迹进行建模。

下一步是什么？ 和所有优秀的科学家一样，足球数据领域的专家强调，未来需要更多的研究。 萨拉·拉德 (Sarah Rudd) 是前微软数据科学家，曾在阿森纳从事分析工作近十年，去年离职。 她很羡慕赛车可以生成的大量遥测数据，这些数据可以帮助团队进行改进并提高性能。

“我们经常观看 F1，如果车队能够拥有这样的数据那就太好了，”她说。 “足球界有很多东西还没有被测量，或者正在被测量，但我们还不知道如何分析它们。”

反映球员方向或关注点变化的数据可能是足球数据分析的下一个发展方向。 “轨迹数据的精度可能仍然不理想，”拉德说。 “没有办法收集那种走走停停或重心变化的信息，这些变化可能会使防守者失去平衡或导致守门员犹豫。” 数据。”

即使是利物浦的人工智能驱动的分析模型也可能因为对球员位置的不完整了解而被愚弄。 “如果模型看到一名球员从这个位置开始，但没有，它可能会认为他犯了一个大错误，”他说。 “但这可能只是因为他绊倒并躺在草坪上。向上。”

随着如此多的数据涌入现代体育场，数据如何改变了比赛？

“我认为球员转会可能是受益最大的领域，”他说。 还有定位球战术，当球队获得任意球时使用。

数据分析得出的一条明确的经验法则是，球员的射门不应距离球门太远。 “如今，在世界各地的联赛中，球员们的投篮距离比十年前要近得多，”他说。 “那是因为数据分析师开始对玩家说，‘你为什么要从那个地方射击？命中率只有 2%！’” ”

他补充说，许多球队现在也不鼓励球员尝试长传到对手的禁区，因为统计数据显示这样的传球大多毫无意义。

随着越来越多的数据产生，就业机会的数量也会增加，“我觉得数据在当今的体育运动中无处不在，而且只会增加。”

参考：

1. 佩恩、MJ 和 ONE17，（2022 年）。

2. Gómez-, LI、Amaro e Silva, R.、Milho, J.、Ric, A. & , P.Sci。 报告 11, 9792 (2021)。

3.，S.等人。 科学。 报告 12, 8638 (2022)。

原文发表于2022年11月15日《自然》新闻专题版块，标题与世界杯：大数据有多大