toba60

Scienza e Sport: I Dati Stanno Rivoluzionando il Gioco del Calcio

Se qualcuno al termine della lettura vede il calcio alla stessa maniera, vuol dire che era distratto o ha sbagliato l’impostazione della lingua e non ha potuto capirne il suo contenuto.

Toba60

Meno dello 0,1% dei nostri lettori ci supporta, ma se ognuno di voi che legge questo ci supportasse, oggi potremmo espanderci, andare avanti per un altro anno e rendere ognuno di noi consapevole del fatto che il nostro lavoro è stato apprezzato..

Staff Toba60

I Dati Stanno Rivoluzionando il Gioco del Calcio

Il cipiglio di Cristiano Ronaldo è balzato agli onori della cronaca il mese scorso, quando il portoghese è stato sostituito a 18 minuti dalla fine della partita tra Manchester United e Newcastle. Ma questa reazione non è esclusiva di Ronaldo: pochi giocatori sono d’accordo quando il loro manager decide di metterli in panchina e far entrare un sostituto.

Durante la Coppa del Mondo appena iniziata in Qatar, i giocatori avranno più argomenti per difendere la loro presenza in campo. Poco dopo il fischio finale, gli organizzatori del torneo invieranno a ciascun giocatore un resoconto dettagliato della sua prestazione. Gli attaccanti potranno mostrare quante delle loro corse sono state ignorate, mentre i difensori avranno a disposizione dati per mostrare come hanno tormentato l’avversario quando erano in possesso.

Questa è l’ultima incursione dei numeri nel mondo del calcio. L’analisi dei dati sta già aiutando a gestire tutto, dai trasferimenti all’intensità degli allenamenti, dalle tattiche da utilizzare contro ogni avversario alle raccomandazioni sulla direzione di tiro da dove si è in campo.

Nel frattempo, i giocatori devono affrontare un esame più simile a quello degli astronauti. I gilet e le fasce che indossano sono in grado di rilevare i movimenti, di tracciare la loro posizione tramite GPS e di contare il numero di colpi effettuati con ogni piede. Le telecamere riprendono tutto da più angolazioni, dal momento in cui i giocatori tengono la palla alle palle aeree vinte. Per dare un senso a queste informazioni, la maggior parte dei team d’élite impiega analisti, tra cui matematici, scienziati dei dati e fisici provenienti da grandi aziende e laboratori, come Microsoft e il CERN, il laboratorio europeo di fisica delle particelle.

Le idee di questi analisti stanno modificando il modo di giocare: gli attaccanti non tirano più così tanto in avanti, le ali passano a un compagno invece di crossare e gli allenatori sono ossessionati dal riconquistare il possesso il più vicino possibile all’area di rigore avversaria. Tutti questi cambiamenti tattici si basano su prove solide che supportano l’intuizione dell’allenatore.

“I big data hanno inaugurato una nuova era nel calcio”, afferma Daniel Memmert, scienziato dello sport presso il German Federal Institute of Sport. “Hanno cambiato la filosofia e il comportamento delle squadre, il modo in cui analizziamo gli avversari, il modo in cui sviluppiamo i talenti e facciamo scouting dei giocatori”.

Statistiche avanzate

Uno degli esempi più famosi dell’influenza dei dati nello sport proviene da un gioco diverso. Nel suo libro Moneyball, Michael Lewis spiega come Billy Beane, presidente della squadra di baseball Oakland Athletics, si sia affidato alle statistiche avanzate per costruire una squadra vincente con un budget ridotto nel 2002. Beane reclutava i giocatori in base a dati dettagliati sulle prestazioni, compresi dati precedentemente sottovalutati come la frequenza con cui un battitore raggiungeva la base.

Beane aveva un vantaggio rispetto a chi cercava di fare lo stesso nel calcio. “Il calcio è molto più complesso del baseball”, spiega Memmert. Il baseball è un gioco con continue interruzioni e dove, in ogni momento, c’è solo una squadra che cerca di segnare punti. Inoltre, le statistiche sul baseball sono state raccolte e studiate regolarmente per decenni. Il calcio, invece, è un gioco di “invasione” (in cui si guadagna e si perde continuamente terreno), fluido e a basso punteggio, ed è molto più difficile registrare chi fa cosa e come questo influisce sul risultato. Per decenni, gli statistici del calcio si sono concentrati sui gol segnati e sui gol subiti, trovando un modo per modellarli e fare previsioni.

Varianti di questo metodo vengono utilizzate ancora oggi per prevedere i risultati delle partite. Un modello matematico che presuppone che i gol segnati e subiti siano distribuiti intorno a un valore medio, sviluppato da epidemiologi dell’Università di Oxford, ha previsto correttamente che l’Italia avrebbe battuto l’Inghilterra nella finale di Euro 2020. Inoltre, ha azzeccato sei degli otto quarti di finale.

E questi buoni risultati non sono un caso isolato. Le previsioni statistiche delle partite sono più accurate di quanto si pensi, sottolinea Matthew Penn, dottorando a Oxford che ha sviluppato il modello di Euro 2020.

“L’obiettivo è assegnare a ogni squadra un punteggio offensivo e uno difensivo, in base al numero totale di gol segnati da ciascuna squadra e alla difficoltà relativa degli avversari”, spiega. “Alla fine, si ottiene un grande sistema di equazioni per trovare queste due serie di punteggi, e poi è molto facile prevedere qualsiasi risultato. Per la Coppa del Mondo in Qatar, il modello di Penn suggerisce che il Belgio (che non è tra i favoriti dai bookmaker) è la squadra che ha più probabilità di vincere il trofeo, seguita dal Brasile.

CHI VINCERÀ LA COPPA DEL MONDO?

Un modello statistico ‘doppio Poisson’ che considera i punti di forza offensivi e difensivi di ciascuna squadra offre al Belgio le migliori possibilità di vincere la Coppa del Mondo in Qatar. I risultati mostrano alcune differenze significative per quanto riguarda il ranking FIFA .

*Nella 26a posizione
della classifica FIFA ; †Non si è qualificato per la Coppa del Mondo.

Ciò che interessa maggiormente agli allenatori sono le informazioni sullo svolgimento della partita e su come i giocatori l’hanno influenzata.

Gli analisti di calcio registrano da tempo queste informazioni. Uno dei maggiori successi è stato Charles Reep, un ex contabile della Royal Air Force britannica che ha trascorso gran parte degli anni Cinquanta a guardare le partite in Inghilterra e a fare osservazioni di base su fattori come la posizione in campo e le sequenze di passaggio. Reep ha poi utilizzato i suoi dati per analizzare le prestazioni della squadra e suggerire tattiche. Al Wolverhampton Wanderers ha contribuito a introdurre uno stile di gioco diretto e incisivo, che evitava i passaggi laterali e che gli ha fatto vincere tre campionati in cinque anni.

Le tecniche moderne rendono molto più facile ottenere e analizzare tali statistiche, il che ha portato la maggior parte dei club più importanti e molte squadre nazionali ad assumere analisti di dati per più di un decennio. E questa tendenza si estende anche ai livelli più bassi: oltre al dottorato, Penn lavora come analista di dati part-time per l’Oxford City, una squadra di calcio semi-professionale che compete nella National League South, la sesta serie inglese.

Molti analisti attribuiscono parte del recente successo del Brentford – club londinese che due stagioni fa è stato promosso nella massima serie inglese per la prima volta in 74 anni – a un algoritmo interno che classifica i giocatori di vari campionati e aiuta la squadra a scoprire i talenti nascosti. Il team di dati del Liverpool, che comprende fisici che hanno lavorato al CERN e all’Università di Cambridge, ha sviluppato un modello che valuta se le azioni di un giocatore in campo aumentano la probabilità di segnare un gol. Gli scienziati dello sport dell’Università di Lisbona, in collaborazione con il Futbol Club Barcelona, hanno pubblicato lo scorso anno un’analisi delle opportunità di passaggio nel corso di una partita, per diversi tipi di passaggi.

“Credo che la cosa più utile di tutto ciò che facciamo [all’Oxford City] siano i rapporti pre-partita”, dice Penn. “Analizziamo le caratteristiche dei giocatori della squadra avversaria ed elaboriamo grafici che mostrano come tendono a giocare e a muoversi. E poi do qualche consiglio o suggerisco modifiche tattiche”. Prima di una recente partita contro una squadra imbattuta, l’analisi di Penn ha rilevato che il terzino sinistro aveva statistiche scarse in aria. “Quindi il mio suggerimento era di mettere il nostro attaccante più alto sul lato destro del campo”, dice. E Oxford ha vinto la partita. Questo è il tipo di informazioni che uno scout esperto può ottenere a colpo d’occhio, ma, dice Penn, “i dati saranno sempre meno distorti dell’opinione di qualcuno”.

Le squadre non devono generare da sole i dati grezzi per questa analisi tattica: possono acquistare le informazioni da società private che analizzano i video delle partite per registrare l’esito di circa 3.000 azioni, come palleggi, passaggi e tackle. Inizialmente questi dati venivano ottenuti manualmente, ma ora si ricorre spesso alla “visione artificiale”, un tipo di intelligenza artificiale (AI). I dati sono spesso accompagnati da statistiche descrittive, come la percentuale di passaggi completati da ciascun giocatore.

Joanna Marks, che studia matematica all’Università di Warwick e lavora con Penn all’Oxford City, all’inizio di quest’anno ha sviluppato un modello che utilizzava questi dati grezzi per valutare l’efficienza dei passaggi di tutti i giocatori del campionato dell’Oxford. È il tipo di analisi dettagliata che di solito non è disponibile nei dati grezzi forniti dalle aziende.

“Bisogna guardare al tipo di passaggio che tentano. Non si può guardare solo alla percentuale di passaggi completati, perché alcuni sono molto più difficili di altri”, spiega Marks. “Il modello aiuta a preparare le partite, perché se si scopre che la squadra avversaria passa molto bene da una zona del campo, allora si sa a cosa fare attenzione”.

Ravi Ramineni ha lavorato come analista di dati presso Microsoft fino al 2012, quando ha accettato una posizione simile presso i Seattle Sounders di Washington, il club locale della US Soccer League. Uno dei suoi primi compiti è stato quello di utilizzare i dati GPS sulla distanza percorsa dai giocatori per ottimizzare le sessioni di allenamento e preparazione. “Raccogliendo questi dati durante l’allenamento, è possibile sapere se l’allenamento è stato troppo intenso o troppo morbido, per prevenire gli infortuni”.

Ha funzionato? “Abbiamo avuto delle ottime stagioni quando abbiamo applicato questi metodi. Ma non ne sono sicuro. La cosa più difficile da quantificare è se si è riusciti a evitare gli infortuni”.

Questa incertezza pone un problema quando si tratta di valutare il ruolo dei dati nel successo sportivo: non esiste un esperimento di controllo per verificare l’efficacia. Tuttavia, Ramineni afferma che gli allenatori dei Sounders sono stati ricettivi alla sua analisi, sia in allenamento che nel giudicare i punti di forza dei giocatori.

“Mi hanno dato una linea diretta con gli allenatori e ho potuto anche andare a parlare con i giocatori di persona”, racconta. “In altre squadre questo non accade. A volte il coach non interagisce nemmeno con l’analista dei dati”.

Assistenti virtuali

Gli analisti prestano sempre più attenzione al gioco senza palla. “Una cosa che si sente dire continuamente nell’analisi del calcio è che dobbiamo sapere cosa fa il giocatore quando non ha la palla”, sottolinea Ramineni.

È più difficile e costoso, perché richiede telecamere specifiche che non si limitino a seguire l’azione principale, ma monitorino i giocatori non direttamente coinvolti e taglino la loro posizione circa 25 volte al secondo. Le società che forniscono questo tipo di dati sono solite firmare contratti esclusivi con le leghe nazionali, sottolinea Ramineni, rendendo difficile l’accesso ad altri professionisti. “Se dovessi fare lo scouting di un giocatore internazionale del Sud America o dell’Europa per il campionato statunitense, non potrei guardare le sue statistiche senza un pallone”, dice.

Negli ultimi anni è emersa una tecnica più potente che sfrutta l’intelligenza artificiale per prevedere i movimenti dei giocatori nelle partite registrate, anche quando non sono inquadrati dalla telecamera. Ciò significa che le aziende produttrici di dati possono utilizzare i filmati delle partite – disponibili senza restrizioni – per eseguire analisi approfondite dei giocatori in qualsiasi parte del mondo, con e senza palla.

Uno di questi modelli predittivi è il risultato di un accordo tra i ricercatori di DeepMind, la divisione AI di Google, e il team dati del Liverpool. “Questo tipo di applicazione ci permette di porre domande tattiche o situazioni fittizie”, spiega Ian Graham, direttore della ricerca del Liverpool, che ha lasciato un post-doc in fisica dei polimeri all’Università di Cambridge per lavorare con le statistiche del calcio. “Per un particolare calcio della partita, il modello produce migliaia di simulazioni di cose diverse che sarebbero potute accadere. Così possiamo giudicare l’esito di un’azione d’attacco in quella fase del gioco.

<span>Esta animación compara los movimientos reales de los jugadores durante un partido de fútbol (</span><em>atacantes en azul oscuro, defensas en rojo</em><span>) con las predicciones de un modelo que prevé las trayectorias de los jugadores que están fuera de cámara. La zona sombreada en gris es el campo de visión de la cámara de televisión, que sigue el balón (</span><em>línea negra</em><span>). El modelo predice la posición de los atacantes (</span><em>verde</em><span>) y de los defensores (</span><em>naranja</em><span>) que están fuera del campo de visión, cuyas posiciones reales aparecen en azul claro y rosa, respectivamente. [Fuente: «</span><a href="https://sites.google.com/view/imputation-of-football">Multiagent off-screen behavior prediction in football</a><span>», Shayegan Omidshafiei et al./DeepMind]</span>

Questa animazione confronta i movimenti effettivi dei giocatori durante una partita di calcio (gli attaccanti in blu scuro, i difensori in rosso) con le previsioni di un modello che prevede le traiettorie dei giocatori fuori campo. L’area grigia ombreggiata è il campo visivo della telecamera che segue la palla (linea nera). Il modello prevede la posizione degli attaccanti (verde) e dei difensori (arancione) che si trovano al di fuori del campo visivo, le cui posizioni reali sono indicate rispettivamente in azzurro e in rosa. (Fonte: “Multiagent off-screen behaviour prediction in football”, Shayegan Omidshafiei et al./DeepMind).

I dipartimenti di analisi dei club non condividono spesso dettagli specifici su ciò che fanno o su quanto funzionano, quindi la pubblicazione di questo lavoro è stata imbarazzante per il Liverpool, ma era un requisito per lavorare con Deep Mind.

“Il Liverpool ha uno dei dipartimenti di analisi più grandi e sviluppati del mondo del calcio, e noi non abbiamo nemmeno lontanamente le risorse per sviluppare questi modelli da soli”, ammette Graham. Questo gli dà la tranquillità di sapere che nessun’altra squadra è in grado di farlo.

Come altri analisti di dati, Graham è riluttante a prendersi il merito dei successi sportivi. “Il calcio è caratterizzato da una grande variabilità, quindi le squadre spesso perdono quando non dovrebbero perdere e vincono quando non dovrebbero vincere”, afferma. “Per molti versi, il nostro lavoro è più facile quando la squadra va male, perché l’analisi di solito mostra che abbiamo giocato bene. E se continuiamo a giocare così, finiremo per vincere il numero di partite previsto per quella stagione”.

Karl Tuyls, scienziato computazionale di DeepMind, afferma che la modellazione fuori campo è il primo passo verso la creazione di un assistente virtuale dotato di intelligenza artificiale che utilizzi dati in tempo reale per facilitare il processo decisionale nel calcio e in altri sport. “Possiamo immaginare un sistema di intelligenza artificiale che esamini le prestazioni del primo tempo e suggerisca un cambiamento tattico che potrebbe produrre risultati migliori”, condivide l’esperto.

Questo approccio potrebbe essere utile anche in altri ambiti, ad esempio per modellare le traiettorie delle auto senza conducente e dei pedoni in una strada trafficata, aggiunge Tuyls.

Cambiamenti di gioco

Qual è il prossimo passo? Come ogni scienziato, gli esperti che analizzano i dati sul calcio sottolineano che sono necessarie ulteriori ricerche. Sarah Rudd, ex data scientist di Microsoft che ha lasciato l’Arsenal l’anno scorso dopo quasi un decennio di lavoro come analista presso il club londinese, invidia la grande quantità di dati telemetrici che le auto da corsa producono, consentendo agli ingegneri di mettere a punto e migliorare le loro prestazioni.

“Guardiamo sempre alla Formula 1 e diciamo che sarebbe fantastico essere a quel livello”, rivela. “Nel calcio ci sono ancora molte cose che non vengono misurate, e altre che vengono misurate ma non sappiamo ancora come sfruttarle”.

Il prossimo passo avanti potrebbe essere quello di raccogliere dati che riflettano l’orientamento dei giocatori, o anche il modo in cui distribuiscono il loro peso. “I dati di tracciamento potrebbero non avere ancora il livello di dettaglio che le persone stanno cercando”, riconosce Rudd. “Non riescono ancora a cogliere quella piccola finta o quello spostamento di peso che un giocatore fa per sbilanciare il difensore o ingannare il portiere”.

La conoscenza incompleta della posizione di un giocatore può essere un problema anche per l’analisi basata sull’intelligenza artificiale del Liverpool. “Il modello potrebbe concludere che un giocatore ha sbagliato perché avrebbe dovuto iniziare a correre a un certo punto e non l’ha fatto”, illustra Graham. “Ma forse è perché era appena inciampato e giaceva a terra”.

Quali sono i cambiamenti nel gioco che hanno portato a questa valanga di dati che il calcio moderno sta vivendo? “Direi che il reclutamento dei giocatori è l’area in cui l’investimento porta il maggior numero di conti”, dice Ramineni. Ma un’altra area importante è quella dei calci piazzati, quando una squadra esegue un calcio di punizione dopo che il gioco si è fermato.

Una conclusione chiara che si può trarre dall’analisi dei dati è che i giocatori non dovrebbero tirare da lontano fuori dall’area di rigore. “Se si guarda a qualsiasi campionato del mondo, la distanza da cui i giocatori tirano in porta era molto maggiore dieci anni fa”, sottolinea Ramineni. “Questo è successo perché gli analisti dei dati hanno iniziato a dire: ‘Perché tiri da lì – c’è solo il 2% di possibilità [di segnare]!'”. Molte squadre stanno anche chiedendo ai loro giocatori di non tentare i cross lunghi in area, aggiunge, dopo che le statistiche hanno dimostrato che la maggior parte di essi non generava pericoli.

E con la crescita del volume di dati generati, cresceranno anche le opportunità di lavoro, conclude Ramineni. “Penso che i dati stiano già lasciando il segno in tutti gli aspetti dello sport e ormai non si può più tornare indietro”.

David Adam

Fonte: nature.com

SOSTIENICI TRAMITE BONIFICO:
IBAN: IT19B0306967684510332613282
INTESTATO A: Marco Stella (Toba60)
SWIFT: BCITITMM
CAUSALE: DONAZIONE

Comments: 0

Your email address will not be published. Required fields are marked with *