Caracterização de Estratégias de Futebol com base na Frequência, Importância e Efetividade de Jogadas

• Gabriel Valadao Universidade Federal de Minas Gerais
• João L. L. Gonçalves Universidade Federal de Minas Gerais
• João L. L. Megale Universidade Federal de Minas Gerais
• Vinicius M. Paula Universidade Federal de Minas Gerais
• Hugo Rios-Neto Universidade Federal de Minas Gerais
• Adriano C. M. Pereira Universidade Federal de Minas Gerais
• Wagner Meira Jr. Universidade Federal de Minas Gerais

DOI: https://doi.org/10.5753/eniac.2023.234936

Resumo

Entender e prever resultados em futebol é um desafio pela complexidade do jogo em si, pelo número e diversidade dos jogadores envolvidos e mesmo por fatores externos que nem sempre são qualificáveis ou quantificáveis. Por outro lado, há todo um esforço no sentido de treinar os times e prepará-los para agir e reagir adequadamente a uma variedade de cenários, o que indica a existência de estratégias. Este artigo tem por objetivo caracterizar essas estratégias de futebol, com foco em como o time se comporta coletivamente. Estratégia de futebol é definida como um conjunto de jogadas que devem ser frequentes, importantes e efetivas, que são critérios normalmente conflitantes. É proposta uma metodologia para identificar essas estratégias, a qual é implementada e avaliada usando dados reais de temporadas de ligas. Os resultados mostram que a metodologia proposta permite caracterizar estratégias dos diferentes times.

Palavras-chave: mineração de dados, aprendizado de máquina, ciência de dados aplicada ao futebol

Referências

Davis, J., Bransen, L., Devos, L., Meert, W., Robberechts, P., Van Haaren, J., and Van Roy, M. (2022). Evaluating sports analytics models: Challenges, approaches, and lessons learned. In AI Evaluation Beyond Metrics Workshop at IJCAI 2022, volume 3169, pages 1–11. CEUR Workshop Proceedings.

Decroos, T., Bransen, L., Van Haaren, J., and Davis, J. (2019). Actions speak louder than goals: Valuing player actions in soccer. In Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining, pages 1851–1861.

Decroos, T., Roy, M. V., and Davis, J. (2020). Soccermix: Representing soccer actions with mixture models. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases, pages 459–474. Springer.

Decroos, T., Van Haaren, J., and Davis, J. (2018). Automatic discovery of tactics in spatio-temporal soccer match data. In Proceedings of the 24th ACM 14 SIGKDD International Conference on Knowledge Discovery & Data Mining, pages 223–232.

Ensum, J., Pollard, R., and Taylor, S. (2004). Applications of logistic regression to shots at goal in association football: Calculation of shot probabilities, quantification of factors and player/team. Journal of Sports Sciences, 22(6):500–520.

Fernández, J., Bornn, L., and Cervone, D. (2021). A framework for the fine-grained evaluation of the instantaneous expected value of soccer possessions. Machine Learning, 110(6):1389–1427.

Godfrey, P., Shipley, R., and Gryz, J. (2007). Algorithms and analyses for maximal vector computation. The VLDB Journal, 16(1):5–28.

Green, S. (2012). Assessing the performance of premier league goalscorers. OptaPro Blog.

Harper, J. (2021). Data experts are becoming football’s best signings. BBC News.

Malqui, J. L. S., Romero, N. M. L., Garcia, R., Alemdar, H., and Comba, J. L. (2019). How do soccer teams coordinate consecutive passes? a visual analytics system for analysing the complexity of passing sequences using soccer flow motifs. Computers & Graphics, 84:122–133.

McCarthy, C., Tampakis, P., Chiarandini, M., Randers, M. B., Jänicke, S., and Zimek, A. (2023). Analyzing passing sequences for the prediction of goal-scoring opportunities. In Machine Learning and Data Mining for Sports Analytics: 9th International Workshop, MLSA 2022, Grenoble, France, September 19, 2022, Revised Selected Papers, pages 27–40. Springer.

Pappalardo, L., Cintia, P., Rossi, A., Massucco, E., Ferragina, P., Pedreschi, D., and Giannotti, F. (2019). A public data set of spatio-temporal match events in soccer competitions. Scientific data, 6(1):236.

Pei, J., Han, J., Mortazavi-Asl, B., Wang, J., Pinto, H., Chen, Q., Dayal, U., and Hsu, M. (2004). Mining sequential patterns by pattern-growth: The prefixspan approach. IEEE Trans. Knowl. Data Eng., 16(11):1424–1440.