13 de noviembre, 2019

Camp Nou, Barcelona

BARÇA SPORTS ANALYTICS SUMMIT 2019

2° EDICIÓN

ORADORES

pattern-plus-10

Dan Cervone

Director of Quantitative Research

Los Angeles Dodgers

 

 

pattern-plus-10

Jan Van Haaren

Football Analytics Manager

Univ. Leuven – SciSports

 

 

pattern-plus-10

Suds Gopaladesikan

Head Data Scientist – Information Systems Management

Benfica

pattern-plus-10

Sergio Llana

Data Scientist

FC Barcelona

 

UN MENSAJE DE LOS EXPERTOS

pattern-plus

PROGRAMA

  • MIÉRCOLES 13 DE NOVIEMBRE

Horarios

10:00
OPENING AND PRESENTATION OF THE FOOTBALL ANALYTICS GUIDE Albert Mundet
10:25
SPEAKERS INTRODUCTION AND EVENT GUIDELINES Javier Fernández
10:30
HOW TO STRENGTHEN A CLUB’S CULTURE THROUGH DATA ANALYTICS Suds Gopaladesikan (Benfica)
11:00
USING CONTEXTUAL PLAYER MOVEMENT AND SPATIAL CONTROL TO ANALYSE PLAYER PASSING TRENDS IN FOOTBALL Bart Spencer
11:30
EXPLAINABLE INJURY FORECASTING VIA MULTIVARIATE TIME SERIES AND CONVOLUTIONAL NEURAL NETWORKS Luca Pappalardo
12:00
Coffee Break
12:30
HOW AND WHY WE NEED CONTEXT TO ANALYSE BALL POSSESSIONS Sergio Llana (FC Barcelona)
13:00
ESTIMATION OF PLAYER LOAD METRICS USING BROADCAST DERIVED TRACKING DATA Jacob Mortensen
13:30
HEAD, SHOULDERS, HIP AND BALL... HIP AND BALL! USING POSE DATA TO LEVERAGE FOOTBALL PLAYER ORIENTATION Adrià Arbúes
14:00
Lunch
15:00
SCOUTING FOOTBALL PLAYERS BY SQUEEZING EVERY LAST DROP OUT OF MATCH EVENT DATA Jan Van Haaren (Univ. Leuven y SciSports)
15:30
DYNAMIC ANALYSIS OF TEAM STRATEGY IN PROFESSIONAL FOOTBALL MATCHES Laurie Shaw
16:00
Coffee Break
16:30
BASEBALL ANALYTICS IN THE AGE OF PLAYER TRACKING DATA Dan Cervone (Los Angeles Dodgers)
17:00
BEST RESEARCH PAPER ANNOUNCED
17:15
EXPERTS PANEL "Paths for the effective communication between data analysts and football experts"
18:00
Closing Ceremony

FINALISTAS DE LOS TRABAJOS DE INVESTIGACIÓN DEL BARÇA SPORTS ANALYTICS SUMMIT 2019

Using contextual player movement and spatial control to analyse player passing trends in football

La medición del control espacial de un equipo mediante modelos de movimiento que se ajustan al comportamiento promedio, subestiman la capacidad de los jugadores para realizar movimientos de alto esfuerzo (por ejemplo, la reorientación). Este trabajo presenta un método para producir modelos de movimientos probabilísticos teniendo en cuenta el contexto del movimiento. Los modelos se adaptaron a los movimientos de la muestra de la temporada 2018 de la MLS. El riesgo de pase se estimó a través del control espacial del equipo atacante y se utilizó para producir redes de los pase de los jugadores. Este análisis tiene aplicaciones para crear perfiles de los jugadores, tácticas y reclutamiento de jugadores.

Bart Spencer

Dynamic analysis of team strategy in professional football

Las formaciones de los equipos son la base de la táctica en el fútbol. Sin embargo, en el juego moderno, las formaciones son mucho más dinámicas y dependientes del estado del juego que lo que implica un “4-4-2” o “3-5-2”. En este documento se utiliza una gran muestra de datos de seguimiento para medir cómo varían las formaciones de los equipos a lo largo de un partido. Se analizan las transiciones de la defensa al ataque y se estudia el impacto de los principales cambios tácticos en los resultados de los partidos.

Laurie Shaw

Estimating Locomotor Demands During Team Play from Broadcast-Derived Tracking Data

Los datos de monitorización óptico permiten a los científicos en el ámbito del deporte, estudiar las métricas de carga externa utilizadas para comprender el desgaste físico que un partido o sesión de entreno le produce a un atleta. Desafortunadamente, los datos de seguimiento no están del todo disponibles. Las técnicas de Computer Vision permiten que el vídeo transmitido se convierta a coordenadas, facilitando la implementación de estos datos de seguimiento, pero los datos se censuran cuando los jugadores no están en la pantalla. En esta investigación, se ha desarrollado modelos que predicen las offscreen load metrics y demuestran la viabilidad de los datos de seguimiento derivados de las transmisiones para entender la carga externa en el fútbol.

Jacob Mortensen

Ready Player Run: Off-ball run identification and classification

Uno de los mayores inconvenientes en la monitorización de datos en el fútbol es la falta de un lenguaje común para describir las acciones que ocurren sin el balón, particularmente los patrones de movimiento de los jugadores. Este trabajo ofrece un método para identificar y clasificar las jugadas de posesión sin el balón en grupos similares para permitir un análisis más generalizable. El objetivo es crear un vocabulario de tipos de jugadas que se pueda utilizar para describir o analizar mejor las jugadas específicas y que se pueda consultar más fácilmente que los datos de seguimiento en bruto.

Sam Gregory

Automating insight extraction from football data visualizations

En este estudio se presentan métricas de similitud para generar mapas de calor y sonares de pases. También se ilustra cómo usarlos para encontrar jugadores que son particularmente similares o distintos en sus movimientos o intenciones de pases. También se define una herramienta visual para representar las intenciones de pase del jugador promedio, teniendo un mapa de calor fijo, y se usa para clasificar a los jugadores por su predictibilidad de pase. Por último, se presenta un marco para automatizar la extracción de insights a partir de variaciones en el mapa de calor de un jugador o sonar de pases con las circunstancias de tiempo o juego.

Daniel Girela

Landscapes of passing opportunities in Football – where they are and for how long are available?

Con los datos de posición de los jugadores en un partido de fútbol competitivo, se crearon paisajes de oportunidades de pases y se clasificaron en tres categorías de pases: i) penetrantes, ii) de apoyo y iii) hacia atrás. Estos paisajes, que se muestran en forma de mapas de calor, muestran más oportunidades de pase en la segunda mitad. Además, los resultados muestran que los pases penetrantes estuvieron disponibles durante períodos más cortos que los pases hacia atrás, que estuvieron disponibles durante períodos más cortos que los pases de apoyo. Esta herramienta personalizable proporciona conocimientos sobre la dinámica de ataque, lo cual permite el análisis del rendimiento colectivo e individual del jugador.

Luis Gómez-Jordana Martin

Explainable Injury Forecasting in Soccer via Multivariate Time Series and Convolutional Neural Networks

Las lesiones tienen un impacto significativo en el fútbol profesional, debido a su influencia en el rendimiento y el coste de la rehabilitación para los jugadores. Al usar un sistema electrónico de seguimiento del rendimiento (EPTS son la siglas en inglés), podemos representar el historial de la carga de trabajo de un jugador como una serie de tiempo multivariable (Multivariate Time Series, MTS). Esta MTS se puede utilizar para entrenar una Red Neural Convolucional que pronostica si un jugador se lesionará o no en una ventana de tiempo futura. Este pronosticador de lesiones es preciso y facil de entender, permitiendo al personal del club interpretar fácilmente la razón de la lesión de un jugador.

Luca Pappalardo

Head, Shoulders, Hip and Ball… Hip and Ball! Using Pose Data to Leverage Football Player Orientation.

La orientación ha demostrado ser una habilidad clave para que los jugadores de fútbol tengan éxito en un amplio espectro de jugadas. Sin embargo, la orientación corporal todavía es un área poco explorada en sport analytics. Al buscar la orientación 2D de la proyección de campo de un vector normal situado en el centro de la parte superior del torso de los jugadores, esta investigación presenta una novedosa técnica para extraer la orientación automáticamente de las grabaciones de vídeo mediante la combinación de la información de la pose y del contexto. Los resultados han sido validados con jugadores que utilizan un dispositivo EPTS, y se ha obtenido un error medio inferior a 35 grados/jugador.

Adrià Arbués-Sangüesa