BIHUB PATH

February 26, 2019

Tecnologia & Inovação
Análise e Tecnologia Desportiva
Rendimento Desportivo

A ORIENTAÇÃO DE UM JOGADOR COMO CHAVE PARA OS MODELOS PREDITIVOS NO FUTEBOL

Esta semana, Carlos Rodríguez irá ao OptaPro Forum apresentar o estudo que está a ser realizado no clube sobre a orientação corporal dos jogadores em diferentes situações de jogo. Estivemos com ele, a ouvir uma breve explicação do projeto.

 

—Porquê a orientação?

Quando analisamos e estudamos o que está a acontecer no campo, dispomos de todos os dados relativos ao posicionamento dos jogadores por meio do tracking. No entanto, não sabemos nada sobre a orientação, que é um dado fundamental, uma vez que está intimamente ligada ao posicionamento e entra em consonância com ele. Para isso, utilizamos imagens de vídeo, separando cada fotograma e recortando o esqueleto do jogador. Através do Machine Learning podemos vir a prever com maior segurança a orientação de todos os jogadores.

Jogador a correr

Hoje em dia, os modelos estatísticos não refletem devidamente os jogadores, dando a ideia de que eles podem passar a bola em qualquer direção, independentemente de qual seja a sua orientação, como se fossem omnipresentes. Se introduzirmos a orientação, os modelos poderão tornar-se mais realistas e ser uma mais valia para os relatórios dirigidos ao corpo técnico.

Não há dúvidas de que quase todos os técnicos treinam muito a orientação com os jogadores, para poderem saber sempre como encarar as diversas situações com que eles se poderão deparar no campo, tanto no ataque como na defesa.

 

—Como estamos, em termos de desenvolvimento e incorporação dessas novas variáveis?

—Estamos num momento de grande mudança e disrupção em termos de análise de dados e de criação de modelos preditivos. Com o futebol a tornar-se numa área cada vez mais específica e técnica, as novas tecnologias avançam mais rapidamente, permitindo o desenvolvimento de novos modelos estatísticos. Desde há 4 ou 5 anos que já dispomos de dispositivos de tracking de variáveis posicionais fiáveis e, agora, começamos a entrar no campo da visão computacional.

Temos diante de nós todo um novo campo que nos permite combinar os diversos dados para criar modelos de previsão mais robustos. Há cerca de 5 anos, ninguém poderia imaginar o que já estamos a fazer hoje em dia.

 

—Apaixonante! Que tipo de utilidade e aplicações advêm da medição da orientação?

Alguns são muito interessantes, não só para o técnico, mas também para os membros do staff técnico. Por exemplo, nos treinos, podemos saber em que direção corre cada jogador (para a frente, para trás ou para os lados) e, consoante o tipo de deslocação, perceber que músculos e articulações estão a ser mobilizados. Graças à orientação, podemos personalizar melhor as cargas de trabalho de cada jogador e, assim, criar programas mais realistas e adaptados às necessidades de cada jogador e da sua posição.

Outro exemplo prático é que ajuda a melhorar o modelo estatístico de “pitch control”. Neste momento, este modelo já contempla as variáveis da posição e da velocidade. Se um jogador estiver a correr para trás, o modelo deteta que está a gerar espaço nas suas costas, por estar a deslocar-se para trás. Na realidade, isso não é assim: o espaço que controla é o espaço que tem à sua frente. Por outro lado, se incorporarmos esta variável, melhoramos o modelo, tornando-o mais realista relativamente ao que está a acontecer no terreno de jogo.

 

—E para os jogadores?

—Há casos em que o significado melhora com a orientação, como quando, por exemplo, se recebe a bola. Quando se tem a bola, tem-se duas opções: conduzi-la ou passá-la a outro jogador. Sabendo a orientação, pode-se determinar qual é a melhor ação entre o atacante e o defesa. Se não houver ninguém no campo visual, em princípio, o melhor é conduzir. Da mesma forma, os jogadores também podem perder a bola, por não estarem bem orientados. Podemos melhorar estas situações no futuro com relatórios personalizados que analisem as distintas casuísticas dos jogadores.

E também podemos incorporar a orientação no modelo de probabilidade de passe. O que passa a bola não pode passá-la a todos os lados, e faz um passe curto, se vir o recetor da bola, ou um passe em profundidade, se estiver numa orientação diferente da do recetor. Neste momento, só se consideram os passes curtos. Com esta nova variável, podemos ver a probabilidade de fazer diferentes tipos de passes que ainda não são contemplados.

 

—Como é que se representam esses dados?

—É importante sintetizar toda esta informação de uma forma visual e intuitiva, para que todas as partes implicadas possam entendê-la. É muito fácil perdermo-nos com tantos dados, pelo que é fundamental representá-los de uma forma simples, que explique o conceito-chave que se pretende transmitir. Como observaram Javier Fernández e Raúl Peláez, no Barça Sports Analytics do ano passado, esta parte do processo é vital, pois, caso contrário, o trabalho realizado não servirá para nada, por ser incompreensível. No futuro, as equipas de análise de dados integrarão também designers de UI/UX para lhes darem forma.

Representação visual do modelo de orientação.

KNOW MORE

¿VOCÊ QUER SABER MAIS?

  • ASSINAR
  • CONTATO
  • CANDIDATAR-SE

FIQUE ATUALIZADO COM NOSSAS NOVIDADES

Você tem dúvidas sobre o Barça Universitas?

  • Startup
  • Centro de investigação
  • Corporate

Por favor, preencha os campos:

Por favor, preencha os campos:

Por favor, preencha os campos:

O formulário foi enviado com sucesso.

Por favor, preencha os campos:

Por favor, preencha os campos:

Por favor, preencha os campos:

O formulário foi enviado com sucesso.

Por favor, preencha os campos:

Por favor, preencha os campos:

Por favor, preencha os campos:

O formulário foi enviado com sucesso.