Mentre gli Expected Goals (xG) si basano sul contesto specifico di valutare la probabilità di successo di un'occasione da gol, i modelli di Expected Threat (xT) adottano un approccio diverso, utilizzando dati storici per assegnare ad ogni zona di campo un valore uguale alla probabilità che avere il possesso in quella zona porti a concludere l’azione con un gol.
I modelli xT sono strutturati in modo da fornire un'analisi che supera la semplice valutazione del tiro, permettendo di misurare l'evoluzione della pericolosità di una squadra durante una partita. Questo avviene osservando le zone del campo controllate e apprezzando le azioni individuali che spostano la palla da aree di basso xT (meno pericolose) a zone di alto xT (più pericolose).
Applicando il modello xT a singole azioni come passaggi e dribbling, si può quantificare il valore aggiunto da un giocatore nel corso della fase di possesso, spostando il pallone da un'area all'altra. Questo colma una lacuna nell'analisi calcistica, riconoscendo l'importanza di giocatori che giocano un ruolo cruciale nell'impostazione o nella creazione di gioco, ma che non sono direttamente coinvolti nell'ultima fase dell'azione offensiva.
Ma come si calcola il valore xT di un'azione specifica?
Il valore di un'azione è dato dalla differenza tra la probabilità di segnare associata alla zona in cui la palla arriva e quella della zona da cui parte.
Il campo di gioco viene suddiviso in micro-aree, e ad ognuna di queste micro-aree è attribuito un valore basato sulla probabilità che, se la squadra ha il possesso in quella zona, l'azione possa concludersi con un gol.
Ogni zona del campo ha un valore xT dato dalla probabilità che controllare il pallone in quella zona del campo porti a concludere l’azione con un gol. In questo caso la zona di partenza ha una probabilità realizzativa del 0.9%, quella di arrivo del 18.4%
In questa situazione, stiamo analizzando un passaggio che inizia da un'area del campo con un valore xT di 0.009, il che significa che, avendo il possesso in quella zona, la squadra ha solo lo 0.9% di probabilità di concludere l'azione con un gol.
Il passaggio termina invece vicino alla porta avversaria, in un'area con un valore xT di 0.184, indicando che, con il possesso in quella zona, la probabilità di segnare un gol aumenta al 18.4%.
Di conseguenza, il valore xT di questo passaggio si calcola come la differenza tra le probabilità di segnare un gol nel punto di arrivo e quello di partenza.
Questo significa che il passaggio ha aumentato la probabilità di concludere l'azione con un gol del 17.5%, passando dallo 0.9% al 18.4%.
Il concetto di xT ha una storia breve, ha origine dal lavoro di Karun Singh.
Singh ha ampliato l'applicazione delle probabilità a situazioni del gioco che sono lontane da un tiro o un passaggio decisivo, con l'obiettivo di valutare meglio il contributo di quei giocatori che influenzano significativamente la pericolosità di un'azione ben prima del suo completamento.
Tuttavia, la struttura metodologica dell'xT ha radici più profonde, che molti attribuiscono al lavoro di Sarah Rudd, attualmente Direttrice dell'Analytics e Software Development dell'Arsenal.
Rudd è stata una pioniera nell'uso delle Catene di Markov per assegnare un valore a ogni singola azione durante la fase di possesso.
Il principio fondamentale è lo stesso: quantificare il valore di tutte le azioni individuali che contribuiscono al valore complessivo di un'azione.
Per esemplificare, consideriamo un passaggio filtrante di Di Maria.
L'argentino si posiziona per ricevere la palla mentre Icardi corre a fianco.
La palla si trova appena oltre il centrocampo, ancora lontana dalle zone considerate pericolose.
Basta una finezza del Fideo per spostare il possesso dalla trequarti al cuore dell’area di rigore. Icardi in scivolata cerca di rimetterla dentro l’area ma non trova nessun compagno. L’ex capitano dell’Inter non trova l’assist e a Di Maria non verrà riconosciuto nulla se non un +1 sulla casella dei passaggi filtranti.
La giocata può essere però correttamente valutata grazie ai modelli di expected threat.
Nella zona di campo da cui parte il passaggio di Di Maria il valore del possesso parigino è ancora basso, a quell’altezza la probabilità che l’azione si concluda con un gol è di poco superiore all’1%.
La zona in cui riceve palla Icardi è invece sicuramente più vantaggiosa. A pochi passi dal portiere avversario — seppur al lato dell’area piccola — il possesso vale di più. A questo punto il Paris ha una probabilità di andare a segno pari al 7.3%
La giocata di Di Maria è così quantificabile come la differenza tra le due probabilità. Con il suo filtrante il Fideo ha aumentato del 6.2% la probabilità che il PSG concludesse l’azione con un gol (il valore xT del passaggio sarà quindi pari a 0.062).
L’xT nella Serie A 20/21
Per ora abbiamo utilizzato i modelli di expected threat nel contesto della singola giocata ma quali informazioni possiamo ricavare se aggreghiamo i valori dei singoli giocatori nell’arco di un intero campionato?
Prendiamo come esempio la Serie A nella stagione 2020/2021.
La classifica dei 20 giocatori con il maggior xT accumulato attraverso i passaggi è un risultato diretto della somma del valore xT aggiunto di ciascun passaggio completato nel campionato italiano durante quella stagione.
Ricordando il passaggio di Di Maria, con un valore xT di 0.062, possiamo comprendere meglio questo concetto.
Il totale del valore xT di Di Maria per la stagione della Ligue 1 sarebbe la somma dei valori xT di tutti i suoi passaggi completati che hanno trasferito il pallone in zone più pericolose del campo.
Nella Serie A, nella stagione 2020/2021, la classifica dei giocatori con il più alto xT aggiunto attraverso i passaggi è guidata da Dimarco e De Paul.
Questo indica che questi giocatori sono stati particolarmente efficaci nel creare opportunità di gol per le loro squadre, trasferendo il pallone in zone del campo dove la probabilità di segnare aumentava significativamente.
Questo approccio alla valutazione fornisce una visione più dettagliata e sfumata delle prestazioni dei giocatori.
Il 9.64 di Dimarco è dato dalla somma del valore xT incrementale dei singoli passaggi effettauti dal terzino ex-Verona nello scorso campionato.
Dimarco e De Paul hanno entrambi avuto ruoli chiave nella creazione del gioco per Verona e Udinese.
Tuttavia, la distribuzione del loro valore xT differisce notevolmente.
Mentre per De Paul il valore xT è distribuito più equamente tra i cross e gli altri tipi di passaggi, per Dimarco i cross rappresentano la fonte principale del suo alto xT.
Infatti, il 66% del valore xT totale del terzino, ora all'Inter, deriva dai suoi cross.
Questa predominanza dei cross nel gioco di Dimarco è così marcata che, quando si considerano solo i valori xT accumulati tramite passaggi esclusi i cross, Dimarco esce dalla top 20.
In questa classifica rivista, la prima posizione è occupata da Luis Alberto della Lazio, che conferma la sua rilevanza nell'aumentare la pericolosità del gioco della Lazio anche in una stagione in cui ha fornito l'assist decisivo solo in due occasioni.
Tuttavia, l'importanza di Luis Alberto in fase di rifinitura è sottolineata dagli 8.2 xG assistiti accumulati.
La classifica rivela anche l'importanza di Hakimi nel valorizzare le combinazioni sulla fascia destra dell'Inter.
Mette in luce come il contributo di Cuadrado alla manovra della Juventus nella scorsa stagione fosse ben più ampio dei soli cross dalla trequarti.
Inoltre, evidenzia la verticalità di Manuel Locatelli, un giocatore spesso etichettato come "troppo orizzontale".
In realtà, solo Luis Alberto e De Paul tra i centrocampisti hanno registrato un valore xT superiore a quello dell'ex giocatore del Sassuolo.
Ultime considerazioni sugli xT
Quando si utilizzano i modelli di expected threat (xT), è importante considerare alcune limitazioni fondamentali legate alla natura dei dati utilizzati.
Limitazioni dei Dati Evento
Dati Basati Solo sul Pallone: I modelli xT tradizionali si basano sui dati evento, che tengono conto principalmente della posizione del pallone e non includono la posizione dei giocatori compagni e avversari. Questo può portare a una valutazione incompleta dell'azione, poiché non considera la configurazione spaziale dei giocatori in campo.
Manca la Dinamica di Gioco: Senza considerare la posizione e i movimenti dei giocatori, il modello non riesce a catturare completamente la dinamica e il contesto di una situazione di gioco, che sono cruciali per comprendere pienamente la pericolosità di un'azione.
Integrazione con il Player Tracking nei Contesti Avanzati
In ambienti più avanzati, come i reparti di analisi dei club di calcio di primo livello, l'integrazione dei dati provenienti dal player tracking con i modelli xT potrebbe permettere la costruzione di modelli più complessi e descrittivi.
Questi modelli avanzati potrebbero offrire una migliore valutazione della qualità del possesso e delle azioni di gioco, tenendo conto della posizione e del movimento dei giocatori, non solo della palla.
Limitazioni del Modello di Karun Singh
I dati aggregati utilizzati nell'esempio della Serie A 20/21 sono basati sul modello di Karun Singh. Questo modello tende a sovrastimare il valore di giocatori che completano un alto numero di cross.
I cross, partendo spesso da zone di campo a bassa pericolosità e diretti nelle aree più calde dell'area di rigore, hanno di per sé un valore xT elevato.
Tuttavia, è importante notare che la percentuale di cross che effettivamente portano a un gol è generalmente inferiore rispetto ad altri tipi di passaggi chiave.
Questa differenza nell'efficacia tra cross e altri tipi di passaggi dovrebbe essere riflessa anche nei modelli xT, per fornire una valutazione più accurata e bilanciata.
L'evoluzione futura di questi modelli potrebbe includere una maggiore integrazione con dati più complessi, come quelli del player tracking, per arricchire ulteriormente la nostra comprensione della dinamica del gioco e del valore reale delle azioni dei giocatori sul campo.
Комментарии