SKOR-xG: ANCHE LA POSTURA DEL CORPO ENTRA NEL MODELLO

C'è una scena che ogni tifoso di calcio ha visto centinaia di volte.

Pallone in area, attaccante spalle alla porta, traversone basso che gli arriva alla coscia: una rovesciata acrobatica con tre difensori intorno.

Il pallone finisce in rete.

Per qualunque modello xG oggi in circolazione, quel tiro vale più o meno quanto un destro piazzato dalla stessa identica posizione del campo.

Ma chi ha guardato l'azione sa che non è la stessa cosa.

La differenza tra le due conclusioni non è dove sono i giocatori.

È come sono i giocatori.

E un paper presentato al CVPR 2025 ha trovato il modo di farla entrare nel modello.

Il limite delle coordinate 2D

I modelli xG attuali — anche i più sofisticati — lavorano sostanzialmente con coordinate.

Posizione del tiratore, posizione del portiere, posizione dei difensori più vicini, angolo, distanza, parte del corpo che colpisce, situazione di gioco.

È un'ontologia bidimensionale: il calcio visto dall'alto, ridotto a una serie di punti su un piano.

Funziona benissimo per la grande maggioranza dei tiri, ma ha un punto cieco strutturale.

Non vede i corpi. Non vede se l'attaccante arriva sul pallone bilanciato o in caduta, se il portiere è in posizione neutra o già in tuffo dalla parte sbagliata, se il difensore in copertura ha le anche aperte o chiuse rispetto al pallone.

Tutto questo, nel calcio reale, conta.

Conta molto.

E fino a oggi era informazione che il modello buttava via per costruzione.

Skor-xG: gli scheletri 3D entrano nel modello

Il paper Skor-xG: SKeleton-ORiented Expected Goal Estimation in Soccer (Xu, Bretzner, Wang, Maki — KTH Royal Institute of Technology, CVPR Workshops 2025, pp. 6013-6023) propone il primo framework xG che integra scheletri 3D dei giocatori nella stima della probabilità di gol.

Per ogni tiro, gli autori ricostruiscono la postura completa di tutti i giocatori coinvolti — tiratore, portiere, difensori, compagni — sotto forma di nodi articolari (giunture corporee) tracciati nello spazio tridimensionale e nel tempo.

Il tiro non viene più rappresentato come un punto sul campo, ma come un grafo spazio-temporale. I nodi sono parti del corpo dei giocatori e il pallone; gli archi codificano relazioni anatomiche (le articolazioni di uno stesso giocatore sono connesse tra loro) e relazioni di interazione (le parti del corpo dei giocatori sono connesse al pallone).

L'evoluzione nel tempo cattura la dinamica: come si muove il tiratore nei secondi precedenti, come reagisce il portiere, come si dispongono i corpi dei difensori.

Su questa struttura gli autori applicano una Graph Neural Network basata su GATv2 (Graph Attention Network v2), un'architettura che permette al modello di pesare in modo adattivo l'importanza delle diverse relazioni.

Il pallone, banalmente, "guarda" più alle parti del corpo che lo stanno per colpire o intercettare che a quelle distanti.

È matematica che mima — finalmente — il modo in cui un osservatore umano legge un'azione.

I numeri del confronto

Skor-xG viene confrontato con tre baseline: una regressione logistica, un XGBoost addestrato su feature ingegnerizzate, e — particolare cruciale — la stessa GATv2 senza dati di scheletro. Le metriche di valutazione seguono lo standard Van Haaren et al.: Brier Score, Log Loss, ROC-AUC ed Expected Calibration Error.

Il risultato chiave non è solo che Skor-xG vince.

È che la GATv2 senza scheletri performa in modo comparabile a Logistic Regression e XGBoost. Tradotto: l'architettura grafica da sola non basta.

Sono i dati di scheletro a fare la differenza, e in particolare a migliorare la calibrazione del modello — l'ECE più basso indica che le probabilità prodotte da Skor-xG sono più affidabili come probabilità, non solo come ranking.

Il caso di studio più eloquente è proprio quello della rovesciata.

Gli autori riportano un esempio concreto: un tiro acrobatico in cui Logistic Regression, XGBoost e la GATv2 senza scheletri assegnano un xG relativamente alto, mentre Skor-xG assegna 0,12 — un valore molto più aderente alla difficoltà tecnica reale dell'azione. Il modello, di fatto, riconosce la postura del tiratore e capisce che colpire il pallone in quella configurazione corporea riduce drasticamente la probabilità di realizzazione, indipendentemente dalla posizione sul campo.

Cosa cambia, e per chi

Il punto interessante non è il singolo numero, ma cosa significa avere un xG sensibile alla postura. Significa che la valutazione di un attaccante può finalmente distinguere tra chi converte tiri "tecnicamente facili" e chi converte tiri "tecnicamente difficili" — una distinzione che oggi viene fatta a occhio dagli scout e che nessun modello quantitativo cattura.

Significa che la valutazione di un portiere può smettere di basarsi su PSxG calcolato da coordinate e iniziare a tener conto del fatto che era già in movimento dalla parte sbagliata. Significa che il pricing di un giocatore può integrare una dimensione di qualità tecnica che fino a ieri era informazione esclusivamente video.

Il tema, ovviamente, è la disponibilità del dato.

Tracking 3D con pose estimation completa non è ancora uno standard di mercato: serve hardware dedicato o algoritmi di computer vision applicati al broadcast, e i costi non sono banali. Ma la direzione è chiara, e gli stessi autori la sottolineano: man mano che il tracking 3D diventa più accessibile, lo scheletro si stabilisce come una dimensione informativa nuova del calcio, accanto a posizione ed eventi.

Per chi costruisce modelli oggi, il messaggio è doppio.

Da un lato, lo stato dell'arte si sta muovendo verso rappresentazioni del calcio molto più ricche di quelle attuali — e chi resta fermo all'xG tradizionale lavorerà presto con uno strumento di una generazione precedente.

Dall'altro, c'è un'opportunità competitiva concreta per chi inizia a integrare dati di postura nei propri pipeline, anche solo come variabile complementare.

Il calcio in 2D ha avuto quindici anni di vantaggio.

Quello in 3D inizia adesso.