SPORT DATA ANALYST: EXPECTED POSSESSION VALUE (EPV)

Cos’è l'EPV?

EPV misura il valore atteso di un possesso in ogni istante, ovvero la probabilità che la squadra in controllo palla segni (o, simmetricamente, subisca) il prossimo gol dato lo stato corrente del gioco: posizione della palla, posizionamenti/velocità dei 22 giocatori, contesto temporale e scelte disponibili (passare, condurre, tirare, perdere).

A differenza del comune xG (che valuta solo il tiro) e di xT (che valuta il “pericolo” per spostamenti palla→zone), EPV scompone l’intero possesso in sotto-modelli e stima il valore di tutte le azioni potenziali/realizzate lungo la sequenza, con interpretabilità visiva e quantitativa.

Architettura “decoupled” e basi metodologiche

I modelli EPV moderni scompongono il problema in componenti:

1. Politica d’azione: stimare, dallo stato corrente, le probabilità di scegliere passaggio/tiro/carry/perdita;

2. Modelli di esito: per ogni azione possibile, inferire la distribuzione degli stati successivi (es. superfici di ricezione per passaggi);

3. Head di valore: stimare, per ogni stato futuro, la probabilità di segnare (o subire) prima che l’avversario lo faccia.

Questa “decomposed learning” consente mappe interpretabili (es. “pass map probabilistica” con probabilità di successo e valore atteso della destinazione), mantenendo la capacità predittiva di reti neurali su dati tracking/evento a frame-rate elevato.

Formula operativa

In forma semplificata, in un istante t lo stato Sₜ produce un insieme di azioni Aₖ.

L’EPV si può scrivere come somma pesata dei valori futuri:

EPV(Sₜ) ≈ Σₖ P(Aₖ | Sₜ) × E[ Valore( Sₜ₊₁ | Aₖ, Sₜ ) ]

dove Valore è, tipicamente, la probabilità che “noi” segniamo il prossimo gol meno la probabilità che lo segni l’avversario (versione netta).

Nelle implementazioni accademiche, le componenti sono stimate con NN separate (policy, successo del passaggio, destinazione, valore dello stato risultante) e poi ricombinate.

Vediamo un esempio pratico.

Tre azioni disponibili in trequarti: tiro (probabilità 0,10; gol atteso 0,23), passaggio verso mezzospazio destro (probabilità 0,55; valore stato futuro 0,16), carry interno (probabilità 0,35; valore 0,12).

EPV ≈ 0,10×0,23 + 0,55×0,16 + 0,35×0,12 = 0,153.

Interpretazione: nello stato attuale, il possesso “vale” ~15,3% di probabilità netta di arrivare al prossimo gol, aggregando tutte le scelte disponibili e i loro esiti attesi.

Dati, calibrazione e validazione

Un EPV robusto richiede dati di tracking sincronizzati agli eventi, inclusi orientamento/velocità dei giocatori, vincoli di pressione, angoli di passaggio, linee di passaggio ostruite, oltre a un labeling temporale del possesso (inizio/fine, cambi di stato).

Le superfici di probabilità (es. destinazioni di passaggio) vengono apprese con CNN/U-Net o modelli attention; la calibrazione si verifica tramite Brier/Log-loss e affidabilità per bucket di probabilità, confrontando EPV con “chi segna per primo” a parità di stato.

Avanzamenti recenti (2024–2025)

La letteratura ha introdotto tre direzioni importanti:

1) Pesi temporali e rischio del possesso. 

Modelli 2024 propongono decay sui contributi lontani dal tiro (più rilevanza alle azioni immediatamente precedenti), correzione per effective playing time e stima esplicita del rischio (probabilità di perdere palla), migliorando la sensibilità su duelli e controlli orientati.

2) Benchmarking aperto. 

Nel 2025 è stato pubblicato il primo benchmark EPV (OJN-Pass-EPV) per confrontare modelli usando coppie di stati con ordinamenti noti (relativi EPV), facilitando replicabilità cross-lega e ablation su architetture (inclusa una baseline U-Net).

3) Policy optimization. 

L’uso di EPV per massimizzare la scelta della destinazione (policy consigliata) ha mostrato che, in alcuni campionati, una politica “short-pass heavy” incrementa outcome attesi rispetto a strategie verticali, dato identico EPV di partenza.

Confronti con VAEP e xT

VAEP (KU Leuven/SciSports) valuta ogni azione “on-ball” predicendo ΔP(gol-prossimo, subire-prossimo) su finestre di azioni; è evento-centrico e non necessariamente tracking-first. xT assegna valore “di zona” e misura il delta quando si sposta la palla tra celle.

EPV, invece, è stato-centrico e continuo, nato per integrare tracking, e produce valutazioni “istante-per-istante” del possesso.

Un confronto critico mostra divergenze nelle classifiche giocatori e nella valutazione di azioni non-lineari.

Casi d’uso operativi

• Player development & scouting. Aggregando ΔEPV/90 si evidenziano registi invisibili (mezzali, terzini playmaker) che alzano sistematicamente il valore del possesso senza apparire in gol/assist. Cross-league transfer analysis: quanto del loro EPV è invariante al contesto?

• Match preparation. Mappe EPV “attese se passiamo in X” rivelano corridoi di alto valore contro specifiche strutture difensive (es. 5-4-1 basso) e dove non conviene insistere perché la perdita è costosa (alto rischio).

• In-game decision support. EPV come segnale live per staff: se la nostra policy corrente seleziona opzioni con EPV inferiore alle migliori alternative suggerite dai modelli, c’è margine tattico (es. invertire l’ala per aprire la lane di ricezione).

  
  

Limiti pratici

• Definizione di possesso e transizioni complesse (rimbalzi, seconde palle) influenzano la stabilità di EPV.

• Domain shift tra competizioni: modelli addestrati su una lega possono sovra/under-stimare valore in campionati con velocità e pressioni diverse; servono tecniche di re-calibrazione.

• Explainability. Sebbene l’architettura decoupled aiuti, le head neurali richiedono diagnostiche di interpretabilità (mappe di salienza, controfattuali di passaggio) per essere usate con fiducia a bordo campo.

  
  

EPV è oggi lo standard più completo per misurare il valore del possesso a in maniera mirata: integra tracking, azioni potenziali e rischio; dispone di benchmark 2025 e proposte 2024 per ponderare il contesto micro-temporale e i duelli.

Per team di analisi e staff tecnici, significa passare da “cosa è successo” a “quanto valore stiamo creando (o perdendo) in ogni istante”—base quantitativa per scouting, game model e decisioni in tempo reale.