Amikor Kevin De Bruyne távozott a Manchester Citytől, a klub előtt nem egyszerűen az a feladat állt, hogy találjon egy jó támadó középpályást. Egy olyan játékos profilját kellett pótolni, aki éveken keresztül kiemelkedett a helyzetkialakításban, a progresszív játékban, a tizenhatosba juttatott labdákban és számos más mutatóban.

A Manchester Cityről készült A Beautiful Obsession dokumentumfilm egyik jelenete érdekes betekintést enged abba, hogyan használja a klub az adatokat egy ilyen keresésnél. Az elemzők elmondása szerint 43 különböző mutatóból mindössze hét számot hoznak létre, majd ezek segítségével keresnek egymáshoz hasonló játékosprofilokat.

A City természetesen nem árulta el sem a pontos 43 mutatót, sem a hét szám előállításának módszerét. Martin Angelov azonban a High-Skilled Work oldalán nyilvánosan hozzáférhető adatokkal megpróbálta rekonstruálni a folyamatot. Az eredmény különösen érdekes lett: 673 játékos közül Rayan Cherki került statisztikailag a legközelebb a csúcsformában lévő Kevin De Bruyne profiljához. Vagyis ugyanaz a játékos, akit később a Manchester City szerződtetett.


Miért probléma egyáltalán a 43 mutató?

Egy modern játékosmegfigyelési adatbázisban egyetlen futballistáról is rengeteg információ állhat rendelkezésre. Megnézhetjük például, hány kulcspasszt ad, milyen az xA-ja, hányszor passzol a tizenhatoson belülre, mennyi progresszív passza és labdavezetése van, hányszor próbálkozik cselezéssel, milyen gyakran kerül a támadóharmadba, mennyit lő vagy éppen mennyi labdát szerez vissza.

A több adat azonban egy pont után nem feltétlenül könnyíti, hanem nehezíti a játékosok összehasonlítását.

Tegyük fel, hogy két játékost szeretnénk De Bruyne-hoz hasonlítani. Az egyik 18 mutatóban hasonlít rá nagyon, 10-ben közepesen, a többiben kevésbé. A másik teljesen más mutatókban hasonló hozzá. Hogyan döntjük el, összességében melyikük profilja áll közelebb?

Ráadásul sok mutató valójában hasonló tulajdonságokról árulkodik. Egy sok helyzetet kialakító játékosnak várhatóan magas lesz az xA-ja, sok kulcspassza lesz, és sok lövést előkészítő akcióban vesz részt.

Vagyis három külön számot látunk, de mindhárom részben ugyanarról mesél:

mennyire veszélyes helyzetkialakító a játékos?

Itt jön képbe a PCA.

Mi az a PCA?

A PCA – Principal Component Analysis, magyarul főkomponens-analízis – egy dimenziócsökkentő statisztikai módszer.

A neve bonyolultabb, mint az alapötlete.

Képzeljük el, hogy 43 kérdést teszünk fel minden játékosról. Mennyit cselez? Mennyit passzol előre? Hány helyzetet alakít ki? Mennyit lő? Mennyire veszélyes a tizenhatos környékén?

A PCA megnézi több száz játékos adatait, és megkeresi, mely mutatók mozognak jellemzően együtt.

Ha például azoknak a játékosoknak, akik sok kulcspasszt adnak, jellemzően magas az xA-juk és sok lövést készítenek elő, akkor a rendszer felismeri, hogy ezek a változók részben ugyanazt a mögöttes játékosjellemzőt írják le.

Nagyon leegyszerűsítve olyan, mintha a PCA azt mondaná:

„Nem kell külön-külön 43 dolgot néznünk. Ezekből több valójában ugyanannak a nagyobb tulajdonságnak különböző megnyilvánulása.”

Ezután új változókat, úgynevezett főkomponenseket készít.

Egy ilyen komponens nem feltétlenül egyetlen könnyen megnevezhető futballtulajdonság. Matematikailag az eredeti mutatók különböző súlyokkal összeállított kombinációja. Az elemző azonban megnézheti, mely eredeti változók határozzák meg legerősebben, és ez alapján értelmezheti.

Ha például egy komponensben az xA, a kulcspasszok, a tizenhatosba adott passzok és a lövést előkészítő akciók kapnak nagy súlyt, akkor emberi nyelven nevezhetjük ezt valami olyasminek, hogy kreatív helyzetkialakítás.

Fontos azonban: ezt a címkét már mi adjuk neki. A PCA matematikailag nem tudja, mi az, hogy „kreativitás”.

Olyan, mintha 43 csúszkából készítenénk hetet

Konyhanyelven talán így lehet a legegyszerűbben elképzelni.

Eredetileg minden játékosnak van 43 csúszkája:

passzolás, xA, kulcspassz, cselezés, progresszív labdavezetés, lövés, labdaszerzés és így tovább.

A PCA ezeket úgy próbálja 7 új csúszkába összesűríteni, hogy közben a lehető legkevesebb fontos információ vesszen el.

Angelov modelljében a hét komponens az eredeti 43 változóban lévő különbségek körülbelül 80 százalékát megőrizte. Így minden játékost már nem 43, hanem hét számmal lehetett leírni.

Ez óriási különbség.

Ahelyett, hogy ezt hasonlítanánk:

De Bruyne = [43 különböző érték]

Cherki = [43 különböző érték]

kapunk egy sokkal tömörebb profilt:

De Bruyne = [7 érték]

Cherki = [7 érték]

És innen már viszonylag egyszerű matematikai kérdéssé válik:

melyik játékos hét számból álló profilja van legközelebb De Bruyne hét számához?



Hogyan épült fel a kísérlet?

Angelov nyolc szezon Opta eseményadatait használta Európa öt legerősebb bajnokságából. De Bruyne referenciaértékét öt olyan szezonjából állította össze, amelyekben legalább húsz teljes mérkőzésnyi játékpercet játszott. Így egy körülbelül 139 mérkőzésnyi mintából létrejött a „peak De Bruyne”, vagyis a csúcsformájában lévő De Bruyne statisztikai profilja.

Ezután 43 mutatót választott ki hét nagy területről: passzjáték, passztípusok, lövések, helyzetkialakítás, labdás játék, védekezés, valamint párharcok és labdaszerzések.

Fontos hangsúlyozni: ez nem a Manchester City 43 mutatójának kiszivárgott listája. Angelov azért választott pontosan 43-at, mert a dokumentumfilmben a City ezt a számot említi. A cél a módszer rekonstruálása volt, nem a City belső modelljének lemásolása.

Először közös skálára kell hozni az adatokat

A PCA előtt van még egy fontos lépés: az adatokat standardizálni kell.

Ennek egyszerű oka van.

Tegyük fel, hogy az egyik változó értékei 0 és 1 között mozognak, egy másiké pedig 0 és 500 között. Nem szeretnénk, hogy a második pusztán a nagyobb számai miatt sokkal fontosabbnak tűnjön a modell számára.

Ezért minden mutatót közös skálára hozunk.

Itt jelennek meg az úgynevezett z-score-ok. A 0 nagyjából az összehasonlított játékosok átlagát jelenti. A +1 azt mutatja, hogy a játékos egy szórással átlag felett van, a -1 pedig ennek ellenkezőjét.

Így már összehasonlíthatóvá válik például a passzpontosság és a progresszív labdavezetések száma is.

Ezután minden játékos bekerül egy képzeletbeli térbe

A PCA után minden játékoshoz hét szám tartozik.

Ezt elképzelhetjük úgy, mintha lenne egy hétdimenziós térképünk, és minden futballistát elhelyeznénk rajta.

A valóságban hét dimenziót természetesen nem tudunk lerajzolni, de az elv ugyanaz, mint egy egyszerű kétdimenziós térképen.

Ha két pont közel van egymáshoz, a két játékos statisztikai profilja hasonló.

Ha nagyon távol vannak, eltérő típusú játékosokról beszélünk.

Angelov ezért elhelyezte ebben a térben a peak De Bruyne-profilt, majd kiszámolta, milyen messze van tőle mind a 673 vizsgált középpályás és támadó.

Minél kisebb a távolság, annál hasonlóbb a profil.

És az első helyen Cherki végzett

A modell szabadon választhatott a 673 játékos közül.

Az eredmény:

1. Rayan Cherki

2. Michael Olise

3. Florian Wirtz

4. Martin Ødegaard

5. Bruno Fernandes

Ez már önmagában érdekes. Nemcsak azért, mert Cherkit valóban megszerezte a Manchester City, hanem azért is, mert a következő nevek alapján látható, hogy a modell egy jól felismerhető játékostípus környékén keresett.

Cherki távolsága De Bruyne-tól 4,2 volt. Önmagában ennek a számnak nincs futballértelme, de összehasonlításként az adatbázis medián játékosa körülbelül 15-ös távolságra volt De Bruyne-tól. Mindössze öt játékos került hatos értéken belülre.

Cherki azonban nem egy fiatal De Bruyne

Itt válik igazán fontossá, hogy értsük, mit mond a modell – és mit nem.

Cherki és De Bruyne nagyon hasonló kreatív eredményeket érnek el, de nem feltétlenül ugyanúgy.

Angelov összehasonlításában mindketten extrém erősek voltak többek között a kulcspasszokban, várható gólpasszokban, tizenhatosba adott labdákban és kiugratásokban.

De Bruyne azonban sokkal inkább beadásokkal, hosszabb átadásokkal és oldalváltásokkal juttatta veszélyes területre a labdát.

Cherki ezzel szemben többet cselez, több labdaérintése van a tizenhatoson belül, és gyakrabban jut előre labdavezetéssel. Védekezésben pedig még De Bruyne-nál is kevesebbet produkált a vizsgált adatok szerint.

Vagyis:

hasonló kreatív végtermék, eltérő út odáig.

Ez kulcsfontosságú különbség.

A modell nem azt mondja, hogy Cherki „ugyanolyan játékos, mint De Bruyne”. Azt mondja, hogy a kiválasztott adatok által leírt teljesítményprofilja áll hozzá a legközelebb.

Mi történik, ha megváltoztatjuk a modellt?

Egy ilyen eredménynél jogos kérdés, hogy Cherki első helye nem egyszerűen a modell készítőjének döntéseiből következik-e.

Angelov ezért többféleképpen újrafuttatta az elemzést.

Nemcsak hét PCA-komponenst használt, hanem kipróbálta 3, 5, 10 és 15 komponenssel is.

Cherki minden esetben első maradt.

Megváltoztatta a minimum játékpercre vonatkozó feltételt is: 10, 15 és 20 teljes mérkőzésnyi játékidő mellett is Cherki végzett az első helyen.

Még akkor is ő maradt az első, amikor De Bruyne „peak” időszaka helyett az összes vizsgált City-szezonját használták referenciaként.

Ez természetesen továbbra sem bizonyítja, hogy a City ugyanezt a modellt használta. Azt viszont mutatja, hogy ebben az adathalmazban Cherki és De Bruyne statisztikai hasonlósága meglehetősen stabil eredmény.

Akkor egy algoritmus választotta ki Cherkit?

Nem.

És talán ez a történet legfontosabb tanulsága.

Egy ilyen modell nem arra való, hogy azt mondja a sportigazgatónak:

„Őt kell megvenni.”

Arra sokkal alkalmasabb, hogy több ezer játékosból azt mondja:

„Ezt a 10–20 játékost érdemes sokkal alaposabban megnéznünk.”

A modell ugyanis rengeteg fontos dolgot nem lát.

Nem feltétlenül látja megfelelően a labda nélküli mozgásokat, a sprinteket és a fizikai teljesítményt. Nem tudja automatikusan megmondani, hogyan fordíthatók át a Ligue 1-ben elért számok a Premier League-re. Nem érti teljes egészében, hogy Cherki szabadabb lyoni szerepköre hogyan működne Guardiola sokkal strukturáltabb pozíciós játékában.

És végképp nem tudja megmondani, milyen a játékos személyisége, tanulási képessége, edzésmunkája vagy reakciója arra, ha kevesebbet játszik.

A Manchester City dokumentumfilmjéből éppen az derül ki, hogy az adatelemzés után emberi scouting és háttérellenőrzés következett.

Az adat nem leváltja a scoutot, hanem leszűkíti számára a világot

Talán ez az egész módszer legjobb értelmezése.

Képzeljük el, hogy egy klub adatbázisában tízezer potenciális játékos található. Egyetlen scoutcsapat képtelen mindegyiküket olyan mélységben elemezni, amilyen mélységben egy valódi átigazolási döntéshez szükséges lenne.

Az adatmodell viszont pillanatok alatt összehasonlíthatja őket.

10 000 játékos → statisztikai szűrés → hasonló profilok → shortlist → videós scouting → élő megfigyelés → háttérinformációk → taktikai értékelés → döntés.

Így az elemző modell nem elveszi a scout munkáját. Éppen ellenkezőleg: segít eldönteni, kire érdemes a drága és időigényes emberi elemzést fordítani.

És talán ez a legérdekesebb része a Manchester City példájának is. Kívülről úgy tűnhet, hogy egy elképesztően bonyolult mesterséges intelligencia választotta ki Kevin De Bruyne utódját. A valóság ennél egyszerre egyszerűbb és kifinomultabb.

Nincs szükség arra, hogy 43 különböző statisztikát egyesével próbáljunk értelmezni. Egy olyan módszer, mint a PCA, képes ezekből néhány informatívabb dimenziót létrehozni. Ezután matematikailag megkereshetjük a keresett profilhoz legközelebb álló játékosokat.

A modell megmutatja, kit érdemes megnézni. A futballszakemberek feladata eldönteni, hogy valóban őt érdemes-e leigazolni.

És ebben a rekonstrukcióban a modell 673 játékos közül éppen azt a Rayan Cherkit tette az első helyre, akit végül a Manchester City is kiválasztott.