Na StatsBomb, estamos continuamente desenvolvendo novos modelos e métricas para oferecer insights exclusivos aos nossos clientes e ajudá-los a sair na frente dos adversários em um cenário cada vez mais competitivo e centrado em dados.
Estes são alguns dos modelos que lançamos nos últimos meses:
HOPS (Heading Orientated Performance System)
O Heading Orientated Performance System, ou HOPS, é um modelo projetado para medir a capacidade de um jogador vencer disputas de bola aérea.
A métrica tradicionalmente usada para medir essa habilidade é a porcentagem de vitórias, mas ela tem uma grande falha: não leva em consideração a habilidade dos jogadores que participaram da disputa.
O HOPS adiciona essas informações importantes e oferece uma compreensão muito melhor da habilidade dos jogadores em termos de jogo aéreo.
Usando uma versão modificada do sistema de classificação Glicko, projetado para avaliar jogadores de xadrez, ele atribui uma pontuação inicial padrão a cada jogador. Ela é atualizada após cada disputa, de acordo com as pontuações pré-disputa dos dois jogadores e com o resultado daquela disputa específica.
Por exemplo, se um jogador vence uma disputa contra outro jogador que tinha uma pontuação mais alta, sua pontuação vai aumentar mais do que ele se ganhasse uma disputa contra um jogador mais fraco.
O modelo gera várias informações, mas a chamada “classificação HOPS” expressa a probabilidade de um jogador vencer uma disputa de bola aérea contra um jogador mediano. Por exemplo, uma classificação HOPS de 0,65 indica que esperamos que esse jogador ganhe 65% das disputas contra um jogador médio.
Esse tipo de métrica é obviamente útil durante o processo de prospecção de jogadores. Por exemplo, se um time estiver procurando um zagueiro central bom em disputas aéreas, o HOPS pode ser usado como filtro inicial para ajudar a identificar jogadores que tenham esse perfil.
Estes são os cinco zagueiros centrais, de 23 anos ou menos, com as classificações HOPS mais altas nas mais de 120 competições que analisamos em todo o mundo:
- Fallou Ndiaye, FC Haka (Finlândia): 0,79 HOPS
- Leo Skiri Østigård, Napoli (Itália): 0,79 HOPS
- Patric Pfeiffer, FC Augsburg (Alemanha): 0,78 HOPS
- Didier Bueno, Sheriff Tiraspol (Moldávia): 0,78 HOPS
- Mohamed Amine Tougai, Espérance de Tunis (Tunísia): 0,78 HOPS
A classificação HOPS também fornece informações extremamente importantes para o planejamento de esquemas de marcação em lances de bola parada. Contra quem a sua defesa é mais fraca?
Se quisermos aprofundar a análise, a classificação HOPS também pode ser usada para avaliar a probabilidade de uma estratégia específica ser bem-sucedida, considerando os jogadores envolvidos. Por exemplo, se o atacante titular de um time tiver uma classificação HOPS mais alta do que os outros atacantes do time, será que faz sentido usar uma bola longa quando o atacante titular não estiver disponível?
xPass
O modelo xPass leva em consideração fatores como localização, ângulo e comprimento do passe, a parte do corpo usada e se o passe foi feito sob pressão do adversário (uma métrica exclusiva da StatsBomb) e atribui a cada passe a taxa de conclusão esperada com base em dados históricos de passes com características similares.
Uma porcentagem de conclusão comum não leva em consideração a dificuldade de realização dos passes. Ao comparar essa porcentagem à taxa de conclusão esperada, gerada pelo xPass, podemos ter uma ideia muito melhor da capacidade de passe de um jogador.
Por exemplo, estes são os cinco meio-campistas da Primeira Liga de Portugal que, na temporada 2022-23, mais completaram passes, com base na expectativa anterior:
- Otavinho, FC Porto: +3,79%
- Fredrik Aursnes, Benfica: +3,01%
- Hidemasa Morita, Sporting CP: +2,38%
- Chiquinho, Benfica: +2,16%
- Marko Grujić, FC Porto: +2,11%
E os cinco que menos completaram passes, com base na expectativa anterior:
- Afonso Taira, Casa Pia: -6,23%
- Francisco Geraldes, Estoril: -5,34%
- Stefano Beltrame, Marítimo: -5,21%
- Alan Ruiz, FC Arouca: -3,42%
- Gaïus Makouta, Boavista: -3,33%
Dentro da equipe, o xPass pode ser usado para obter uma visão geral dos estilos de passe da equipe e do modo como eles mudam em diferentes situações. Por exemplo, ao ganhar, perder ou empatar:
E isso é apenas um resumo das informações que o modelo pode fornecer, principalmente quando combinado com outras métricas e/ou formas de visualização que analisam as tendências de jogadores e equipes de maneira mais profunda.
Modelo Pass Clustering
O modelo Pass Clustering da StatsBomb usa uma série de variáveis (como a localização no campo, a direção, o comprimento e a altura do passe) para agrupar passes com características semelhantes, afim de simplificar a visualização e análise de perfis de passe tanto de times quanto de jogadores.
Por exemplo, podemos usá-lo para identificar os tipos de passes mais característicos de cada equipe…
…ou os tipos de passe mais usados em momentos específicos do jogo – por exemplo, durante a preparação para o ataque.
O modelo Pass Clustering também pode ser usado para destacar jogadores com perfis semelhantes ou singulares, algo que agrega valor em um processo de prospecção de jogadores, bem como na análise de adversários ou no fluxo de desempenho da equipe.
Modelo StatsBomb xG atualizado
No ano passado, anunciamos uma atualização importante em nosso modelo líder de mercado, que analisa o número de gols esperados (xG), refinando ainda mais o modelo padrão pré-chute e aumentando a utilidade dos resultados do modelo pós-chute. As alterações foram imediatamente integradas aos dados da temporada atual e agora foram incluídas em todas as temporadas presentes em nosso banco de dados.
O modelo atualizado inclui as seguintes melhorias:
- Melhor calibração do impacto do adversário e do posicionamento do goleiro.
- Maior confiabilidade na avaliação de finalizações de longa distância e feitas em situações pouco comuns.
- Dissociação da qualidade da oportunidade e da execução do chute para uma compreensão melhor da capacidade de finalização.
- Separação do efeito nos valores xG do posicionamento do goleiro e da capacidade de ele impedir a finalização.
- Adição da velocidade do chute ao modelo xG pós-chute.
Esses avanços fazem com que, para cada finalização, possamos agora gerar os seguintes valores, que permitem uma análise mais detalhada do desempenho tanto de goleiros quanto de jogadores em campo:
- Qualidade da oportunidade (padrão, pré-chute, xG).
- Execução da finalização (xG pós-chute, da perspectiva do jogador).
- Dificuldade da defesa (xG pós-chute, da perspectiva do goleiro).
O StatsBomb xG já era o modelo de análise de número de gols esperados mais preciso e confiável do mercado. Com essas melhorias, conseguimos ampliar ainda mais a precisão e confiabilidade oferecidas.
Conclusão
Esses modelos fornecem aos nossos clientes novos insights para ajudá-los a tomar decisões em vários departamentos – da prospecção e recrutamento de jogadores até a análise de adversários e a avaliação interna do desempenho da equipe e de cada jogador.
Ao contrário de alguns de nossos concorrentes, esses novos modelos e as métricas geradas a partir deles não se limitam a um pequeno subconjunto de ligas. Eles estão disponíveis para todas as mais de 120 competições que analisamos em todo o mundo, incluindo a Série A e a Série B do Campeonato Brasileiro, a Primeira e Segunda Liga de Portugal, a Libertadores da América e a Copa Sul-Americana e o Campeonato Brasileiro de Futebol Feminino - Série A1.
Caso você seja de um time, uma liga, uma federação, um site de apostas ou empresa de mídia e deseje saber mais sobre como os dados e as soluções de análise da StatsBomb podem aprimorar e agilizar seus processos, entre em contato para obter uma demonstração personalizada.
