Betydningen af dødbolde i fodbold (eller fodbold i USA) har været stigende i de seneste år: nu bliver mere end en fjerdedel af alle mål scoret via dødbolde. Frispark og hjørnespark skaber generelt de mest lovende situationer, og nogle professionelle hold har endda hyret specifikke trænere til de dele af spillet.
I dette indlæg deler vi, hvordan Bundesliga Match Fact Set Piece Threat hjælper med at evaluere præstationer i dødbolde. Efterhånden som hold ser efter at udnytte disse dødboldssituationer mere og mere, vil Set Piece Threat hjælpe seeren med at forstå, hvor godt holdene udnytter disse situationer. Derudover vil det forklare læseren, hvordan AWS-tjenester kan bruges til at beregne statistik i realtid.
Bundesligaens Union Berlin er et godt eksempel på dødboldes relevans. Holdet formåede at rejse sig fra Bundesliga 2 til kvalifikation til en europæisk konkurrence på kun 2 år. De sluttede på tredjepladsen i Bundesliga 2 i løbet af sæsonen 18/19 og tjente sig selv til en plads i nedrykningsslutspillet til Bundesligaen. I den sæson scorede de 28 mål fra åbent spil, og rangerede kun på en niendeplads i ligaen. De blev dog nummer to for mål scoret gennem dødbolde (16 mål).
I den første nedrykningskamp mod VfB Stuttgart sikrede Union sig sigende uafgjort 2:2 og scorede et hovedstød efter et hjørnespark. Og i returkampen blev Stuttgart afvist et frisparksmål på grund af en passiv offside, hvilket tillod Union at komme ind i Bundesligaen med uafgjort 0:0.
Relevansen af dødbolde for Unions succes slutter ikke der. Union afsluttede deres første to Bundesliga-sæsoner med en stærk ellevte og syvendeplads, hvor de blev nummer tre og første i antallet af dødbolde (scorer 15 mål fra dødbolde i begge sæsoner). Til sammenligning formåede FC Bayern München - ligamesteren - kun at score 10 mål fra dødbolde i begge sæsoner. Den succes, Union Berlin har haft med deres dødbolde, gjorde det muligt for dem at sikre sig syvendepladsen i Bundesliga-sæsonen 20/21, hvilket betød kvalifikation til UEFA Europa Conference League, der gik fra Bundesliga 2 til Europa kun 2 år efter at have tjent oprykning. Ikke overraskende scorede de i den afgørende kamp et af deres to mål efter et hjørnespark. I skrivende stund ligger Union Berlin på fjerdepladsen i Bundesligaen (20. kampdag) og først i hjørnepræstationer, en statistik, vi forklarer senere.
Union Berlins vej til Europa viser tydeligt den indflydelsesrige rolle som offensiv og defensiv præstation under dødbolde. Indtil nu var det imidlertid svært for fans og tv-selskaber at kvantificere denne præstation korrekt, medmindre de ønskede at dissekere massive tabeller på analytiske websteder. Bundesligaen og AWS har arbejdet sammen for at illustrere truslen, som et hold producerer, og den trussel, der produceres af dødbolde mod holdet, og kom med den nye Bundesliga Match Fact: Set Piece Threat.
Hvordan virker Set Piece Threat?
For at bestemme truslen et hold udgør med deres dødbolde, tager vi hensyn til forskellige facetter af deres dødboldpræstationer. Det er vigtigt at bemærke, at vi kun betragter hjørnespark og frispark som dødbolde og beregner truslen for hver kategori uafhængigt.
Facet 1: Udfald af en dødbold: Mål, skud eller ingenting
Først overvejer vi udfald af en dødbold. Det vil sige, at vi observerer, om det resulterer i et mål. Udfaldet er dog generelt påvirket af fine marginaler, såsom en stor redning af målmanden, eller hvis et skud børster stolpen i stedet for at gå ind, så vi kategoriserer også kvaliteten af et skud, der er resultatet af dødbolden. Optagelser er kategoriseret i flere kategorier.
Boligtype | Forklaring |
Mål | Et vellykket skud, der førte til et mål |
Fremragende | Skud der næsten førte til et mål, såsom et skud på stolpen |
Anstændigt | Andre bemærkelsesværdige målscener |
Gennemsnit | Resten af chancerne, der ville være inkluderet i et chanceforhold med relevant trussel om et mål |
Ingen | Ingen reel måltrussel, bør ikke betragtes som en reel chance, såsom et hovedstød, der næsten ikke rørte bolden eller et blokeret skud |
Intet skud | Ingen skud taget overhovedet |
Ovenstående video viser eksempler på skududfaldskategorier i følgende rækkefølge: fremragende, anstændig, gennemsnitlig, ingen.
Facet 2: Potentialet for et skud
For det andet overvejer vores algoritme potentialet i et skud. Dette inkorporerer, hvor sandsynligt det burde have resulteret i et mål, hvilket tager den faktiske præstation af skudtageren ud af ligningen. Med andre ord kvantificerer vi målpotentialet i den situation, hvor skuddet blev taget. Dette er fanget af forventet mål (xGoals) skuddets værdi. Vi fjerner ikke kun forekomsten af held eller mangel på samme, men også kvaliteten af strejken eller headeren.
Facet 3: Antal dødbolde
Dernæst overvejer vi aspektet ren mængde af dødbolde, som et hold får. Vores definition af Set Piece Threat måler truslen på en per-set-piece-basis. I stedet for at opsummere alle resultater og xGoal-værdier for et hold i løbet af en sæson, aggregeres værdierne således, at de repræsenterer den gennemsnitlige trussel pr. dødbold. På den måde repræsenterer hjørnetruslen for eksempel holdets fare for hvert hjørne og betragter ikke et hold som mere farligt, blot fordi de har flere hjørnespark end andre hold (og derfor potentielt flere skud eller mål).
Facet 4: Udvikling over tid
Det sidste aspekt at overveje er udviklingen af et teams trussel over tid. Tænk for eksempel på et hold, der scorede tre mål fra hjørnespark i de første tre spilledage, men som ikke leverer nogen væsentlig trussel i løbet af de næste 15 spilledage. Dette hold bør ikke anses for at udgøre en væsentlig trussel fra hjørnespark på 19. kampdag, på trods af at det allerede har scoret tre gange, hvilket stadig kan være et godt afkast. Vi redegør for denne (positive eller negative) udvikling af et holds dødboldkvalitet ved at tildele en rabat til hver dødbold, afhængigt af hvor lang tid siden den fandt sted. Med andre ord har et frispark, der blev taget for 10 spilledage siden, mindre indflydelse på den beregnede trussel end et frispark, der blev taget under den sidste eller endda igangværende kamp.
Score: Per sæt stykke sammenlægning
Alle fire facetter, vi har beskrevet, er samlet i to værdier for hvert hold, en for hjørnespark og en for frispark, som beskriver den fare, som en tilsvarende dødbold fra det pågældende hold i øjeblikket ville udgøre. Værdien er defineret som det vægtede gennemsnit af pointene for hver dødbold, hvor scoren for en dødbold er defineret som (0.7 * shot-outcome + 0.3 * xG-value)
hvis dødbolden resulterede i et skud og 0 ellers. Det shot-outcome
er 1, hvis holdet scorede og lavere for andre resultater, såsom et skud, der gik forbi, afhængigt af dets kvalitet. Vægten for hver dødbold bestemmes af, hvor lang tid siden den blev taget, som beskrevet tidligere. Samlet set er værdierne defineret mellem 0-1, hvor 1 er den perfekte score.
Dødbrudstrussel
Dernæst sammenlignes værdierne for hvert hold med ligagennemsnittet. Den nøjagtige formel er score(team)/avg_score(league) - 1
. Denne værdi er det, vi kalder Set Piece Threat-værdien. Et hold har en trusselsværdi på 0, hvis det er nøjagtigt lige så godt som ligagennemsnittet. En værdi på -1 (eller -100%) beskriver et hold, der slet ikke udgør nogen trussel, og en værdi på +1 (+100%) beskriver et hold, der er dobbelt så farligt som ligagennemsnittet. Med disse værdier beregner vi en ranking, der sorterer holdene fra 1-18 i henhold til deres offensive trussel om henholdsvis hjørnespark og frispark.
Vi bruger de samme data og lignende beregninger til også at beregne en defensiv trussel, der måler et holds defensive præstation med hensyn til, hvordan de forsvarer dødbolde. Nu, i stedet for at beregne en score pr. egen dødbold, beregner algoritmen en score pr. modstanderens dødbold. Ligesom for den offensive trussel sammenlignes scoren med ligagennemsnittet, men værdien er omvendt: -score(team)/avg_score(league) + 1
. På denne måde opnås en trussel på +1 (+100%), hvis holdet ikke tillader modstandere nogen skud overhovedet, hvorimod et hold med defensiv trussel på -1 (-100%) er dobbelt så modtageligt for modstandernes dødbolde som ligaen gennemsnit. Igen er et hold med en trussel på 0 lige så godt som ligagennemsnittet.
Fund af Set Piece Threat
Et vigtigt aspekt af dødboldtruslen er, at vi fokuserer på en vurdering af truslen i stedet for mål scoret og indkasseret via dødbolde. Hvis vi tager SC Freiburg og Union Berlin på den 21. kampdag som et eksempel, har Freiburg i løbet af denne sæson scoret syv mål via hjørnespark i forhold til fire fra Union Berlin. Vores trusselsrangering rangerer stadig begge hold nogenlunde lige. Faktisk forudser vi, at et hjørne af Freiburg (ranking 3) endda vil være 7 % mindre truende end et hjørne af Union Berlin (ranking 1). Hovedårsagen til dette er, at Union Berlin skabte et tilsvarende antal store chancer ud af deres hjørner, men ikke formåede at omsætte disse chancer til mål. Freiburg på den anden side var langt mere effektive med deres chancer. En sådan uoverensstemmelse mellem chancekvalitet og faktiske mål kan ske i en sport med høj varians som fodbold.
Følgende graf viser Union Berlins dødbolds offensive hjørneplacering (blå) og score (rød) fra kampdagene 6-21. På 12. kampdag scorede Union et mål fra et hjørne og havde desuden en stor chance fra et andet hjørne, som ikke resulterede i et mål, men som blev opfattet som en høj trussel af vores algoritme. Derudover havde Union et skud på mål i fem ud af syv hjørnespark på 12. kampdag. Union sprang med det samme i ranglisten fra tolvte til femte plads som følge af dette, og scoreværdien for Union steg såvel som ligagennemsnittet. Da Union så flere og flere høje trusselchancer i de senere kampdage fra hjørnespark, hævdede de trin for trin førstepladsen i hjørnetruslens rangering. Scoren er altid i forhold til det nuværende ligagennemsnit, hvilket betyder, at Unions trussel på kampdag 21 er 50 % højere fra hjørnespark end den gennemsnitlige trussel fra alle hold i ligaen.
Implementering og arkitektur
Bundesliga Kampfakta kører uafhængigt AWS Fargate beholdere indeni Amazon Elastic Container Service (Amazon ECS). Tidligere Bundesliga-kampfakta bruger rå begivenheds- og positionsdata til at beregne avanceret statistik. Dette ændres med udgivelsen af Set Piece Threat, som analyserer data produceret af en eksisterende Bundesliga Match Fact (xMål) for at beregne dens placeringer. Derfor har vi skabt en arkitektur til at udveksle beskeder mellem forskellige Bundesliga-kampfakta under live-kampe i realtid.
For at garantere, at de seneste data afspejles i de faste trusselberegninger, bruger vi Amazon administrerede streaming til Apache Kafka (Amazon MSK). Denne meddelelsesmæglertjeneste gør det muligt for forskellige Bundesliga-kampfakta at sende og modtage de nyeste begivenheder og opdateringer i realtid. Ved at forbruge en kamp og Bundesliga Match Fakta-specifikke emne fra Kafka, kan vi modtage de mest opdaterede data fra alle involverede systemer, samtidig med at vi bevarer muligheden for at afspille og genbehandle beskeder sendt tidligere.
Følgende diagram illustrerer løsningsarkitekturen:
Vi introducerede Amazon MSK til dette projekt for generelt at erstatte al intern meddelelsesoverførsel til Bundesliga Match Facts-platformen. Den håndterer indsprøjtning af positions- og hændelsesdata, som kan samle sig til over 3.6 millioner datapunkter pr. kamp. Med Amazon MSK kan vi bruge den underliggende vedvarende lagring af beskeder, som giver os mulighed for at genspille spil fra ethvert tidspunkt. Men for Set Piece Threat ligger fokus på det specifikke brugstilfælde af afleveringer produceret af Bundesliga Match Facts til andre Bundesliga Match Facts, der kører parallelt.
For at lette dette skelner vi mellem to typer Kafka-emner: globale og matchspecifikke. For det første har hver Bundesliga Match Fact et eget specifikt globalt emne, som håndterer alle beskeder skabt af Bundesliga Match Fact. Derudover er der et ekstra kampspecifikt emne for hver Bundesliga-kampfakta for hver kamp, der håndterer alle beskeder, der er oprettet af en Bundesliga-kampfakta for en specifik kamp. Når flere live-kampe kører parallelt, produceres hver besked først og sendes til dette Bundesliga Match Fact-specifikke globale emne.
En afsender AWS Lambda funktion er abonneret på alle Bundesliga Match Fakta-specifikke globale emner og har to opgaver:
- Skriv de indgående data til en database leveret gennem Amazon Relationel Database Service (Amazon RDS).
- Omdistribuer de beskeder, der kan forbruges af andre Bundesliga-kampfakta, til et Bundesliga-kampfakta-specifikt emne.
Den venstre side af arkitekturdiagrammet viser de forskellige Bundesliga-kampfakta, der kører uafhængigt af hinanden for hver kamp og producerer beskeder til det globale emne. Den nye dødboldtrussel Bundesliga-kampfakta kan nu forbruge de seneste xGoal-værdier for hvert skud for en specifik kamp (højre side af diagrammet) for straks at beregne truslen produceret af dødbolden, der resulterede i et eller flere skud.
Resumé
Vi er begejstrede for lanceringen af Set Piece Threat og de mønstre, kommentatorer og fans vil afdække ved hjælp af denne helt nye indsigt. Efterhånden som hold ser efter at udnytte disse dødboldssituationer mere og mere, vil Set Piece Threat hjælpe seeren med at forstå, hvilket hold der gør dette med succes, og hvilket hold der stadig har noget at dække, hvilket tilføjer yderligere spænding før hver af disse dødboldssituationer. Det nye Bundesliga Match Fact er tilgængeligt for Bundesligas tv-selskaber for at afdække nye perspektiver og historier om en kamp, og holdrangeringer kan til enhver tid ses i Bundesliga-appen.
Vi er spændte på at lære, hvilke mønstre du vil afdække. Del din indsigt med os: @AWScloud på Twitter, med hashtagget #BundesligaMatchFacts.
Om forfatterne
simon rolfes spillet 288 Bundesliga-kampe som central midtbanespiller, scoret 41 mål og vundet 26 landskampe for Tyskland. I øjeblikket fungerer Rolfes som sportsdirektør hos Bayer 04 Leverkusen, hvor han overvåger og udvikler den professionelle spillerliste, scoutingafdelingen og klubbens ungdomsudvikling. Simon skriver også ugentlige klummer på Bundesliga.com om de seneste Bundesliga-kampfakta powered by AWS
Luuk Figdor er Senior Sports Technology Specialist i AWS Professional Services-teamet. Han arbejder med spillere, klubber, ligaer og medievirksomheder som Bundesligaen og Formel 1 for at hjælpe dem med at fortælle historier med data ved hjælp af maskinlæring. I sin fritid kan han lide at lære alt om sindet og krydsfeltet mellem psykologi, økonomi og AI.
Jan Bauer er en Cloud Application Architect hos AWS Professional Services. Hans interesser er serverløs computing, maskinlæring og alt, hvad der involverer cloud computing. Han arbejder med kunder på tværs af brancher for at hjælpe dem med at få succes på deres cloudrejse.
Pascal Kühner er Cloud Application Developer i AWS Professional Services Team. Han arbejder med kunder på tværs af brancher for at hjælpe dem med at opnå deres forretningsresultater via applikationsudvikling, DevOps og infrastruktur. Han elsker boldsport og kan i sin fritid gerne spille basketball og fodbold.
Uwe Dick er dataforsker hos Sportec Solutions AG. Han arbejder på at sætte Bundesliga-klubber og medier i stand til at optimere deres præstationer ved hjælp af avanceret statistik og data – før, efter og under kampe. I sin fritid nøjes han med mindre og forsøger bare at holde de fulde 90 minutter for sit fritidsfodboldhold.
Javier Poveda-Panter er Data Scientist for EMEA-sportskunder inden for AWS Professional Services-teamet. Han sætter kunder inden for tilskuersport i stand til at innovere og udnytte deres data og levere bruger- og fanoplevelser af høj kvalitet gennem maskinlæring og datavidenskab. Han følger sin passion for en bred vifte af sport, musik og kunstig intelligens i sin fritid.
- Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
- CryptoHawk. Altcoin radar. Gratis prøveversion.
- Kilde: https://aws.amazon.com/blogs/machine-learning/bundesliga-match-fact-set-piece-threat-evaluating-team-performance-in-set-pieces-on-aws/
- "
- 28
- 7
- Om
- Ifølge
- Konto
- opnået
- tværs
- Yderligere
- fremskreden
- AI
- algoritme
- Alle
- tillade
- allerede
- Amazon
- analytics
- app
- Anvendelse
- arkitektur
- OMRÅDE
- til rådighed
- gennemsnit
- AWS
- Basketball
- Bavarian
- mægler
- virksomhed
- ringe
- odds
- Cloud
- cloud computing
- kommer
- Virksomheder
- sammenlignet
- konkurrence
- Compute
- computing
- Konference
- anser
- forbruge
- Container
- Beholdere
- Nuværende
- Kunder
- data
- datalogi
- dataforsker
- Database
- døde
- leverer
- Trods
- Udvikler
- Udvikling
- forskellige
- Direktør
- Rabat
- Er ikke
- Økonomi
- Europa
- europæisk
- begivenhed
- begivenheder
- at alt
- eksempel
- udveksling
- Oplevelser
- ende
- Fornavn
- Fokus
- efter
- fodbold
- formel 1
- Gratis
- fuld
- funktion
- spil
- Spil
- Tyskland
- Global
- mål
- Mål
- gå
- godt
- stor
- Håndtering
- have
- højde
- hjælpe
- hjælper
- Høj
- Hvordan
- HTTPS
- betydning
- vigtigt
- I andre
- medtaget
- øget
- industrier
- indflydelse
- Infrastruktur
- indsigt
- interesser
- involverede
- IT
- seneste
- lancere
- føre
- ligaer
- LÆR
- læring
- Led
- Lang
- maskine
- machine learning
- Match
- betyder
- Medier
- million
- tankerne
- mest
- Musik
- åbent
- ordrer
- ordrer
- Andet
- Ellers
- ydeevne
- perspektiver
- stykke
- perron
- Leg
- spiller
- spillere
- om
- produceret
- professionel
- projekt
- forfremmelse
- Psykologi
- kvalitet
- Kvarter
- rækkevidde
- Raw
- Læser
- realtid
- modtage
- Rekreative
- frigive
- repræsenterer
- REST
- Resultater
- Kør
- kører
- Videnskab
- Videnskabsmand
- sikker
- Serverless
- tjeneste
- Tjenester
- sæt
- afregner
- Del
- signifikant
- lignende
- So
- Fodbold
- Løsninger
- Sport
- Sport
- statistik
- statistik
- opbevaring
- Historier
- streaming
- stærk
- succes
- vellykket
- Succesfuld
- Systemer
- mål
- opgaver
- hold
- Teknologier
- Gennem
- tid
- sammen
- Emner
- afdække
- forstå
- union
- opdateringer
- us
- brug
- værdi
- video
- websites
- ugentlig
- Hvad
- inden for
- ord
- Arbejde
- arbejdede
- virker
- skrivning
- år