Vikten av fasta spel i fotboll (eller fotboll i USA) har ökat de senaste åren: nu görs mer än en fjärdedel av alla mål via fasta spel. Frisparkar och hörnor skapar i allmänhet de mest lovande situationerna, och vissa professionella lag har till och med anställt specifika tränare för de delarna av spelet.
I det här inlägget delar vi hur Bundesliga Match Fact Fact Piece Threat hjälper till att utvärdera prestanda i fasta fall. När lag försöker utnyttja dessa dödbollssituationer mer och mer kommer Set Piece Threat att hjälpa tittaren att förstå hur väl lagen utnyttjar dessa situationer. Dessutom kommer den att förklara för läsaren hur AWS-tjänster kan användas för att beräkna statistik i realtid.
Bundesligas Union Berlin är ett bra exempel på relevansen av fasta spel. Laget lyckades ta sig från Bundesliga 2 till kvalificering till en europeisk tävling på bara två år. De slutade trea i Bundesliga 2 under säsongen 2/18 och tjänade sig själva en plats i nedflyttningsslutspelet till Bundesliga. Under den säsongen gjorde de 19 mål från öppet spel, bara på nionde plats i ligan. Däremot rankades de tvåa för mål gjorda genom fasta spel (28 mål).
Talande nog, i den första nedflyttningsslutspelsmatchen mot VfB Stuttgart, säkrade Union en oavgjord 2:2 och satte en nick efter en hörna. Och i returmatchen underkändes Stuttgart ett frisparksmål på grund av en passiv offside, vilket gjorde att Union gick in i Bundesliga med en oavgjord 0:0.
Relevansen av fasta spel för Unions framgång slutar inte där. Union avslutade sina två första Bundesliga-säsonger med stark elfte och sjua, rankad trea och första i antal mål på fasta mål (gör 15 mål från fasta mål under båda säsongerna). Som jämförelse lyckades FC Bayern München – ligamästaren – bara göra 10 mål från fasta spel under båda säsongerna. Framgångarna som Union Berlin har haft med sina fasta spel gjorde att de kunde säkra den sjunde platsen under säsongen 20/21 Bundesliga, vilket innebar kvalificering till UEFA Europa Conference League, som gick från Bundesliga 2 till Europa bara 2 år efter att ha vunnit uppflyttning. Föga överraskande gjorde de i den avgörande matchen ett av sina två mål efter en hörna. När detta skrivs ligger Union Berlin på fjärde plats i Bundesliga (matchdag 20) och först i hörnprestationer, en statistik som vi förklarar senare.
Union Berlins väg till Europa visar tydligt den inflytelserika rollen av offensiva och defensiva prestationer under fasta spel. Hittills har det dock varit svårt för fans och TV-bolag att korrekt kvantifiera denna prestanda, om de inte ville dissekera massiva tabeller på analytiska webbplatser. Bundesliga och AWS har arbetat tillsammans för att illustrera hotet som ett lag producerar och hotet som skapas av fasta spel mot laget, och kom fram till det nya Bundesliga Match Fact: Set Piece Threat.
Hur fungerar Set Piece Threat?
För att avgöra vilket hot ett lag utgör med sina dödspel tar vi hänsyn till olika aspekter av deras målspel. Det är viktigt att notera att vi bara betraktar hörnor och frisparkar som fasta mål och beräknar hotet för varje kategori oberoende.
Fasett 1: Resultatet av ett fast spel: Mål, skott eller ingenting
Först överväger vi Resultatet av en fast bit. Det vill säga vi observerar om det resulterar i ett mål. Men resultatet påverkas generellt av fina marginaler, som en bra räddning av målvakten eller om ett skott borstar stolpen istället för att gå in, så vi kategoriserar också kvaliteten på ett skott som blir resultatet av dödläget. Skotten delas in i flera kategorier.
Kategori | Förklaring |
Mål | Ett lyckat skott som ledde till mål |
Utestående | Skott som nästan ledde till mål, som ett skott i stolpen |
Decent | Andra anmärkningsvärda målscener |
Genomsnitt | Resten av chanserna som skulle inkluderas i en chanskvot med relevant målhot |
Ingen | Inget riktigt målhot, ska inte betraktas som en riktig chans, till exempel ett nick som knappt rörde bollen eller ett blockerat skott |
Inget skott | Inga skott tagna alls |
Ovanstående video visar exempel på skottresultatkategorier i följande ordning: enastående, anständigt, genomsnittligt, ingen.
Fasett 2: Potential för ett skott
För det andra tar vår algoritm hänsyn till potentialen för ett skott. Detta inkluderar hur sannolikt det borde ha resulterat i ett mål, vilket tar den faktiska prestationen för skotttagaren ur ekvationen. Med andra ord, vi kvantifierar målpotentialen i situationen där skottet togs. Detta fångas av förväntat mål (xGoals) värdet på skottet. Vi tar bort inte bara förekomsten av tur eller brist på sådan, utan också kvaliteten på strejken eller rubriken.
Fasett 3: Antal fastspel
Därefter överväger vi aspekten av ren mängd av fasta spel som ett lag får. Vår definition av Set Piece Threat mäter hotet på en per-set-piece-basis. Istället för att summera alla utfall och xGoal-värden för ett lag under loppet av en säsong, aggregeras värdena så att de representerar det genomsnittliga hotet per fast spel. På så sätt representerar till exempel hörnhotet lagets fara för varje hörna och anser inte att ett lag är farligare bara för att de har fler hörnor än andra lag (och därför potentiellt fler skott eller mål).
Fasett 4: Utveckling över tid
Den sista aspekten att överväga är utvecklingen av ett teams hot över tid. Tänk till exempel ett lag som gjorde tre mål från hörnor under de tre första matchdagarna men som inte levererar något betydande hot under de kommande 15 matchdagarna. Detta lag ska inte anses utgöra ett betydande hot från hörnor på matchdag 19, trots att det redan har gjort tre mål, vilket ändå kan vara en bra avkastning. Vi redogör för denna (positiva eller negativa) utveckling av ett lags målspelskvalitet genom att tilldela en rabatt till varje setboll, beroende på hur länge sedan den inträffade. Med andra ord, en frispark som togs för 10 matchdagar sedan har mindre inflytande på det beräknade hotet än en som togs under den senaste eller till och med pågående matchen.
Poäng: Per set piece aggregation
Alla fyra aspekter vi har beskrivit är sammanslagna i två värden för varje lag, ett för hörnor och ett för frisparkar, som beskriver faran som en motsvarande målboll från det laget för närvarande skulle utgöra. Värdet definieras som det viktade medelvärdet av poängen för varje setboll, där poängen för en setboll definieras som (0.7 * shot-outcome + 0.3 * xG-value)
om setbollen resulterade i ett skott och 0 annars. De shot-outcome
är 1 om laget gjorde mål och lägre för andra resultat, såsom ett skott som gick utanför, beroende på dess kvalitet. Vikten för varje set bestäms av hur länge sedan den togs, som beskrivits tidigare. Totalt sett är värdena definierade mellan 0–1, där 1 är det perfekta betyget.
Hot om dödsbo
Därefter jämförs värdena för varje lag med ligagenomsnittet. Den exakta formeln är score(team)/avg_score(league) - 1
. Detta värde är vad vi kallar Set Piece Threat-värdet. Ett lag har ett hotvärde på 0 om det är exakt lika bra som ligasnittet. Ett värde på -1 (eller -100%) beskriver ett lag som inte utgör något hot alls, och ett värde på +1 (+100%) beskriver ett lag som är dubbelt så farligt som genomsnittet i ligan. Med dessa värden beräknar vi en ranking som sorterar lagen från 1–18 efter deras offensiva hot om hörnor respektive frispark.
Vi använder samma data och liknande beräkningar för att även beräkna ett defensivt hot som mäter ett lags defensiva prestation med hänsyn till hur de försvarar fasta spel. Nu, istället för att beräkna en poäng per egen spelboll, beräknar algoritmen en poäng per motståndarboll. Precis som för det offensiva hotet jämförs poängen med ligans genomsnitt, men värdet är omvänt: -score(team)/avg_score(league) + 1
. På så sätt uppnås ett hot på +1 (+100 %) om laget inte tillåter motståndarna några skott alls, medan ett lag med defensivt hot på -1 (-100 %) är dubbelt så mottagligt för motståndarnas fasta spel som ligan genomsnitt. Återigen, ett lag med ett hot på 0 är lika bra som ligasnittet.
Fynden från Set Piece Threat
En viktig aspekt av Set Piece Threat är att vi fokuserar på en uppskattning av hot istället för gjorda och insläppta mål via fasta spel. Om vi tar SC Freiburg och Union Berlin på matchdag 21 som ett exempel, har Freiburg under loppet av den här säsongen gjort sju mål via hörnor jämfört med fyra från Union Berlin. Vår hotrankning rankar fortfarande båda lagen ganska lika. Faktum är att vi förutspår en hörna av Freiburg (ranking 3) till och med vara 7 % mindre hotfull än en hörna av Union Berlin (ranking 1). Den främsta anledningen till detta är att Union Berlin skapade ett liknande antal stora chanser ur sina hörnor, men misslyckades med att omvandla dessa chanser till mål. Freiburg å andra sidan var betydligt effektivare med sina chanser. En sådan diskrepans mellan chanskvalitet och faktiska mål kan inträffa i en sport med hög varians som fotboll.
Följande graf visar Union Berlins offensiva hörnranking (blå) och poäng (röd) från matchdagarna 6–21. På matchdag 12 gjorde Union ett mål från en hörna och hade dessutom en bra chans från en andra hörna som inte resulterade i ett mål men som uppfattades som ett högt hot av vår algoritm. Dessutom hade Union ett skott på mål i fem av sju hörnsparkar på matchdag 12. Union hoppade omedelbart in i rankingen från tolfte till femte plats som ett resultat av detta, och poängvärdet för Union ökade likaväl som ligasnittet. Eftersom Union såg fler och fler höga hotchanser under de senare matchdagarna från hörnor, tog de steg för steg förstaplatsen i hörnhotsrankingen. Poängen är alltid relativt den nuvarande ligagenomsnittet, vilket innebär att Unions hot på matchdag 21 är 50 % högre från hörnor än det genomsnittliga hotet från alla lag i ligan.
Implementering och arkitektur
Bundesliga matchfakta körs oberoende AWS Fargate behållare inuti Amazon Elastic Container Service (Amazon ECS). Tidigare Bundesliga-matchfakta förbrukar rå händelse- och positionsdata för att beräkna avancerad statistik. Detta ändras med lanseringen av Set Piece Threat, som analyserar data producerad av ett befintligt Bundesliga Match Fact (xMål) för att beräkna dess ranking. Därför skapade vi en arkitektur för att utbyta meddelanden mellan olika Bundesliga Matchfakta under livematcher i realtid.
För att garantera att de senaste uppgifterna återspeglas i beräkningarna av dödsolyckor, använder vi Amazon Managed Streaming för Apache Kafka (Amazon MSK). Den här meddelandemäklartjänsten låter olika Bundesliga Matchfakta skicka och ta emot de senaste händelserna och uppdateringarna i realtid. Genom att konsumera en match och Bundesliga Match Fakta-specifikt ämne från Kafka kan vi ta emot den mest uppdaterade informationen från alla inblandade system samtidigt som vi behåller möjligheten att spela om och bearbeta meddelanden som skickats tidigare.
Följande diagram illustrerar lösningsarkitekturen:
Vi introducerade Amazon MSK till detta projekt för att generellt ersätta all intern meddelandeöverföring för Bundesliga Match Facts-plattformen. Den hanterar injiceringen av positions- och händelsedata, som kan samlas till över 3.6 miljoner datapunkter per match. Med Amazon MSK kan vi använda den underliggande beständiga lagringen av meddelanden, vilket gör att vi kan spela om spel från vilken tidpunkt som helst. Men för Set Piece Threat ligger fokus på det specifika användningsfallet av passerande händelser producerade av Bundesliga Match Facts till andra Bundesliga Match Facts som körs parallellt.
För att underlätta detta skiljer vi mellan två typer av Kafka-ämnen: globala och matchspecifika. För det första har varje Bundesliga Match Fact ett eget specifikt globalt ämne, som hanterar alla meddelanden som skapas av Bundesliga Match Fact. Dessutom finns det ytterligare ett matchspecifikt ämne för varje Bundesliga Match Fact för varje match som hanterar alla meddelanden som skapats av en Bundesliga Match Fact för en specifik match. När flera livematcher körs parallellt produceras varje meddelande först och skickas till detta Bundesliga Match Fact-specifika globala ämne.
En avsändare AWS Lambda funktion prenumererar på varje Bundesliga Match Faktaspecifikt globalt ämne och har två uppgifter:
- Skriv in inkommande data till en databas som tillhandahålls via Amazon Relational Databas Service (Amazon RDS).
- Omfördela meddelanden som kan konsumeras av andra Bundesliga Match Facts till ett Bundesliga Match Fact-specifikt ämne.
Den vänstra sidan av arkitekturdiagrammet visar de olika Bundesliga matchfakta som körs oberoende av varandra för varje match och producerar meddelanden till det globala ämnet. Det nya hotet från Bundesliga Match Fact kan nu konsumera de senaste xGoal-värdena för varje skott för en specifik match (höger sida av diagrammet) för att omedelbart beräkna hotet som skapas av setbollen som resulterade i ett eller flera skott.
Sammanfattning
Vi är glada över lanseringen av Set Piece Threat och de mönster som kommentatorer och fans kommer att avslöja med denna helt nya insikt. Eftersom lag försöker utnyttja dessa dödbollssituationer mer och mer, kommer Set Piece Threat att hjälpa tittaren att förstå vilket lag som gör detta framgångsrikt och vilket lag som fortfarande har lite mark att täcka, vilket lägger till ytterligare spänning inför var och en av dessa dödspelssituationer. Det nya Bundesliga Match Fact är tillgängligt för Bundesligas sändare för att avslöja nya perspektiv och berättelser om en match, och lagrankningar kan ses när som helst i Bundesliga-appen.
Vi är glada över att lära oss vilka mönster du kommer att upptäcka. Dela dina insikter med oss: @AWScloud på Twitter, med hashtaggen #BundesligaMatchFacts.
Om författarna
simon rolfes spelade 288 Bundesligamatcher som central mittfältare, gjorde 41 mål och vann 26 landskamper för Tyskland. För närvarande fungerar Rolfes som sportchef på Bayer 04 Leverkusen där han övervakar och utvecklar spelarlistan, scoutingavdelningen och klubbens ungdomsutveckling. Simon skriver också veckovisa kolumner på Bundesliga.com om den senaste Bundesliga Match Facts powered by AWS
Luuk Figdor är Senior Sports Technology Specialist i AWS Professional Services-teamet. Han arbetar med spelare, klubbar, ligor och medieföretag som Bundesliga och Formel 1 för att hjälpa dem berätta historier med data med hjälp av maskininlärning. På fritiden gillar han att lära sig allt om sinnet och skärningspunkten mellan psykologi, ekonomi och AI.
Jan Bauer är en molnapplikationsarkitekt på AWS Professional Services. Hans intressen är serverlös datoranvändning, maskininlärning och allt som involverar cloud computing. Han arbetar med kunder i olika branscher för att hjälpa dem att bli framgångsrika på sin molnresa.
Pascal Kühner är en molnapplikationsutvecklare i AWS Professional Services Team. Han arbetar med kunder i olika branscher för att hjälpa dem att uppnå sina affärsresultat via applikationsutveckling, DevOps och infrastruktur. Han älskar bollsporter och på fritiden gillar han att spela basket och fotboll.
Uwe Dick är dataforskare på Sportec Solutions AG. Han arbetar för att göra det möjligt för Bundesliga-klubbar och media att optimera sin prestation med hjälp av avancerad statistik och data – före, efter och under matcher. På fritiden nöjer han sig med mindre och försöker bara hålla ut hela 90 minuter för sitt fritidsfotbollslag.
Javier Poveda-Panter är en Data Scientist för EMEA sportkunder inom AWS Professional Services-teamet. Han gör det möjligt för kunder inom området för åskådarsporter att förnya sig och dra nytta av sin data, och leverera högkvalitativa användar- och fansupplevelser genom maskininlärning och datavetenskap. Han följer sin passion för ett brett utbud av sport, musik och AI på fritiden.
- Myntsmart. Europas bästa bitcoin- och kryptobörs.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
- CryptoHawk. Altcoin radar. Gratis provperiod.
- Källa: https://aws.amazon.com/blogs/machine-learning/bundesliga-match-fact-set-piece-threat-evaluating-team-performance-in-set-pieces-on-aws/
- "
- 28
- 7
- Om oss
- Enligt
- Konto
- uppnås
- tvärs
- Annat
- avancerat
- AI
- algoritm
- Alla
- tillåta
- redan
- amason
- analytics
- app
- Ansökan
- arkitektur
- OMRÅDE
- tillgänglig
- genomsnitt
- AWS
- Basketboll
- Bayerska
- mäklare
- företag
- Ring
- chanser
- cloud
- cloud computing
- kommande
- Företag
- jämfört
- konkurrens
- Compute
- databehandling
- Konferens
- anser
- konsumera
- Behållare
- Behållare
- Aktuella
- Kunder
- datum
- datavetenskap
- datavetare
- Databas
- döda
- leverera
- Trots
- Utvecklare
- Utveckling
- olika
- Direktör
- Rabatt
- inte
- Ekonomi
- Europa
- Giltigt körkort
- händelse
- händelser
- allt
- exempel
- utbyta
- Erfarenheter
- änden
- Förnamn
- Fokus
- efter
- fotboll
- Formel 1
- Fri
- full
- fungera
- lek
- Games
- Tyskland
- Välgörenhet
- Målet
- Mål
- kommer
- god
- stor
- Arbetsmiljö
- har
- höjd
- hjälpa
- hjälper
- Hög
- Hur ser din drömresa ut
- HTTPS
- vikt
- med Esport
- I andra
- ingår
- ökat
- industrier
- påverka
- Infrastruktur
- insikter
- intressen
- involverade
- IT
- senaste
- lansera
- leda
- ligor
- LÄRA SIG
- inlärning
- Led
- Lång
- Maskinen
- maskininlärning
- Match
- betyder
- Media
- miljon
- emot
- mest
- Musik
- öppet
- beställa
- ordrar
- Övriga
- annat
- prestanda
- perspektiv
- bit
- plattform
- Spela
- Spelaren
- spelare
- Pro
- producerad
- professionell
- projektet
- främjande
- Psykologi
- kvalitet
- Kvartal
- område
- Raw
- Läsare
- realtid
- motta
- fritids~~POS=TRUNC
- frigöra
- representerar
- REST
- Resultat
- Körning
- rinnande
- Vetenskap
- Forskare
- säkra
- Server
- service
- Tjänster
- in
- lägger sig
- Dela
- signifikant
- liknande
- So
- Fotboll
- Lösningar
- Sporter
- Sporter
- statistik
- statistik
- förvaring
- Upplevelser för livet
- streaming
- stark
- framgång
- framgångsrik
- Framgångsrikt
- System
- Målet
- uppgifter
- grupp
- Teknologi
- Genom
- tid
- tillsammans
- ämnen
- avslöja
- förstå
- fackliga
- Uppdateringar
- us
- användning
- värde
- Video
- webbsidor
- vecka
- Vad
- inom
- ord
- Arbete
- arbetade
- fungerar
- skrivning
- år