EVENT: Machine learning ger dig vinnande taktiska spelmönster

VÄLKOMMEN PÅ LUNCHSEMINARIUM OM MACHINE LEARNING OCH FOTBOLL

Läs mer om eventet och anmäl dig här.

Det samlas in mängder av data kring varje match i de större ligorna. Varje passning, skott och blockering samlas in för analys. I datamängden kan vi hitta svaret på varför vissa lag underpresterar och varför andra överpresterar – förutsatt att vi använder rätt metod. Claremont, Stockholm Universitet och Twelve har i ett samarbete under ledning av Michael Ståhle utvecklat en modell inom ramarna för Unsupervised Learning som bygger på klustermetoden Fast Search and Density Peaks för att ge svar på frågor kring passningssekvenser och prestation. Det innebär att vi kan koppla centrala händelser som gjorda och insläppta mål till specifika passningssekvenser.

Detta ger oss möjlighet att se vilken taktik som genererar resultat men även information kring vilka mönster som måste brytas hos motståndaren. Vital information för en datadriven manager.

Från fotboll till affärsnytta

VM i fotboll närmar sig och engagerar hela världen och utgör en betydande del av underhållningsindustrin. Sport i allmänhet och fotboll i synnerhet generar ett stort värde för många, Det senaste VM i Brasilien hade över 4 miljarder tittare och andelen TV-tittare på dam-EM hade ökat med 283 % mellan 2005 och 2009. Premier League - den engelska högstaligan, estimerades generera 24.6 miljarder Euro säsongen 15/16.

Det råder ingen tvekan om att det finns ett stort affärsvärde i att förstå fotboll bättre men värdet av den här typen av analys och data applicerar på många andra verksamheter såsom retail, finans och telecom. Klustermetoder och modeller för dynamiska system är till nytta för dem som bättre vill förstå sina kunder och deras beteenden. Det ger en möjlighet att svara på frågor som; Vilka olika kundsegment finns det? Vad är sannolikheten att den här kunden säger upp sitt abonnemang imorgon? Vilka artiklar ska vi ha i vårt sortiment?

Likt många industrier har fotbollen bara skrapat på ytan av den fulla potentialen av machine learning och data-drivet beslutsfattande. Den egna tränaren har såklart väldigt bra koll på det egna spelet. Men med metoden vi använder kan de säkerställa, felsöka och kvalitetssäkra den taktiska implementationen under och efter matchen. Det kan också vara ett stort hjälpmedel för de video-analytiker som med ”expert-kompetens” okulärt analyserar motståndarlagets taktik under matchen.

Den matematiska aspekten

Från sekventiell data av passningar går det att hitta liknande passningssekvenser som förekommer mer frekvent än andra, d.v.s. kluster av passningssekvenser! Genom att använda statistiska metoder och machine learning kan man sedan modellera fotbollsmatchen som en stokastisk process där klustren av passningssekvenser utgör processens olika tillstånd. Sedan kopplar man de olika klustren till händelser av intresse, t.ex. mål eller tapp av boll. För ett givet fotbollslag tränar man modellen över flera närliggande matcher och kan på så sätt skatta sannolikheten för mål givet en viss passningssekvens. Modellen kan även ge stor nytta genom att bidra till tränarens arbete i att utvärdera sitt lags taktik och samtidigt analysera motståndarlagets taktik.

Olika typer av kluster-metoder förekommer i den gren av machine learning som kallas för unsupervised learning. Den skiljer sig från den mer typiska grenen supervised learning, då man inte har en tydlig responsvariabel utan intresserar sig mer för likheterna mellan input-variablerna. Som del av sitt arbete har Michael Ståhle utvecklat den ovan beskrivna modellen som bygger på kluster-metoden Fast Search and Density Peaks (Rodriguez, Laio - 2014).