Spelling suggestions: "subject:"football analytics"" "subject:"rootball analytics""
1 |
Giving answers or educating? : Evaluation of an automated tracking system and its possibilities to educate game intelligence in Swedish elite football players.Ekholm, Edwin January 2020 (has links)
The aim of the study was to evaluate an automated tracking system and its possibilities to increase knowledge and awareness (future described as educate) in game intelligence among Swedish male elite football players. The study involved both qualitative and quantitative aspects. The quantitative part consisted of observing offensive passes performed by three male players, average age 25.3 (±1.5) years, weight 75.7 (±2.1) kg and height 181 (±4.4) cm. All of the players offensive passes were judged and categorized, based on criteria by the practitioner with footballing knowledge and by the automated tracking system. Pass probability (PP) and pass probability times pass impact (PP x PI) was observed since they indicate the possibility for a pass to succeed but also its impact, which could be associated with the game intelligence ability, knowledge of situational probability. The results showed a significant association (p<0.05) between PP and PP x PI. Hence, the null hypothesis could be rejected. Additionally, pass probability (PP) was a more accurate method than pass probability times pass impact (PP x PI) and results also showed that the players made more accurate decisions than the automated tracking system. The qualitative part of the study consisted of three recorded sessions with the player, where the automated tracking system was used as an educational tool. The players were shown different situations which they then discussed. Results indicated that most of the player quotes could be associated to visual search behavior (n=24). Although, an improved automated tracking system was used, there are still limitations with the automated tracking systems accuracy which could affect the results. This article provides a very preliminary step in the study of automated tracking systems as an educational tool and suggests an approach based on discussions with players, rather than only relying on answers given by the automated tracking system. However, the research area within automated tracking systems is relatively unexplored and results should be interpreted with caution. Therefore, future studies are necessary to determine how much an automated tracking system could improve game intelligence.
|
2 |
Towards a Data-Driven Football Playbook / Mot en datadriven fotbollsspelbokPálmason Morthens, Ágúst January 2023 (has links)
At a competitive level, football teams often have multiple matches per week. Thus, time can be a limited resource for match analysts tasked with analysing the performance of their team and its opponents. Increased availability of data in the field offers possibilities to automate processes to save time. This thesis presents a method to automatically detect pre-defined moments of interest in the game, and how they can be analysed to gain insights into the play style of football teams and how they create and concede goal-scoring opportunities in open play. An algorithm was developed to synchronise Wyscout event data with Signality tracking data of 240 matches from the Swedish Allsvenskan, which resulted in a mean absolute error of 280 ms. Comprehensible features were extracted from the combined data to detect eleven moments of interest in the absence of manually labelled data: crosses, passes to the golden zone, switches of play, central through balls, wing plays, keeping possession, long balls from the back, counterattacks, establish possession, counterpresses and fall back. The detection for fall back failed, but the remaining moments of interest were detected with a precision of 0.84. The automatic moment detection was made accessible through a web-based application, enabling analysts to focus on analysing aspects of the game rather than spending time searching for them. The detected moments were then analysed, demonstrating that by conducting a more extensive analysis, a data-driven playbook providing insights into how football teams play and create or concede goal-scoring opportunities can be established. / På elitnivå har fotbollslag ofta flera matcher per vecka. Tiden kan därmed vara en begränsad resurs för matchanalytiker som har i uppgift att analysera prestationen hos sitt eget lag och dess motståndare. Ökad tillgänglighet av data i fotboll ger möjligheter att automatisera processer för att spara tid. Denna studie presenterar en metod för att automatiskt upptäcka fördefinierade spelfaser av intresse och hur de kan analyseras för att få insikter i fotbollslagens spelsätt och hur de skapar och släpper till målchanser i öppet spel. En algoritm utvecklades för att synkronisera Wyscout händelsedata med Signality spårningsdata från 240 matcher från Allsvenskan, vilket resulterade i ett genomsnittligt absolut synkroniseringsfel på 280 ms. Begripliga variabler extraherades från den kombinerade datan för att upptäcka elva spelfaser av intresse utan manuell datamärkning: inlägg, passningar till de gyllene zonerna, spelvändningar, centrala genomskärare, spel på kanterna, bibehållning av bollinnehav, långbollar från backlinjen, kontringar, etablering av bollinnehav, direkta återerövringar och tillbakafall. Detekteringen av tillbakafall misslyckades, men de återstående faserna av intresse upptäcktes med ett positivt prediktivt värde på 0,84. Den automatiserade fasupptäckten gjordes tillgänglig genom en webbaserad applikation, vilket möjliggör för analytiker att fokusera på att analysera olika aspekter av spelet i stället för att tillbringa tid på att söka efter dem. De upptäckta faserna av intresse analyserades sedan, vilket visade att genom att genomföra en mer omfattande analys kan en datadriven spelbok skapas som ger insikter i hur fotbollslag spelar och skapar eller släpper till målchanser.
|
3 |
Analys och utvärdering av fotbollsspelares passningsegenskaper : Kategorisering av lyckade passningar och identifiering av fotbollsspelares passningsegenskaper genom faktoranalysWestroth, Andreas, Gebrenegus, Simon January 2021 (has links)
Sports analytics is an area that is growing at a rapid rate. It can be described as the use of data and analytics to gain an advantage in sports. It can include scouting, recovery, tactics and so on. This thesis uses data about association football passes to analyse players passing attributes. The dataset that has been used is acquired from the company Football Analytics Sweden AB and is produced by a subcontractor. The dataset includes event data for all games played in the Swedish division 1 during the 2020 season. In total there are 48 different types of events, but only the category passes accurate are analysed. Accurate passes are represented by x and y coordinates for the start and end point of the pass. The thesis's intention is the study how passes can be categorized in order to differentiate different players passing attributes, and how to identify types of players in regard to passing from that categorization. The categorization has been made possible by dividing the football pitch into different zones. The zones have been chosen on sports science and football grounds. Every pass is assigned a category based on which zone the pass starts in and what zone the pass ends up in. The proportion of passes a player hits for every category is then calculated and is used to perform factor analysis. The factor analysis identifies 13 underlying factors that can describe players different passing attributes. These factors have been interpreted and given names. The factors describe both general attributes as well as more specific attributes. Factor scores are then used to compare and identify which or what type of passing player a particular player is. / Sports analytics är ett begrepp som används mer och mer. I allmänhet kan det beskrivas som användningen av data och dataanalys för att få en fördel inom sport. Det kan vara allt från scouting (rekrytering av spelare), återhämtning och taktik. Den här studien använder information om fotbollspassningar för att undersöka fotbollsspelares passningsegenskaper. Datamaterialet som använts är erhållet från företaget Football Analytics Sweden AB och är framtaget av en underleverantör. Datamaterialet innehåller händelsedata för alla matcher som spelades i division 1 under säsongen 2020. Totalt finns det 48 olika typer av händelser, men endast händelsen lyckade passningar tas i beaktande. Lyckade passningar representeras av x och y koordinater för start- och slutpunkten för passningen. Studiens syfte är att undersöka hur passningar kan kategoriseras för att göra det möjligt att differentiera olika spelares passningsförmågor och hur man kan identifiera typ av passningsspelare utifrån kategoriseringen. Kategorisering av passningar utfördes med hjälp av en zonuppdelning av fotbollsplanen. Zonuppdelning är grundad på sportvetenskapliga och fotbollsmässiga grunder. Varje passning tilldelas en kategori beroende på vilken zon passningen startar och slutar i. Andelen av passningar en spelare slår inom varje kategori beräknas, för att sedan användas i en faktoranalys. Faktoranalysen identifierar bakomliggande faktorer som påverkar en spelares andelar av passningar inom varje kategori. Totalt identifierades 13 bakomliggande faktorer och dessa kan beskriva en spelares passningsegenskaper. Dessa faktorer har verklighetstolkas och namngetts. Faktorerna beskriver både allmänna egenskaper och mer specifika egenskaper. Faktorpoäng som beräknats från dem bakomliggande faktorerna används sedan för att jämföra och identifiera vilka eller vilken typ av passningsspelare en spelare är.
|
4 |
Avatar Playing Style : From analysis of football data to recognizable playing stylesEdberger Persson, Jakob, Danielsson, Emil January 2022 (has links)
Football analytics is a rapid growing area which utilizes conventional data analysis and computational methods on gathered data from football matches. The results emerging out of this can give insights of performance levels when it comes to individual football players, different teams and clubs. A difficulty football analytics struggles with daily is to translate the analysis results into actual football qualities and knowledge which the wider public can understand. In this master thesis we therefore take on the ball event data collected from football matches and develop a model which classifies individual football player’s playing styles, where the playing styles are well known among football followers. This is carried out by first detecting the playing positions: ’Strikers’, ’Central midfielders’, ’Outer wingers’, ’Full backs’, ’Centre backs’ and ’Goalkeepers’ using K-Means clustering, with an accuracy of 0.89 (for Premier league 2021/2022) and 0.84 (for Allsvenskan 2021). Secondly, we create a simplified binary model which only classifies the player’s playing style as "Offensive"/"Defensive". From the bad results of this model we show that there exist more than just these two playing styles. Finally, we use an unsupervised modelling approach where Principal component analysis (PCA) is applied in an iterative manner. For the playing position ’Striker’ we find the playing styles: ’The Target’, ’The Artist’, ’The Poacher’ and ’The Worker’ which, when comparing with a created validation data set, give a total accuracy of 0.79 (best of all positions and the only one covered in detail in the report due to delimitations). The playing styles can, for each player, be presented visually where it is seen how well a particular player fits into the different playing styles. Ultimately, the results in the master thesis indicates that it is easier to find playing styles which have clear and obvious on-the-ball-actions that distinguish them from other players within their respective position. Such playing styles, easier to find, are for example "The Poacher" and "The Target", while harder to find playing styles are for example " The Box-to-box" and "The Inverted". Finally, conclusions are that the results will come to good use and the goals of the thesis are met, although there still exist a lot of improvements and future work which can be made. Developed models can be found in a simplified form on the GitHub repository: https://github.com/Sommarro-Devs/avatar-playing-style. The report can be read stand-alone, but parts of it are highly connected to the models and code in the GitHub repository.
|
5 |
Identifying Optimal Throw-in Strategy in Football Using Logistic Regression / Identifiering av Optimal Inkaststrategi i Fotboll med Logistisk RegressionNieto, Stephan January 2023 (has links)
Set-pieces such as free-kicks and corners have been thoroughly examined in studies related to football analytics in recent years. However, little focus has been put on the most frequently occurring set-piece: the throw-in. This project aims to investigate how football teams can optimize their throw-in tactics in order to improve the chance of taking a successful throw-in. Two different definitions of what constitutes a successful throw-in are considered, firstly if the ball is kept in possession and secondly if a goal chance is created after the throw-in. The analysis is conducted using logistic regression, as this model comes with high interpretability, making it easier for players and coaches to gain direct insights from the results. A substantial focus is put on the investigation of the logistic regression assumptions, with the greatest emphasis being put on the linearity assumption. The results suggest that long throws directed towards the opposition’s goal are the most effective for creating goal-scoring opportunities from throw-ins taken in the attacking third of the pitch. However, if the throw-in is taken in the middle or defensive regions of the pitch, the results interestingly indicate that throwing the ball backwards leads to increased chance of scoring. When it comes to retaining the ball possession, the results suggest that throwing the ball backwards is an effective strategy regardless of the pitch position. Moreover, the project outlines how feature transformations can be used to improve the fitting of the logistic regression model. However, it turns out that the most significant improvement in accuracy of logistic regression occurs when incorporating additional relevant features into the model. In such case, the logistic regression model achieves a predictive power comparable to more advanced machine learning methods. / Fasta situationer såsom frisparkar och hörnor har varit välstuderade i studier rörande fotbollsanalys de senaste åren. Lite fokus har emellertid lagts på den vanligast förekommande fasta situationen: inkastet. Detta projekt syftar till att undersöka hur fotbollslag kan optimera sin inkasttaktik för att förbättra möjligheterna till att genomföra ett lyckat inkast. Två olika definitioner av vad som utgör ett lyckat inkast beaktas, dels om bollinnehavet behålls och dels om en målchans skapas efter inkastet. Analysen görs med logistisk regression eftersom denna modell har hög tolkningsbarhet, vilket gör det lättare för spelare och tränare att få direkta insikter från resultaten. Stort fokus läggs på undersökning av de logistiska regressionsantagandena, där störst vikt läggs på antagandet gällande linjäritet. Resultaten tyder på att långa inkast riktade mot motståndarnas mål är de mest gynnsamma för att skapa en målchans från inkast tagna i den offensiva tredjedelen av planen. Om inkastet istället tas från de mellersta eller defensiva delarna av planen tyder resultaten intressant nog på att inkast riktade bakåt leder till ökad chans till att göra mål. När det kommer till att behålla bollinnehavet visar resultaten att kast bakåt är en gynnsam strategi, oavsett var på planen inkasten tas ifrån. Vidare visar projektet hur variabeltransformationer kan användas för att förbättra modellanpassningen för logistisk regression. Det visar sig dock att den tydligaste förbättringen fås då fler relevanta variabler läggs till i modellen. I sådant fall, får logistisk regression en prediktiv förmåga som är jämförbar med mer avancerade maskininlärningsmetoder.
|
6 |
A Data-Driven Approach For Evaluating Defensive Behavior During the Build-Up Phase in Football / En datadriven strategi för att utvärdera försvarsspeleti uppbyggnadsfasen inom fotbollMarkou, Dimitrios January 2024 (has links)
In the popular sport of football, the exploration of key performance indicators has garnered significant interest among researchers, coaches, and analysts. While machine learning approaches, such as the expected goals model, have provided valuable insights into the attacking aspects of the game, the defensive side has received comparatively less attention. This thesis focuses on the defensive aspect of football, particularly during the opposition’s build-up phase, a strategy increasingly adopted by many teams. The goal of this project is to integrate valuable features from existing research with newly generated ones, developed in consultation with football experts, to create a model that provides insights into a team’s defensive behavior during the opponent’s build-up phase. The study utilizes synchronized event and tracking data from the Allsvenskan 2022 and 2023 seasons. An algorithm is developed to filter and analyze build-up sequences by generating appropriate defensive features. Subsequently, a logistic regression-based machine learning model is implemented to predict the outcome of an event during a build-up sequence, as well as the overall outcome of the sequence. This approach, enables the introduction of two new metrics aimed at evaluating a team’s defensive behavior during the opponent’s build-up phase. Additionally, a web-based application is developed to visualize and communicate the project results and insights to football experts and data analysts. Finally, the findings of this thesis highlight the benefits of combining tracking data with event data in football analytics. / Nyckeltalsundersökningar för att utvärdera och utveckla fotbollsklubbars prestation har väckt stort intresse bland forskare, tränare och analytiker. Traditionellt sett har dessa nyckeltal härletts genom observationsanalys. Dock har den ökande förekomsten av teknik inom den professionella fotbollsvärlden skapat möjligheter för att implementera mer automatiserade metoder för taktisk analys. Denna studie kommer specifikt att fördjupa sig inom det taktiska området av fotboll, som framstår som den mest relevanta och dynamiska delen av spelet. Målet med studien är att applicera modern teknologi, så som maskininlärning, på befintlig forskning, för att utveckla en modell som ger insikter om försvarsspelet under motståndarens uppbyggnadsfas. Studien undersöker synkroniserad händelse- och spårningsdata från Allsvenskan, Sveriges Högsta fotbollsserie, säsongerna 2022 och 2023. Efter att ha utvecklat en algoritm för att filtrera uppbyggnadssekvenser, användes denna data för att generera omfattande egenskaper som beskriver kvaliteten på ett lags försvarsspel. Därefter implementeras en maskininlärningsmodell, med hjälp av logistisk regressionsanalys, för att förutse utfallet av både en uppbyggnadssekvens och försvarsspelet. Resultatet visar på värdet av att kombinera spårningsdata med händelsedata inom fotbollsanalys. Modellens prestanda förbättrades avsevärt, både när det gäller att förutsäga utfallet av ett defensivt spel och en uppbyggnadssekvens.Dessutom har resultatet av studien lett till användbara insikter om försvarsspel för dataanalytiker inom fotboll. En webbaserad applikation utvecklades också för att visualisera och kommunicera resultaten.
|
Page generated in 0.0968 seconds