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.

Tracking algorithms provide the model to recognize objects’ motion in the past. Moreover, applied to an artificial intelligence algorithm, these algorithms allow, to some degree, the capacity to forecast the future position of an object. This thesis uses deep learning algorithms to predict the ball’s position in the three-dimensional (3D) Cartesian space given the players’ motion and referees on the 2D space. The algorithms implemented are the encoder-decoder attention-based Transformer and the Inception Time, which is comprised of an ensemble of Convolutional Neural Networks. They are compared to each other under different parametrizations to understand their ability to capture temporal and spatial aspects of the tracking data on the ball prediction. The Inception Time proved to be more inconsistent on different areas of the pitches, especially on the end-lines and corners, motivating the decision to choose the Transformer network as the optimal algorithm to predict the ball position since it achieved less volatile errors on the pitch. / Spårningsalgoritmer möjliggör för modellen att känna igen objekts tidigare rörelser. Dessutom om tillämpad till en Artificiell intelligensalgoritm, de tillåter till viss mån att prognostisera ett objekts framtida position. Detta examensarbete använder djupinlärningsalgoritmer för att förutsäga bollens position i det tredimensionella (3D) kartesiska utrymmet baserat på spelarnas och domarnas rörelse i 2D-rymden. De implementerade algoritmerna är den kodare-avkodare-uppmärksamhetsbaserade Transformer och Inception Time, som består av en sammansättning faltningsnätverk (CNN). De jämförs med varandra med olika parametriseringar för att se deras förmåga att fånga upp tidsmässiga och rumsliga aspekter av spårningsdata för att förutsäga bollens rörelse. Inception Time visade sig vara mer inkonsekvent på olika områden på planen. Det var extra tydligt på slutlinjerna och i hörnen. Det motiverade beslutet att välja Transformer-nätverket som den optimala algoritmen för att förutsäga bollpositionen, eftersom den resulterade i färre ojämna fel på planen.

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.