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.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:liu-177717 |
| Date | January 2021 |
| Creators | Westroth, Andreas, Gebrenegus, Simon |
| Publisher | Linköpings universitet, Statistik och maskininlärning |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0026 seconds