گل های مورد انتظار | چگونه از xG در شرط بندی فوتبال استفاده کنیم؟

فوتبال نوعی بازی‌ است که در آن تمام گل‌‌ها ارزشی برابر با ۱ دارند، اما احتمال گل‌شدن تمامی تلاش‌ها و شوت‌‌ها به سمت دروازه یکسان نیست. آمار و ارقام پایه مانند «شوت در چارچوب» (Shots on Target)، بینش و درک کافی از عملکرد تیم‌ ها ارائه نمی‌دهند. اینجاست که مفهوم گل های مورد انتظار (Expected Goals) یا به اختصار xG وارد عمل می‌شود.

گل های مورد انتظار (xG) یک معیار آماری است که بر اساس داده‌های گذشته، به هر تلاش برای گلزنی یک ارزش «کیفی» اختصاص می‌دهد. این معیار به ما امکان می‌دهد بازی‌ها را بهتر تحلیل کنیم و تشخیص دهیم که آیا نتایج به‌ دست‌آمده با خروجی‌های مورد انتظار همخوانی دارند یا خیر. گل‌های مورد انتظار این پتانسیل را دارند که پیش‌بینی فوتبال، ارزیابی تیم‌ها و بازیکنان و حتی شرط‌ بندی ورزشی را متحول کنند.

گل های مورد انتظار (xG) چیست؟

گل های مورد انتظار

گل های مورد انتظار (xG) یک معیار آماری در فوتبال است که برای تعیین کمیتِ کیفیتِ موقعیت‌های گلزنی در یک مسابقه استفاده می‌شود. این معیار، در واقع سنجش احتمالِ منجر به گل‌شدنِ یک شوت خاص است.

مقدار xG معمولا با استفاده از مدل‌های یادگیری ماشین (Machine Learning) محاسبه می‌شود. این مدل‌ها حجم عظیمی از داده‌های مربوط به شوت‌ها و گل‌های تاریخی را تحلیل می‌کنند تا فاکتورهایی را که بیشترین قابلیت پیش‌بینی برای موفقیت در گلزنی دارند، شناسایی کنند. این مدل‌ها می‌توانند بر اساس متغیرهای مختلفی آموزش ببینند، از جمله:

• فاصله از دروازه

• زاویه شلیک شوت

• موقعیت بدن شوت‌زننده

• تعداد مدافعان بین شوت‌زننده و دروازه

زمانی که یک مدل آموزش دید، برای هر شانس گلزنی در یک مسابقه خاص، یک مقدار xG تولید می‌کند. این مقدار نشان‌دهنده احتمال گل شدن آن فرصت، در مقیاسی بین ۰ تا ۱ است. برای مثال، شوتی با مقدار xG 0.1 انتظار می‌رود که در ۱۰٪ مواقع به گل تبدیل شود، در حالی که شوتی با مقدار xG 0.9 انتظار می‌رود در ۹۰٪ مواقع گل شود.

همچنین بخوانید: سریع‌ترین گل‌های تاریخ جام جهانی

xG به یک معیار محبوب در تحلیل فوتبال تبدیل شده است، زیرا روشی عینی‌تر (Objective) برای ارزیابی کیفیت موقعیت‌های گلزنی نسبت به آمارهای سنتی مانند «شوت به دروازه» یا «گل‌های زده» ارائه می‌دهد. همچنین می‌توان از آن برای شناسایی بازیکنان یا تیم‌هایی استفاده کرد که نسبت به خروجی گلزنی مورد انتظارشان، عملکردی فراتر از انتظار (Overperforming) یا ضعیف‌تر از انتظار (Underperforming) داشته‌اند.

یک مثال از گل های مورد انتظار (xG)

شاید نام «گل های مورد انتظار» را شنیده باشید یا استفاده از آن را در برنامه‌هایی مانند «مسابقه روز» (Match Of The Day) دیده باشید. در اینجا مثالی از یکی از مسابقات قدیمی لیگ برتر انگلیس آورده شده است. این آمار نشان‌دهنده امتیاز xG معادل ۲.۲ در مقابل ۰.۴ به نفع منچستریونایتد پس از پایان بازی است.

آمار گل‌های مورد انتظار منچستریونایتد در مقابل استوک سیتی (منبع: Opta)

به طور متوسط، ۹.۷٪ از شوت‌ها در لیگ برتر به گل تبدیل می‌شوند. برخی از این شوت‌ها از راه دور هستند، برخی با ضربه سر و برخی دیگر ضربات ساده و تمام‌کننده از فاصله بسیار نزدیک (Tap-ins) هستند. نکته مهم این است که همه شوت‌ها شانس برابری برای باز کردن دروازه ندارند. معیار گل‌های مورد انتظار این موضوع را در نظر می‌گیرد و تعیین می‌کند که تیم‌ها «باید» چند گل در یک مسابقه به ثمر می‌رساندند. این عدد به ما یک نتیجه مورد انتظار (Expected Scoreline) می‌دهد.

در تصویر بالا، موقعیت‌های منچستریونایتد با رنگ قرمز/صورتی و موقعیت‌های استوک با خاکستری تیره نشان داده شده است. هرچه مربع بزرگ‌تر باشد، کیفیت آن موقعیت گلزنی بهتر بوده است. این تصویر نشان می‌دهد که منچستریونایتد شانس‌های گلزنی مسلم‌تری نسبت به استوک ایجاد کرده است که برخی از آن‌ها داخل محوطه ۶ قدم بوده‌اند. در این مورد، نتیجه نهایی (واقعی) ۳-۰ فاصله چندانی با تخمین xG یعنی ۲.۲ بر ۰.۴ ندارد. اما در نهایت منچستریونایتد ۰.۸ گل بیشتر از آنچه مدل xG انتظار داشت، به ثمر رساند. این موضوع نشان می‌دهد که آن‌ها به خوبی از فرصت‌ها استفاده کرده‌اند (Clinical) یا شاید کمی خوش‌شانس بوده‌اند؛ اما در هر صورت، شایسته پیروزی در بازی بوده‌اند.

دقت مدل تا حد زیادی به این بستگی دارد که چه فاکتورهایی برای محاسبه رتبه xG برای هر شانس فردی استفاده می‌شود. به عنوان مثال، برخی از مدل‌های پایه xG فقط فاصله شوت را در نظر می‌گیرند. مدل‌های پیچیده‌تر دیگر، موقعیت قرارگیری چندین بازیکن تأثیرگذار را نسبت به توپ در نظر می‌گیرند تا با دقت بیشتری تعریف کنند که گلزنی در موقعیت‌های مختلف چقدر دشوار بوده است. در ادامه مقاله مجله بت فوروارد با جزئیات بیشتری به این موضوع می‌پردازم.

گل های مورد انتظار

جذابیت xG برای تحلیل فوتبال

آمار xG در حال محبوب شدن است زیرا به هواداران، کارشناسان و حتی کسانی که در بطن این ورزش فعالیت می‌کنند، راهی بسیار بهتر برای توجیه اینکه چه کسی در بازی برتر بوده است ارائه می‌دهد؛ صرف‌نظر از نتیجه واقعی بازی.

پیش از این، ممکن بود برای توجیه نظرات خود به آمارهای پایه مانند «شوت به دروازه» تکیه کنیم. اما با گل های مورد انتظار، ما توانایی داریم عمیق‌تر شویم و کیفیت آن شوت‌ها را محاسبه کنیم. اکنون می‌توانیم با جزئیات کافی بگوییم: «آن بازی باید ۳-۰ می‌شد» و برای ادعای خود دلیل علمی داشته باشیم.

همچنین بخوانید: برترین گلزنان تاریخ جام جهانی

ما قبلا در مجله بت فوروارد درباره محدودیت‌های استفاده از آمارهای پایه برای تحلیل فوتبال صحبت کرده‌ایم. مهم است تشخیص دهیم که برخی نتایج صرفاً تمام داستان را بازگو نمی‌کنند. نتیجه نهایی تنها آماری نیست که برای تحلیل شرط‌بندی شما اهمیت دارد. داشتن نوعی بستر (Context) برای مسابقات گذشته اهمیت دارد و حتی بهتر است بتوانیم به سوالاتی از این دست پاسخ دهیم:

• محتمل‌ترین نتیجه نهایی چه بود؟

• آیا [تیم X] برای پیروزی خوش‌شانس بود؟

• در مجموع، [تیم X] چند شانس «مسلم و واضح» گلزنی در بازی داشت؟

• آیا [بازیکن A] باید از فرصت‌هایش گل می‌ساخت؟

• در این فصل، عملکرد [بازیکن A] یا [تیم X] چقدر بالاتر یا پایین‌تر از حد متوسط بوده است؟

اکنون به لطف گل‌های مورد انتظار، می‌توانیم به صورت ریاضی به این سوالات پاسخ دهیم و قضاوت‌های بهتری در مورد مسابقات فوتبال در آینده داشته باشیم. از منظر شرط‌بندی، این معیار پتانسیل آن را دارد که مدل‌های پیش‌بینی پایه فوتبال را که در پست «مبانی ایجاد یک مدل شرط‌بندی پیش‌بینی فوتبال» شرح دادم، به شدت بهبود بخشد.

xG برای تحلیل برهه زمانی آمادگی (Runs of Form)

دوره‌های آمادگی و نتایج متوالی (Runs of form) اغلب در طول فصل ما را فریب می‌دهند. این موضوعی است که قبلاً در «راهنمای هیاهو و سر و صدای فوتبال» به آن پرداخته‌ام.

گل‌های مورد انتظار (xG) معیار قدرتمندی است که می‌تواند به شرط‌بندان کمک کند تا انتظارات واقع‌بینانه‌ای داشته باشند. با مقایسه xG یک تیم با نتیجه واقعی، شرط‌بندان می‌توانند تفاضل گل xG را محاسبه کرده و ارزیابی کنند که آیا عملکرد فعلی تیم پایدار (Sustainable) است یا خیر.

این اندازه‌گیری به ویژه برای تیم‌های میانه جدول مفید است؛ تیم‌هایی که ممکن است در طول فصل دچار فراز و نشیب شوند اما به طور کلی فاقد عمق و کیفیت تیم‌های برتر لیگ برتر هستند. با استفاده از xG، شرط‌بندان می‌توانند درک روشن‌تری از پتانسیل واقعی یک تیم به دست آورند و تصمیمات آگاهانه‌تری برای شرط‌بندی‌های آتی اتخاذ کنند. در بخش بعدی، عمیق‌تر به نحوه عملکرد تفاضل گل xG خواهم پرداخت.

گل های مورد انتظار

xG برای تک‌تک بازیکنان

عدد گل‌های مورد انتظار (xG) برای مهاجمان نوک نسبت به سایر بازیکنانی که لزوما انتظار گلزنی از آن‌ها نمی‌رود (مانند مدافعان)، معنای بسیار بیشتری دارد.

من در مورد یک موضوع کنجکاو بودم:

آیا مهاجمان برتر لیگ برتر به این دلیل آمار گلزنی بالایی دارند که تیم‌شان شانس‌های بیشتری ایجاد می‌کند؟

من این موضوع را بررسی کردم و متوجه شدم در طول فصل ۲۰۱۶/۱۷ (زمانی که xG برای اولین بار مطرح شد)، بازیکنی که با بیشترین فاصله عملکردی بهتر از تعداد گل‌های «مورد انتظارش» داشت، در واقع همان آقای گل مسابقات یعنی هری کین (Harry Kane) بود.

هری کین به حق به عنوان بهترین و پرکارترین مهاجم فصل ۲۰۱۶/۱۷ لیگ برتر شناخته می‌شد. انتظار می‌رفت او ۱۸.۵۹ گل به ثمر برساند، اما او موفق شد ۱۰.۴۱ گل اضافی به ثمر برساند.

این آمار از وب‌سایت BBC استخراج شده است:

(فقط بازیکنانی با بیش از ۵۰ شوت در این جدول لحاظ شده‌اند)

این جدول همچنین روشن می‌کند که چرا باشگاه‌های برتر لیگ برتر در پایان آن فصل به خرید یورنته از سوانزی (رتبه ۳ لیست) علاقه‌مند بودند. او با وجود بازی در تیمی که برای بقا می‌جنگید، عملکرد فوق‌العاده‌ای داشت. اگر سطح جزئیات به اندازه کافی بالا باشد، می‌توان از گل‌های مورد انتظار برای مقایسه و حتی ارزش‌گذاری (Valuing) مهاجمان، صرفا بر اساس توانایی آن‌ها در تبدیل شانس‌ها به گل استفاده کرد.

میزان دقت xG چقدر است؟

این سوال بزرگی است.

xG می‌تواند شامل فاکتورهای بسیار زیاد یا کمی برای محاسبه احتمال متوسط گل شدن هر شوت باشد. در تئوری، هرچه مدل درباره موارد گذشته بیشتر بداند، دقیق‌تر است. اما البته این موضوع به این بستگی دارد که مدل فقط با داده‌های مرتبط تغذیه شود.

من شرط‌بندان ورزشی را دیده‌ام که با اختصاص دادن دستیِ مقادیر به هر شانس فردی در بازی‌ها، مدل‌های پیش‌بینی xG خودشان را می‌سازند. این اصل عالی است، اما در عمل موارد مبهم زیادی وجود دارد – مانند گل‌های تصادفی – که می‌تواند به طور بالقوه دقت مدل را تضعیف کند.

همچنین بخوانید: شرط بندی روی گل های دقایق پایانی

کارشناسان داده‌های ورزشی در شرکت اپتا (Opta) ارقام «انتظار گل» مخصوص خود را ایجاد می‌کنند. آن‌ها بیش از ۳۰۰,۰۰۰ شوت (یک نمونه آماری بسیار بزرگ) را تحلیل کرده‌اند تا احتمال گل شدن یک تلاش را با توجه به موقعیت خاص در زمین و در طول یک فاز خاص از بازی محاسبه کنند. مدل اپتا فاکتورهایی مانند موارد زیر را در نظر می‌گیرد:

• فاصله از دروازه

• زاویه شلیک شوت

• ضربه با سر یا با پا

• موقعیت‌های تک‌به‌تک (1v1)

• کیفیت پاس گل (نوع توپی که ارسال شده است)

• جریان بازی (مثلاً بازی در جریان، ضربه آزاد مستقیم، ضربه کرنر)

• انرژی بازیکن (آیا او به تازگی برای ایجاد موقعیت، حریفی را پشت سر گذاشته است؟)

• برخوردها و ریباندها (Rebounds)

برای به دست آوردن یک عدد دقیق از «انتظار گل»، مهارت‌های پیشرفته در جمع‌آوری داده‌ها و آمار مورد نیاز است. با این حال، هنوز هم امکان به دست آوردن بینشی نسبت به مسابقات فوتبال با استفاده از سیستم‌های نسبتاً ساده گل‌های مورد انتظار وجود دارد.

وب‌سایت Understat منبع بسیار خوبی برای نظارت بر گل‌های مورد انتظار مسابقات گذشته است. اما متاسفانه هنوز منبع رایگانی پیدا نکرده‌ام که به بازدیدکنندگان اجازه دهد داده‌های xG را برای تمام مسابقات تاریخی دانلود کنند.

گل های مورد انتظار

xG — آینده شرط‌بندی فوتبال؟

برای خلاصه‌سازی مفهوم xG، باید دوباره تأکید کرد که نتیجه نهایی (Scoreline) تنها آماری نیست که اهمیت دارد.

درست است؛ از نظر کسب امتیاز، نتیجه نهایی تنها چیزی است که اهمیت دارد. اما گل‌های مورد انتظار موارد زیادی را درباره یک بازی، مجموعه‌ای از بازی‌ها و تک‌تک بازیکنان فاش می‌کند، مواردی مانند:

۱. آیا شانس‌ها واقعا به همان خوبی بودند که ما فکر می‌کردیم؟

۲. با توجه به شانس‌ها، نتیجه بازی باید چه می‌شد؟

۳. رکورد گلزنی یک تیم در مقایسه با شانس‌هایی که ایجاد کرده‌اند چگونه است.

۴. بازیکنان به صورت انفرادی باید چند گل از شانس‌هایی که داشتند به ثمر می‌رساندند.

۵. آیا احتمال دارد «دوره‌های آمادگی و نتایج متوالی» ادامه یابند (با استفاده از تفاضل xG).

گل های مورد انتظار ما را قادر می‌سازد تا تیم‌ها و بازیکنان را بهتر قضاوت کنیم، تعصبات و سوگیری‌ها (Bias) را کاهش دهیم و به پیش‌بینی دقیق‌تر نتایج آینده کمک کنیم. کاربردهای این معیار در شرط‌بندی قطعا وجود دارد و لازم نیست فقط به فوتبال ختم شود. در واقع، منطق پشت xG را می‌توان در هر ورزشی به کار برد. در حال حاضر از آن برای فوتبال استفاده می‌شود؛ بازی پیچیده‌ای که پیش‌بینی آن بسیار دشوار است و برای استخراج نتایج مفید از نتایج گذشته، به آمارهای به همان اندازه پیچیده نیاز دارد.

با این حال، به خاطر داشته باشید که گل های مورد انتظار یک معیار همه چیزدان و جادویی نیست که فورا مدل شرط‌بندی شما را به یک ماشین پول‌سازی تبدیل کند. در واقع، در آینده ممکن است این معیار فقط به دقیق‌تر شدن بازارها (Markets) کمک کند. اما در حال حاضر، این یک گام در مسیر درست برای پیش‌بینی فوتبال و شکار ارزش ها (Value Hunting) است.