Parte 1 – o que é o xA
Bem vindos de volta a nossa série de introdução ao soccer analytics! Hoje vamos apresentar outra métrica que vem revolucionando as análises de jogadores e times: o xA, ou “Expected assists” – assistências esperadas, em português. Se você está lendo esse artigo, provavelmente já conhece o xG (expected goals), e se não, pode ler tudo sobre ele aqui, pois o xA se baseia nele.
Uma assistência é o último passe que leva um jogador a marcar um gol, e o número de assistências dadas por um jogador é uma métrica quantitativa muito comum nas análises cotidianas de futebol. A ideia por traz do xA é introduzir uma métrica qualitativa, para poder assinalar um valor entre 0 ou 1 para cada passe, que corresponde a probabilidade de aquele passe se tornar um gol. Da mesma forma que o xG descreve a qualidade de uma finalização, o xA serve para qualificar um passe que levou a um chute.
Parte 2 – Quais passes recebem xA
Você pode estar se perguntando quais tipos de passe serão medidos por essa métrica. Vamos analisar a probabilidade de um passe pro lado na defesa virar um gol, mesmo que alguém não chute como um resultado desse passe? Ou somente passes mais decisivos que levam diretamente a um chute? No caso, um passe pode virar uma assistência apenas se houver uma finalização logo em seguida, e por isso decidimos que o xA será aplicável apenas quando o recebedor do passe finalizar. Portanto, nosso modelo apenas atribui um valor de xA para passes que resultaram diretamente em uma finalização.
É claro que existem muitos passes com potencial de assistência que não são finalizados e por isso não receberão um valor de xA: pense naquele passe açucarado que deixou o atacante na cara do gol, porém ele decidiu tentar driblar o goleiro e perdeu a bola, infelizmente esse jogador não receberá crédito em forma de xA. Além disso, outros passes que antecederam a assistência (como a segunda ou terceira assistências, que são termos comuns em esportes como hóquei) também não receberão xA.
Porém, não se preocupe! Em textos futuros, abordaremos outras métricas que medem a qualidade de passes e capacidade de criação de jogadores, como expected goals build up (xGB), expected goals chain (xGC) e expected threat (xT).
Parte 3: Metodologia
Para criar o modelo, precisamos usar informações de passes que ajudam a medir a qualidade do mesmo em relação a criar uma chance de gol. Portanto, alguns dos fatores mais importantes que usamos são:
- Tipo de passe feito: se foi um lançamento longo da defesa ou uma rolada para trás da linha de fundo
- Posição de origem do passe – coordenadas (x,y)
- Posição final do passe – coordenadas (x,y). importante mencionar que não importa se o jogador que recebeu o passe levou a bola para mais perto do gol e finalizou, usamos somente a posição em que ele recebeu a bola
- Distância do passe.
- Direção (ângulo) do passe.
- Velocidade do ataque (se é um contra ataque por exemplo).
Podemos ver que algumas das variáveis são as mesmas, ou podem ser deduzidas a partir das variáveis usadas no modelo de xG que explicamos: por exemplo, a posição de origem e final do passe são coordenadas de (x,y) da mesma forma que a posição do chute no modelo de xG também é em formato de coordenadas (x,y).
Parte 4: Usos do xA
Como dito antes, o xA serve para medir a qualidade das assistências dadas pelos jogadores de criação, e a soma dos xAs dos passes de um jogador nos diz quantas assistências esperadas o jogador deveria ter no jogo. Ao mesmo tempo, também podemos calcular as assistências esperadas de um jogador pela temporada inteira. Diferente do número de assistências real, o xA não depende na qualidade dos finalizadores, e se baseia na premissa de que eles são jogadores medianos. Portanto ele reflete a criatividade e qualidade das assistências dos jogadores, dando crédito a eles mesmo se a jogada não resultar em um gol.
Com isso em mente, o xA se torna uma métrica adicional muito útil para se fazer análises de jogadores, junto com o xG, ao invés de usar somente as assistências e número de gols reais. Por exemplo, um jogador com 10 assistências no campeonato pode ser na verdade menos criativo e decisivo que um jogador com 5 assistências se você parar para analisar o tipo de passes feitos – assistências açucaradas que abrem a defesa contra um passe simples para o lado pra um chute de fora da área. O xA reflete essa diferença, nos mostrando o esperado numero de assistências do jogados independente da qualidade das finalizações do seu time.
Outro aspecto importante do xA é que podemos usar a diferença entre o número real de assistências de um jogador com o seu número esperado de assistências para medir a efetividade dos jogadores do time nas finalizações (da mesma forma que o xG pode ser usado). Essa diferença nos mostra o quão distante do esperado foi o número real de assistências. Um exemplo muito claro da importância do xA pode ser vista se compararmos a temporada de Willian Arão, do Flamengo, e de Cazares, do Atlético-Mg. Olhando para o numero de assistências, Arão teve 5 contra 1 de Cazares, o que nos levaria a crer que ele é um jogador mais criativo. Mas, quando olhamos para o xA dos dois, podemos ver que o Cazares criou mais chances de gols (6.4 xA) que Arão (1.7 xA) durante o campeonato. A grande maioria dos analistas diria que Cazares é mais criativo que Arão e o xA ajuda a comprovar essa tese. Os números acima também refletem a efetividade do time do Flamengo em finalizar quando comparado ao time do Atlético-Mg.
É importante mencionar também uma tendência estatística muito comum no futebol, chamada de regressão à média. Esse termo nos diz que os jogadores de futebol tendem a regredir para a suas médias ao longo do tempo. Por causa desse acontecimento, podemos usar o xA de um jogador para prever a performance do mesmo em futuras temporadas: mesmo que em uma temporada um jogador tenha um número de assistências reais muito maior que o seu xA (provavelmente por uma qualidade alta dos finalizadores ou sorte) , podemos esperar que o xA preveja de uma forma mais precisa o seu número real de assistências em um período mais longo de análise.
Fundador do Algolritmo. Estudei Ciências da Computação e fiz mestrado em Analytics. Meu objetivo é apresentar uma nova forma de consumir futebol no Brasil: através da análise de dados! Meu tópico de maior interesse é comunicar ideias complexas de forma simples através de data visualization.
Me formei em Ciência da Computação e Administração na University of Southern California, em Los Angeles, também com mestrado em Analytics na mesma instituição. Já fiz estágios de Data Science em empresas como Facebook, Itaú e Looqbox.
Formado em Ciência da Computação com foco em sistemas inteligentes e concentração em Economia na Columbia University, em Nova York. Como parte da graduação, especializou-se nos campos da inteligência artificial, machine learning e deep learning
Durante a faculdade estagiou como cientista de dados no Facebook e na Go4it, agencia e fundo de tecnologia de esportes. Assim desenvolveu uma paixão por aplicar técnicas da ciência da computação no futebol. Seu tópico de maior interesse é a utilização desses modelos para otimização de resultados
Estudante de quarto ano em Ciência da Computação com foco em Inteligência Artificial e Matemática Computacional no Georgia Institute of Technology nos Estados Unidos
Com passagem pelo Facebook como estagiário de Data Science e pela Univesidade de Oxford como aluno de Astrofísica, seu tópico de maior interesse em soccer analytics são modelos estatísticos que auxiliam na tomada de decisões por jogadores e treinadores