Aprimorando o indicador de gols esperados em chutes a gol: análises mais aprofundadas sobre a execução dos chutes, o desempenho dos goleiros e um modelo específico para o futebol feminino
O modelo Expected Goals on Target (xGOT) da OptaAI se baseia no Expected Goals (xG), atribuindo valor aos chutes a gol com base em uma combinação da qualidade da oportunidade subjacente e da qualidade da execução. Sua versão mais recente oferece insights ainda mais detalhados sobre goleiros e atacantes, tanto no futebol masculino quanto no feminino, abrindo novas oportunidades para você envolver seu público.
Andy Cooper
"Aquela bola foi direto no canto, ninguém ia conseguir defender."
"Eles não tinham o direito de guardar aquilo."
"Era de se esperar que eles defendessem essa jogada em nove de cada dez vezes."
Algumas frases dos comentaristas são repetidas com tanta frequência que parece que ficam gravadas no subconsciente dos torcedores sempre que veem um chute a gol durante uma partida ao vivo.
No entanto, até que ponto esses clichês subjetivos sobre a capacidade de um jogador de converter uma chance de alta qualidade, ou a capacidade de um goleiro de defendê-la, são precisos?
Após o lançamento bem-sucedido do Expected Goals (xG) há mais de uma década, a Opta introduziu outro modelo, o Expected Goals on Target (xGOT), também conhecido como xG pós-chute. O xGOT utiliza o banco de dados histórico da Opta sobre chutes para identificar a probabilidade de um gol ser marcado com base na trajetória do chute, na sua localização final na área de gol e em muitos outros fatores contextuais.
Agora, a equipe da OptaAI implementou uma série de melhorias no xGOT, tornando o modelo ainda mais eficaz para comentaristas, analistas de estúdio e analistas de desempenho que trabalham para os clubes.
Este xGOT aprimorado agora também está dividido em modelos separados para o futebol masculino e feminino, utilizando dados de 32 competições masculinas e 31 competições femininas coletados pela Opta. Ele foi treinado com mais de 300.000 chutes a gol de competições recentes. Há também outro modelo separado dedicado a pênaltis, que foi treinado com mais de 20.000 pênaltis.
Então, o que esses modelos xGOT levam em conta agora para fornecer suas análises em tempo real? Bem, antes de entrarmos nesse assunto, aqui vai um breve lembrete sobre como o xGOT difere do xG.
Explicação sobre os gols esperados em chutes a gol
O modelo xG da Opta avalia a qualidade de uma oportunidade com base na localização do chute e em dezenas de fatores contextuais em campo, considerados a partir do momento em que o chute é executado. Isso significa que um chute com visão clara do gol, de curta distância, vai gerar um valor xG muito mais alto do que um chute arriscado de fora da área.
Embora compreender melhor qual seria a expectativa de pontuação de um jogador médio, com base na localização do chute, nos dê uma ideia da qualidade de uma oportunidade, também sabemos que jogadores diferentes podem aproveitar a mesma oportunidade de maneiras muito distintas. Um chute nessa oportunidade que vá direto para o ângulo superior tem muito mais chances de resultar em gol do que um chute que seja disparado bem no meio do gol.
É aí que o xGOT entra em cena para medir esse nível adicional de contexto.
O xGOT mede a probabilidade de um chute a gol resultar em um gol, com base na combinação da qualidade da oportunidade subjacente (xG) e de informações relacionadas à execução do chute, incluindo o ponto de destino do chute dentro da área de gol.
Portanto, se considerarmos que o xG representa a qualidade da oportunidade com base na localização do chute, o xGOT avalia a qualidade da oportunidade após o chute — ele valoriza mais os chutes que vão para os cantos do que aqueles que vão direto para o meio do gol. Como o nome sugere, o modelo é usado apenas para chutes no alvo, já que, se o chute não acertar o alvo, há 0% de chance de que resulte em um gol.
Aqui está um bom exemplo do xGOT em ação na última temporada da Premier League.
James Maddison, do Tottenham, cobrou uma falta direta contra o Aston Villa, em que a localização da falta apresentava um valor xG de 0,12. A cobrança de Maddison, contornando a barreira do Villa e indo para dentro do poste mais próximo de Emi Martinez, registrou um xGOT de 0,73. Essencialmente, essa foi uma chance difícil, medida pelo valor xG, executada com altíssima qualidade, refletida no valor xGOT muito mais alto.
Você pode assistir à cobrança de Maddison nesta falta aqui (apenas no Reino Unido).
Então, como o xGOT foi aprimorado?
Sem entrar em detalhes técnicos do modelo, as melhorias do xGOT podem ser resumidas em quatro pontos principais:
#1 Modelos distintos para o futebol masculino e feminino
Desde a Copa do Mundo Feminina da FIFA de 2023, todos os valores de xG relativos às oportunidades em partidas femininas registradas pela Opta têm sido gerados por meio de um modelo específico, treinado com base em chutes de partidas femininas anteriores. Mais informações sobre o nosso modelo de xG feminino estão disponíveis aqui.
Na versão mais recente do xGOT, agora também temos modelos distintos para partidas masculinas e femininas. O modelo masculino foi treinado com dados de 32 competições masculinas, enquanto o modelo feminino foi treinado com dados de 31 competições.
Com base nos valores xGOT das principais ligas femininas do ano passado na Inglaterra, França, Alemanha, Itália e Espanha, podemos identificar jogadoras cujos chutes melhoraram consistentemente a qualidade das oportunidades que criaram, muitas vezes ao acertar a bola com precisão e direcionar os chutes para os cantos.
Utilizando a métrica “Shooting Goals Added” (TSG), que mede o total em que o xGOT agregado de um jogador ao longo da temporada superou seu xG, podemos observar que, em jogadas de campo, a atacante do TSG Hoffenheim, Selina Cerci, melhorou a qualidade de suas oportunidades antes do chute em 4,6 gols. Isso indica que, a partir de suas oportunidades em jogadas de campo, ela não só conseguia acertar o alvo com seus chutes, como também os direcionava para pontos da baliza onde era difícil para o goleiro defender.
#2 Dados mais detalhados sobre os goleiros
Além da qualidade da chance subjacente (xG) e da trajetória do chute, o xGOT agora incorpora informações detalhadas sobre como a posição do goleiro influencia a probabilidade de um gol ser marcado. Isso se refere tanto à distância do goleiro em relação à trajetória do chute quanto à sua posição em relação ao local do chute e à boca do gol no momento do chute.
Essas informações levam a conclusões intuitivas no valor xGOT — por exemplo, um goleiro mais próximo da trajetória do chute tem mais chances de fazer uma defesa. Da mesma forma, um goleiro posicionado no canto esquerdo do gol tem menos chances de defender um chute direcionado para o canto inferior direito, conforme ilustrado pelo gráfico da área de gol abaixo, que mostra uma boa chance subjacente, a 14 metros do gol, com um xG inicial de 0,26, onde o valor xGOT é de 0,95.
#3 Dicas sobre a execução do arremesso
O xGOT agora leva em conta fatores adicionais relacionados à execução do próprio chute. Por exemplo, se um chute foi desviado ou mal executado, isso agora afetará o valor de xGOT atribuído ao chute, assim como qualquer efeito aplicado ao chute.
#4 Um modelo de penalidades específico
Os pênaltis diferem, em sua natureza, dos chutes em jogadas de campo, uma vez que o jogador que cobra o pênalti tem um caminho livre e sem marcação até o gol, e o goleiro deve manter um pé na linha do gol no momento da cobrança.
Como resultado, foi desenvolvido um modelo xGOT específico, treinado exclusivamente com um conjunto de dados históricos de pênaltis.
Nas cinco principais ligas europeias masculinas da última temporada, o atacante do Bayern de Munique, Harry Kane, registrou o maior xGOT por chute (0,86) entre os jogadores que tentaram pelo menos cinco pênaltis, marcando nove de nove cobranças para os campeões da Bundesliga.
Então, quem foram os outros jogadores que se destacaram na última temporada com base no xGOT?
Ao aplicarmos o modelo aprimorado a todas as jogadas da última temporada da Premier League inglesa, podemos observar que Jordan Pickford, do Everton, evitou mais gols com suas defesas do que qualquer outro goleiro (6). Conforme ilustrado no gráfico de área de gol abaixo, esperava-se que Pickford sofresse 50 gols (50 xGOT sofridos), mas ele sofreu apenas 44 gols ao longo da temporada.
Outra métrica que utiliza o xGOT para ilustrar a capacidade de defesa dos goleiros é a Taxa de Gols Evitados. Essa taxa padroniza a métrica xGOT com base no número de chutes que cada goleiro enfrenta, de modo que os goleiros que enfrentaram um volume maior de chutes possam ser avaliados de forma mais justa em comparação com aqueles que contam com uma defesa mais sólida à sua frente.
Por exemplo, na La Liga da última temporada, Mario Dmitrovic, que defendia o gol do Leganés, time que sofreu rebaixamento, evitou mais gols (4,75) do que Thibaut Courtois, do Real Madrid (2,8). No entanto, quando normalizamos esses números com base no volume de chutes que cada um deles enfrentou, percebemos que ambos os goleiros tiveram um desempenho semelhante na defesa, sofrendo 1,1 gol.
Do ponto de vista do atacante, podemos avaliar a eficácia de um jogador na execução de um chute com uma qualidade de chance subjacente relativamente baixa, com base no xG inicial, conseguindo assim um chute a gol com um xGOT muito mais alto. Outro bom exemplo é o gol de Omar Marmoush pelo Manchester City contra o Bournemouth no ano passado, que teve um xG de 0,02, mas um xGOT de 0,63.
Como posso saber mais sobre o xGOT e suas aplicações?
Assim como todas as métricas da OptaAI, essas podem ser utilizadas por meio de diversos feeds e integrações de produtos, permitindo que você compartilhe insights valiosos sobre o desempenho dos jogadores na frente do gol e a habilidade dos goleiros em defender chutes. Mais detalhes sobre essas soluções podem ser encontrados em Localizador de Produtos da Stats Perform.
Se você é um cientista de dados que trabalha internamente em um clube, nossa equipe de Soluções Profissionais também está à disposição para orientá-lo sobre o desenvolvimento do modelo e apresentar a lista completa de recursos. Você pode entrar em contato com eles pelo e-mail prosolutions@statsperform.com
Para obter uma lista completa dos explicativos dos modelos da Opta, acesse o página de explicações sobre métricasno Opta Analyst.
