Skottplacering

Vi hoppas att du har njutit av vår artikelserie om fotbollsbetting! Detta är den slutliga artikeln, där vi dyker ännu lite djupare i fotbollsanalys-världen och undersöker skottplaceringen och dess effekter på sannolikheten för en spelare att lyckas sätta ett mål. Det finns många sätt att modellera detta, med hjälp av en mängd av olika faktorer som man utan problem kan argumentera för är viktiga för målchanserna. Vi fokuserar här på ett enkelt sätt som vi hoppas ni läsare kan ta till er grunderna i och bygga vidare på.

För att uppnå en lite högre granularitet i resultaten kan beräkningar för målförväntan istället för att baseras på totalt antal skott istället baseras på skottplaceringen. Matematiken för att få ihop denna estimering är dock lite svårare än den som används för totalt antal skott. Den behöver dessutom en relativt stor mängd data för att fungera. Den grundläggande principen är dock enkel att förstå. En bra början är att använda tre enkla inputs för att få ut en rimlig uppskattning på utfallet.

Mål och metod

Målet är givetvis att uppskatta huruvida ett mål kommer sättas eller ej. Saken är såklart den att många olika faktorer spelar in i denna beräkning. Det är svårt för att inte säga omöjligt att ta med de alla i beräkningen, så vi kommer fokusera på de vi anser viktigast.poisson

  • 1. Det kortast möjliga avståndet skottet kommer ifrån, relativt mållinjen, i meter
  • 2. Det horisontella avståndet från en imaginär centrerad vertikal linje relativt målstolparna, i meter
  • 3. Om bollen skjöts med fot eller nickades

Dessa tre faktorer förklarar en stor del av huruvida ett skott kommer vara framgångsrikt eller ej. Det saknas endast ett par steg för att tillsätta en genomsnittlig framgångssannolikhet till alla målchanser.

Första steget och hinder

Det första steget involverar att genom att observera data på ovan områden estimera additiva faktorer. Dessa faktorer kommer givetvis vara länkade till verklig data och det som visats i denna. Beroende på hur ofta ett visst skott går in eller ej kommer faktorn att bli mer negativ (ökad sannolikhet för mål) eller mer positiv (minskad sannolikhet för mål). Dessa siffror adderas samman för att ge ett specifikt Poisson-värde. Det kommer senare hjälpa oss med en fingervisning på hur sannolikt det är huruvida ett visst skott går in eller ej.

Tyvärr är estimeringen av dessa faktorer inte inom denna sidas scope, och kommer därför inte gås in på närmare. För att komma vidare i din sökning efter kunskap angående fotbollsanalys så rekommenderar vi att läsa publicerade rapporter på ämnet. En bra början är följande uppsats inom statistik. Den föreslår två relativt tydliga, mer komplicerade, modeller för estimering av målchanser.

Modellen

Vi kan dock fortfarande förklara den intuitiva modellen. Låt oss anta att ett skott skjuts från det högra hörnet av straffområdet. Det betyder att 1. i detta exempel är 16,5 meter, det kortaste avståndet till mållinjen. Angående 2. kan vi räkna ut att avståndet kommer vara 20,16 meter. Straffområdet sträcker sig 16,5 meter ut från målstolparna på var sida, och målet är 7,32 meter brett. Slutligen vet vi även att skottet skjuts med foten, vilket ger oss vår slutliga komponent 3. När vi sedan använder våra faktorer får vi fram ett Poisson-värde på en skala mellan -1 och 6. Ju närmre -1 värdet är, desto större är sannolikheten att det blir mål. Givetvis är relationen invers när vi närmar oss 6.

Kommentar

Denna modell är väldigt enkel. Faktum är många variabler som med stor sannolikhet har inverkan på huruvida det blir mål eller ej inte tas med i beräkningen. Det är dock så att många dylika, relativt enkla, modeller ändå kommer fånga en stor del av förklaringsvärdet som finns att hitta i datan. Så är fallet här. Eftersom datan som lagras om fotbollsmatcher hela tiden blir mer och mer exakt blir det också möjligt för forskare att baserat på denna bygga bättre och bättre modeller. Vi föreslår att man testar denna modell ingående på historisk data för att se om resultaten är statistiskt signifikanta för den data man har. Om man sedan väljer att använda sig av denna för sin betting är upp till en själv.

Modellen ger bettare en möjlighet att kvantifiera huruvida ett lag i en match faktiskt förtjänade sin vinst eller om det helt enkelt hade tur när de skjöt. Åtminstone kommer bettare kunna få en känsla för huruvida en spelare som skottar från 30 meter sätter den, även om han står mitt på planen.

Sammanfattning

Sammanfattningsvis kan sägas att denna modell, även om den antagligen inte ger tillräckligt med precision för någon sorts professionell betting, ändå ger bettare en känsla för vad det hela handlar om. Det är bra att se några exempel på hur man skulle kunna börja modellera fotbollsdata. Som nybörjare är det ofta svårt att se en början över huvud taget. Vi hoppas att denna artikel har hjälpt er som vill börja med lite grundläggande tips för hur man kan bygga en modell, och såklart vidare läsning för er som är intresserade av att dyka djupare ned i modelleringshålet.

Kom ihåg: det som kommer till dig på ett enkelt sätt är nästan aldrig värt din tid! För att uppnå saker måste man kämpa hårt, och ha passion för det man gör! Modellering av fotbollsdata kan verka avskräckande till en början, och det är inte lätt, men ju mer man lär sig desto bättre kommer det gå!