Aquesta setmana, Carlos Rodríguez presentarà a l’OptaPro Forum l’estudi que s’està duent a terme al club sobre l’orientació corporal dels jugadors en diferents situacions del joc. Hem parlat amb ell perquè ens doni una breu explicació del projecte.

—Per què l’orientació?

—A l’hora d’analitzar i estudiar què està passant al camp, obtenim totes les dades referents al posicionament dels jugadors per mitjà del tracking. No obstant això, no sabem res de l’orientació i és una dada fonamental que es troba en consonància amb el posicionament, ja que estan íntimament relacionats. Per a això fem servir les imatges de vídeo: separem cada fotograma i retallem l’esquelet del jugador. Gràcies al machine learning, podem arribar a predir d’una manera més fiable l’orientació de tots els jugadors.

Avui dia, els models estadístics no són un reflex fidel dels jugadors, perquè sembla que poden passar la pilota en qualsevol direcció, indistintament de la seva orientació, com si fossin omnipresents. Si hi introduïm l’orientació, aquests models seran més realistes i atorgaran més valor als informes elaborats per al cos tècnic.

Cal no oblidar que la majoria dels entrenadors treballen molt l’orientació amb els jugadors, perquè sàpiguen a cada moment com encarar les diferents situacions d’atac i defensa que es poden trobar al camp.

—En quin punt ens trobem en el procés d’incorporació d’aquestes noves variables?

Ens trobem en un moment de gran canvi i disrupció en l’anàlisi de dades i la creació de models predictius. L’especialització i la tecnificació del futbol fan que les noves tecnologies avancin ràpidament i afavoreixen el desenvolupament de nous models estadístics. Hi ha dispositius de tracking de variables posicionals fiables des de fa 4-5 anys, i ara estem endinsant-nos en l’àmbit de la computer vision.

Això ens obre un nou camp on podem combinar les diferents dades per crear models de predicció més fiables. Si haguéssim parlat d’això fa 5 anys, ningú no s’hauria imaginat que avui dia ja ho estem fent.

—Apassionant! Quina utilitat i quines aplicacions es poden derivar de mesurar l’orientació?

—N’hi ha unes quantes que són de gran interès, no només per a l’entrenador, sinó també per als diferents membres de l’staff tècnic. Als entrenaments, per exemple, podem saber en quina direcció corre cada jugador (cap endavant, endarrere o als costats) i, segons el tipus de desplaçament, afecta determinats músculs o articulacions. Gràcies a l’orientació, podem personalitzar millor les càrregues de treball de cada jugador i crear programes més realistes d’acord amb les necessitats del jugador i la seva posició.

Un altre exemple pràctic és el fet que ajuda a millorar el model estadístic de pitch control. Ara mateix, per a aquest model, es tenen en compte les variables de posició i velocitat. Si un jugador corre cap enrere, el model detecta que està generant espai a la seva esquena perquè es desplaça cap enrere. En realitat no és així: l’espai que té controlat és el de davant. Per tant, si incorporem aquesta variable, millorem el model i el fem més realista d’acord amb el que passa al terreny de joc.

—I per als jugadors?

Hi ha esdeveniments en què amb l’orientació millora el significat, com quan reps una pilota. Quan tens la pilota tens dues opcions: conduir-la o tornar-la a passar. Si coneixes l’orientació, pots arribar a determinar quina acció és la millor entre l’atacant i el defensa. Si no tens ningú al teu camp visual, en principi és millor conduir-la. De la mateixa manera, els jugadors també poden perdre la pilota perquè no estan ben orientats. Podem millorar aquestes situacions en el futur amb informes personalitzats que analitzin les diferents casuístiques dels jugadors.

També podem incorporar l’orientació al model de probabilitat de passada. El que la passa no pot passar-la a tots els costats, i el que la rep té una passada al peu si l’està mirant o a l’espai si té una altra orientació. Ara mateix només es consideren les passades al peu. Amb aquesta nova variable, podem veure la probabilitat de fer diferents tipus de passades que avui no es tenen en compte.

—Com es representen aquestes dades?

—És important sintetitzar tota aquesta informació d’una manera visual i intuïtiva perquè totes les parts implicades ho entenguin. És molt fàcil perdre’s amb totes les dades, però la clau és poder representar-les d’una manera senzilla que expliqui el concepte clau que es vol transmetre. Com van comentar Javier Fernández i Raúl Peláez al Barça Sports Analytics de l’any passat, aquesta part del procés és vital perquè, si no s’entén, el treball que s’ha dut a terme no serveix de res. Més endavant veurem com també s’incorporen dissenyadors d’UI/UX als equips d’anàlisi de dades per donar-los forma.