Molte delle intuizioni che oggi influenzano i campi da calcio risalgono a Jesse Davis e a un team di informatici che hanno reso disponibili come open source strumenti per risolvere alcuni dei problemi più complessi di questo sport.
Immaginate di sintonizzarvi sul calcio d’inizio di una partita dei Mondiali e di vedere un giocatore mandare intenzionalmente la palla in fondo al campo, fuori dai limiti dell’area avversaria. I tifosi occasionali potrebbero grattarsi la testa. Che logica c’è nel cedere il possesso palla pochi secondi dopo l’inizio della partita? Se foste Jesse Davis, però, sapreste che questa giocata potrebbe essere un’ottima occasione per segnare.
Davis è professore di informatica alla KU Leuven in Belgio e direttore del suo Laboratorio di Analisi Sportiva, che è stato all’avanguardia nella rivoluzione dei dati nel calcio sin dalla sua fondazione, più di un decennio fa. Sebbene il gruppo di ricerca applichi modelli di apprendimento automatico a una varietà di sport – tra cui pallacanestro, pallavolo e hockey su prato – in nessun altro ambito il suo impatto è più evidente che sul campo da calcio.
Davis e il suo team di ricercatori utilizzano analisi avanzate dei dati per rivelare una serie di scoperte rivoluzionarie (scusate il gioco di parole) che stanno cambiando il processo decisionale dei club professionistici. “Il suo laboratorio è il più influente nel campo dell’analisi dei dati nel calcio”, afferma Hugo Rios-Neto, responsabile del reclutamento dei dati per il Royal Sporting Club Anderlecht in Belgio. Hanno aiutato le squadre a valutare meglio i propri roster, hanno ideato modi per valutare l’efficacia (o meno) delle strategie e hanno sviluppato algoritmi che svelano schemi tattici nascosti.
Come, ad esempio, il valore di calciare la palla fuori campo vicino alla porta e lasciare che l’avversario la rimetta in gioco: una mossa che negli ultimi anni è apparsa in alcuni dei campionati più importanti del mondo.
Per fornire una giustificazione statistica a questa mossa apparentemente controproducente, il gruppo di Davis ha creato un set di dati di addestramento composto da oltre 1,4 milioni di passaggi e circa 60.000 rimesse in gioco, in parte provenienti dai Mondiali del 2022. Hanno utilizzato modelli di ensemble di alberi (essenzialmente un mix di alberi decisionali) per simulare la tattica. La conclusione, che i ricercatori hanno presentato in un articolo del 2024 dal titolo appropriato “Boot it”: quando la palla si trova nella zona centrale del campo, calciarla fuori dal campo nella metà campo avversaria può portare a trovarsi a meno di 10 azioni (passaggi e dribbling) dal gol. Questo può essere determinante in un gioco che conta 1.500 o più azioni a partita e pochissimi gol. L’idea, spiega Davis, è quella di mettersi in condizione di recuperare la palla in una situazione vantaggiosa.
Oltre a fornire approfondimenti specifici sulle giornate di campionato, Davis occupa anche una nicchia unica nel mondo dell’analisi sportiva, dove molti club ora assumono i propri team interni di dati per mantenere un vantaggio competitivo. Rende la maggior parte delle sue ricerche disponibili gratuitamente tramite strumenti di analisi open- , ma la vita accademica gli offre anche la libertà di affrontare problemi più complessi, come la standardizzazione dei dati di gioco, un progetto che renderà più facile analizzare i filmati delle partite e elaborare strategie vincenti.
Davis, 45 anni, è cresciuto nel Wisconsin e ha trascorso la sua infanzia affascinato dal basket e dal football (americano). Il calcio era praticamente inesistente per lui fino al college, quando i Mondiali del 2002 – in cui il Brasile ha dominato il torneo – lo hanno conquistato. Ma l’idea di dedicarsi all’analisi di questo sport non gli era mai passata per la mente. I suoi studi di dottorato in informatica presso l’Università del Wisconsin-Madison lo avevano portato a lavorare con i radiologi per analizzare i referti mammografici.
Jesse Davis allo stadio Den Dreef, sede della squadra belga OH Leuven, militante nella Jupiler Pro League.
PETRA ISRAËL
Nell’ottobre 2010 è entrato a far parte della KU Leuven come professore di informatica, occupandosi dell’intersezione tra IA e assistenza sanitaria, con particolare attenzione al monitoraggio delle prestazioni atletiche. Il suo team di ricerca ha studiato, ad esempio, la combinazione di parametri come la frequenza cardiaca con altre metriche per determinare se un atleta fosse in sovrallenamento. Si sono inoltre dedicati alla biomeccanica della corsa.
Gli aspetti tattici e tecnici dello sport, e del calcio in particolare, sono diventati oggetto del lavoro di Davis quando ha assunto Jan Van Haaren, uno studente di ingegneria specializzato in intelligenza artificiale e autodefinitosi fanatico del calcio. Si è chiesto se l’analisi dei dati potesse essere utilizzata per studiare aspetti quali i passaggi, i tiri e la progressione della palla — parametri che all’epoca il gioco stava appena iniziando a elaborare digitalmente.
Davis si rese conto che l’apprendimento automatico e altri strumenti di intelligenza artificiale si prestavano bene alla complessità, alla fluidità e alla velocità del calcio.
Non è necessario essere esperti della “moneyballizzazione” degli sport professionistici per capire che è relativamente facile applicare un’analisi statistica approfondita al baseball o al basket. È possibile isolare azioni come i tiri in sospensione e assegnare un valore a quelli effettuati da vicino o da lontano. Ben presto un allenatore di pallacanestro si rende conto che un giocatore che non riesce a fare un layup, ma tira più o meno bene dalla linea dei tre punti come sui tiri in sospensione dalla media distanza, potrebbe anche tentare il tiro che fa guadagnare più punti.
Il calcio, al confronto, sembrava un candidato poco adatto a quel tipo di analisi. “La stragrande maggioranza delle azioni non porta davvero al risultato di un gol o nemmeno di un tiro”, dice Rios-Neto. “Quindi è difficile elaborare o ricavare una strategia vincente dai dati.”
Ma l’amore di Van Haaren per questo sport e quello di Davis per lo sport in generale li hanno spinti a provarci. Col tempo, Davis si è reso conto che l’apprendimento automatico e altri strumenti di intelligenza artificiale si prestavano bene, nell’ambito dell’ , alla complessità, alla fluidità e alla velocità del calcio. Nel 2014 ha fondato ufficialmente lo Sports Analytics Lab.
Con un gruppo di circa 10 studenti e post-dottorandi in ogni momento, il laboratorio ha iniziato a gettare quelle che Van Haaren definisce le “basi intellettuali di come il gioco viene analizzato oggi”. I ricercatori hanno analizzato le azioni di gioco e improvvisamente hanno iniziato a valutare il possesso palla, la strategia sui calci di rigore (mirare al centro) e i meriti dei tiri dalla distanza (tentarli). “Una delle tendenze che si è registrata nel calcio negli ultimi cinque-dieci anni è che il numero di tiri dalla distanza è aumentato drasticamente”, afferma Davis. “Ciò che i dati ti permettono di fare è quantificare realmente quali siano le probabilità di questi eventi”.
Negli anni trascorsi da quando Davis e il suo team hanno iniziato a districare le singole tattiche calcistiche, le loro idee hanno cominciato a diffondersi nei club di tutta Europa, come il Club Brugge KV in Belgio, nonché nelle federazioni calcistiche nazionali negli Stati Uniti e in Belgio. “Il lavoro che esce dal laboratorio è davvero utile”, afferma Rios-Neto, “e i club lo applicano per una serie di scopi”.
Van Haaren, che ora è direttore dell’intelligence calcistica al Club Brugge, è uno dei tanti analisti interni che adattano il lavoro del laboratorio al calcio professionistico. “La nostra collaborazione con il laboratorio è incentrata sulla traduzione della filosofia calcistica [della squadra] in risultati misurabili e basati sui dati”, afferma. Quando un club vuole valutare, ad esempio, quanto bene un difensore centrale sta portando la palla in avanti, cerca di contare quante volte la palla è finita nella parte del campo più vicina alla porta avversaria. Lo fa combinando i dati degli eventi, che registrano le azioni sulla palla, con i dati di tracciamento, che registrano i movimenti dei giocatori. Questo mostra quanto bene i giocatori adempiono ai loro ruoli, il che è utile per lo sviluppo e anche per la ricerca di nuovi talenti.
Il laboratorio di Davis, nel frattempo, continua a porre domande che si applicano al gioco in senso lato. Per determinare se ci sia un vantaggio nel tentare più tiri dalla distanza, ad esempio, la post-dottoranda Maaike Van Roy e i suoi colleghi hanno modellato il comportamento delle squadre della Premier League inglese utilizzando un processo decisionale di Markov, un quadro computazionale in cui alcune azioni sono sotto il controllo di una persona mentre altre sono casuali. (Tale dualità è particolarmente utile per il calcio, dove il movimento può sembrare tutt’altro che lineare.) I risultati, presentati nel 2021 alla MIT Sloan Sports Analytics Conference, hanno mostrato che il Chelsea potrebbe guadagnare 1,6 gol in più a stagione tirando da lontano il 20% in più delle volte.
Nonostante questo tipo di approfondimenti provenienti dal laboratorio di Davis e da gruppi di ricerca simili sorti nell’ultimo decennio presso istituzioni come il MIT e la Carnegie Mellon, il calcio è in qualche modo in ritardo rispetto a molti altri sport professionistici quando si tratta di raccogliere i dati di cui gli analisti hanno bisogno. Tutte le squadre impiegano persone per guardare i video e utilizzano software per annotare specifiche tattiche di gioco, i cui dettagli possono avere senso solo per i tifosi più appassionati. Si tratta di un processo prevalentemente manuale, che può richiedere fino a sei ore per partita. “Per un analista di dati è un vero incubo lavorare in questo modo”, afferma Davis.
Così, mentre il laboratorio continua il proprio lavoro, Davis ha anche avviato una collaborazione con ricercatori di altre istituzioni nel tentativo di standardizzare i dati relativi a tutte le partite. Il gruppo sta sperimentando l’uso dei transformer, l’architettura di rete neurale alla base dei grandi modelli linguistici come ChatGPT. Se fosse possibile applicare questa tecnologia al mondo del calcio, un annotatore umano potrebbe etichettare una tattica – ad esempio un contropiede tre contro due – alcune volte, e questo potrebbe addestrare il modello sul concetto in modo che possa etichettare autonomamente le istanze successive. “Ci sono stati molti progressi”, afferma Davis. “Ma rimane ancora piuttosto difficile”.
Se però vogliamo fare un bilancio, il lavoro del laboratorio ha già semplificato il processo di analisi grazie agli strumenti open source che ha reso disponibili, alcuni dei quali registrano migliaia di download al mese. Un è un framework chiamato VAEP, un modello che valuta gli effetti di tutte le azioni sul pallone. Un altro è un modello xG (expected goals), che esamina la qualità di un’occasione da gol. Un altro ancora è un pacchetto per sincronizzare i dati degli eventi con quelli di tracciamento. “Molte persone nel settore utilizzano il nostro codice nei loro flussi di lavoro quotidiani”, afferma Davis.
Per lui, l’applicazione pratica della diffusione del loro codice è importante, ma la vera (ehm) soddisfazione è vedere la teoria diventare pratica. Come dice lui stesso: “Sono davvero motivato a risolvere i problemi che sorgono in contesti reali e a vedere il mio lavoro avere un impatto”.
Andrew Zaleski è un collaboratore della rivista Washingtonian.
