Modelling Off-Ball Decision Making in Swedish Top Division Football

Abstract

Den publiserte analytiske forskningen innen fotball er voksende, men fortsatt finnes flere interessante aspekter ved idretten som ikke er belyst gjennom akademisk forskning. Denne masteroppgaven søker å supplementere eksisterende litteraturen ved å analysere hvordan spillere og lag fra øverste divisjon i svensk fotball, Allsvenskan, i sesongen 2019 foretar beslutninger uten ball.

Denne oppgaven bruker posisjonsdata levert av Signality. Dataen inneholder bevegelsene til alle 22 spillere, ballen og dommeren, samt noen beskrivelser av hendelser som omhandler ballen. Tre eksisterende modeller, levert av den svenske klubben Hammarby IF, for å beregne kontroll av rom på banen, posisjonsinnvirkning og en kombinasjon av disse, brukes for å definere suksess tilknyttet bevegelse uten ball. Spillere og lag evalueres i forhold til hvordan de presterer sammenlignet med optimale verdier beregnet for de nevnte modellene. To typer prediksjonsmodeller, generaliserte additive modeller og feed- forward nevrale nettverk utvikles for å redegjøre og justere for situasjonsavhengige faktorer når prestasjoner og adferd uten ball evalueres. En rangering av spillerne basert på prestasjon i både faktiske og situasjonsjusterte observasjoner foretas hvor de ti beste spillerne ifølge rangeringene blir presentert. Rangeringene blir sammenlignet med eksisterende rangeringer av relevante attributter, satt av dataspillet Football Manager 2020 sitt profesjonelle speidernettverk. Resultatene viser en moderat positiv korrelasjon mellom rangeringene fra denne oppgaven og rangeringene fra Football Manager 2020.

Videre utforskes rollespesifikke forskjeller i posisjonelle strategier. Resultatene i denne seksjonen antyder at angrepspillere fokuserer mer på å oppnå høye verdier for kontroll og innvirkning enn forsvarspillere. Sammenhengen mellom antall scorede mål og prestasjoner uten ball blir analysert, med resultater som tydet at lag som scorer mange mål fordeler posisjonelt ansvar mer enn lag som scorer færre mål.

En generalisert additiv modell og et feed-forward nevralt nett er utviklet for å forutsi spillerposisjoner over et tidsintervall på ett sekund. Det nevrale nettet viser seg å være bedre egnet til å beskrive dynamikken i spillerbevegelser og beslutningstaking enn den generaliserte additive modellen, samt et utvalg alternative målestokker introdusert for å evaluere modellene. Resultatene viser også at spillerbevegelse er vanskeligere å predikere for spillere som avviker mye fra initiell retning og hastighet.

The published analytical research on association football is growing, but several interesting areas of the game are still to be explored by academic research. This master's thesis seeks to expand on the existing literature by analyzing off-ball decision making by players and teams from the 2019 season of the Swedish top division, Allsvenskan.

The data used is positional tracking data provided by Signality, tracking all 22 players, the ball and the referee, while also providing some descriptions of on-ball events. Three existing models used for calculating pitch control, pitch impact and a combination of the two, provided by the Swedish professional club Hammarby IF, serve as three alternative metrics to evaluate the success of off-ball movement. Players and teams are evaluated in relation to how well they perform compared to an optimal performance identified for each metric. To identify and account for situational dependencies, two types of prediction models, generalized additive models and feed-forward neural networks, are developed to analyse performance and behaviour, and to create a situation adjusted rating in relation to the metrics. The top ten performers on both actual and situation adjusted ratings are presented. The ratings are also compared with existing ratings for off-ball movement, provided by a professional scouting network used in the video game Football Manager 2020. Results show a moderate positive correlation between some of the ratings presented in this thesis and the ratings from Football Manager 2020.

Furthermore, role specific differences in positional strategies are investigated. Findings suggest that differences exist in positional priorities between different player roles, with attacking players seeming to focus more on the included metrics than defensive players. An analysis of the relations between included metrics and goals scored is also conducted, with the most notable finding being that the highest scoring teams seem to divide positional responsibility more than other teams.

A generalized additive model and a feed-forward neural network are also developed to predict player positions over a one second time interval. Findings show that the neural network is better at describing the dynamics behind player movement and decision making than the generalized additive model and other alternative benchmarks. Results also show that player movement is harder to predict for players deviating a lot from initial direction and velocity.