Представь: ты врубаешься в прямой эфир матча открытия Чемпионата мира. Судья дает свисток, первый удар по мячу — и вдруг какой-то игрок намеренно выбивает сферу аж на половину поля соперника, прямо в аут. Казуал почешет репу: «В чем логика добровольно отдавать владение через пять секунд после старта?». Но если бы ты был Джесси Дэвисом, ты бы знал — это идеальная расстановка для гола.
Дэвис — профессор компьютерных наук в бельгийском KU Leuven и глава его Sports Analytics Lab. Эта лаборатория с момента основания более десяти лет назад находится на передовой футбольной аналитики. Хотя исследовательская группа применяет модели машинного обучения к разным видам спорта — баскетболу, волейболу, хоккею на траве — самое сильное влияние они оказывают именно на футбольном поле. Дэвис и его команда используют продвинутую аналитику данных, чтобы выявлять, скажем так, сдвигающие парадигму находки, которые меняют процесс принятия решений в профессиональных клубах. «Его лаборатория — самая влиятельная в мире футбольной аналитики», — говорит Уго Риос-Нето, руководитель отдела скаутинга данных в бельгийском «Андерлехте». Они помогли командам лучше оценивать составы, придумали методы оценки эффективности тех или иных стратегий и разработали алгоритмы, вскрывающие скрытые тактические паттерны.
Как, например, ценность удара в аут рядом с воротами соперника с последующим вбрасыванием из-за боковой — прием, который за последние пару лет замелькал в топ-лигах мира. Чтобы доказать статистическую пользу этого, казалось бы, нелогичного хода, группа Дэвиса собрала тренировочный датасет из более чем 1,4 миллиона пасов и около 60 тысяч вбрасываний — частично с ЧМ-2022. Они использовали ансамблевые модели деревьев решений, чтобы симулировать тактику. Итог, который исследователи представили в статье 2024 года с говорящим названием «Boot it»: когда мяч находится в центральной трети поля, выбивание его в аут на половине соперника может поставить тебя в 10 действий (пасов и дриблингов) от гола. А это огромное дело в игре, где бывает полторы тысячи действий за матч, а забивают редко. Суть, объясняет Дэвис, — ты готовишь почву для возврата мяча в выгодной позиции.
Помимо точечных инсайтов на день игры, Дэвис занимает уникальную нишу в мире спортивной аналитики: многие клубы уже нанимают внутренние команды данных, чтобы сохранить конкурентоспособность. Он выкладывает большую часть своих исследований в открытый доступ через инструменты аналитики с открытым кодом, но академическая жизнь даёт ему свободу браться за более сложные задачи — например, за стандартизацию игровых данных. Этот проект упростит разбор записей матчей и поиск выигрышных стратегий.
Самому Дэвису 45, он вырос в Висконсине, с детства фанател от баскетбола и американского футбола. Футбол долго был для него почти незнакомцем, пока в колледже ЧМ-2002 (где великая Бразилия всех разорвала) не затянул его в свои сети. Но мысль о том, чтобы анализировать этот вид спорта, даже не приходила. В аспирантуре по компьютерным наукам он работал с рентгенологами, анализируя отчёты маммографии.
[[MEDIA_BLOCK_0]]
В октябре 2010-го Дэвис устроился в KU Leuven профессором информатики, изучая пересечение ИИ и здравоохранения с упором на мониторинг спортивных показателей. Его команда комбинировала пульс с другими метриками, чтобы понять, не перетренировался ли атлет, и углублялась в биомеханику бега.
Тактические и технические аспекты спорта, а футбола особенно, стали основной его профессорской работы, когда он нанял Яна ван Хаарена — инженера, зацикленного на ИИ и самопровозглашённого футбольного фанатика. Тот поинтересовался: можно ли с помощью анализа данных изучать пасы, удары, продвижение мяча — те метрики, которые только начинали оцифровывать? Дэвис понял, что машинное обучение и другие ИИ-инструменты идеально подходят для сложности, текучести и скорости футбола.
Чтобы понять масштаб, не обязательно быть гуру moneyball-подхода: в бейсболе или баскетболе легко применить глубокую статистику. Можно изолировать действие (бросок в прыжке) и оценить его ценность с ближней или дальней дистанции. Тренер баскетбола быстро осознаёт: игрок, который не забивает лэй-апы, но примерно одинаково бросает с трёшки и со средней, пусть лучше идёт на трёхочковый — он даёт больше очков. Футбол же, по сравнению с этим, казался плохим кандидатом. «Подавляющее большинство действий вообще не приводят к голу или даже удару, — говорит Риос-Нето. — Поэтому сложно выводить из данных выигрышную стратегию».
Но любовь ван Хаарена к спорту и любовь Дэвиса к спорту в целом сподвигли их попробовать. Со временем Дэвис понял: машинное обучение и другие ИИ-инструменты отлично подходят для сложности, текучести и скорости футбола. В 2014 году он официально основал Sports Analytics Lab. В штате — около десяти студентов и постдоков. Лаборатория начала закладывать, как говорит ван Хаарен, «интеллектуальные основы того, как анализируется игра сегодня». Исследователи разобрали игровые действия на атомы — и внезапно начали оценивать владение мячом, стратегию пенальти (бей в центр) и пользу дальних ударов (бей). «Один из трендов последних 5–10 лет — число дальних ударов резко выросло, — говорит Дэвис. — Данные позволяют точно оценить вероятности этих шансов».
В последующие годы идеи Дэвиса и его команды начали проникать в клубы по всей Европе — например, бельгийский «Брюгге», а также в футбольные ассоциации США и Бельгии. «Работа лаборатории реально полезна, — утверждает Риос-Нето, — клубы применяют её для самых разных целей». Ван Хаарен, ныне директор по футбольному интеллекту в «Брюгге», — один из многих инхаус-аналитиков, адаптирующих труды лаборатории к про-футболу. «Наше сотрудничество с лабораторией строится на переводе нашей футбольной философии в измеримые, управляемые данными выходы», — объясняет он. Когда клуб хочет оценить, как центрбек продвигает мяч вперёд, он считает, сколько раз мяч оказывался в трети поля, ближайшей к воротам соперника. Это делается через комбинацию событийных данных (фиксация действий с мячом) и трекинговых (движение игроков). Так видно, насколько футболисты выполняют свои функции — полезно и для развития, и для скаутинга новичков.
Лаборатория Дэвиса тем временем продолжает задавать вопросы глобального масштаба. Например, чтобы определить, есть ли смысл бить чаще издали, постдок Майке ван Рой с коллегами смоделировали поведение английской Премьер-лиги с помощью марковского процесса принятия решений — вычислительной структуры, где часть действий подконтрольна человеку, а часть случайна. Результаты, представленные в 2021 на конференции MIT Sloan Sports Analytics, показали: «Челси» мог бы набирать на 1,6 гола больше за сезон, если бы бил с дистанции на 20% чаще.
Несмотря на такие инсайты от лаборатории Дэвиса и похожих групп (например, в MIT и Carnegie Mellon), футбол всё ещё отстаёт от других про-спорта по сбору данных. Все клубы нанимают людей, которые смотрят видео и аннотируют конкретные тактические действия. Это ручной процесс, занимающий до шести часов на один матч. «Для аналитика данных это полный кошмар», — признаётся Дэвис.
Поэтому, пока лаборатория играет дальше, Дэвис объединился с коллегами из других институтов, чтобы стандартизировать данные всех матчей. Группа экспериментирует с трансформерами — архитектурой нейросетей, лежащей в основе больших языковых моделей вроде ChatGPT. Если получится применить это к футболу, человек-аннотатор сможет пометить тактический приём (скажем, выход «три в два») пару раз, обучить модель — и она будет размечать его сама. «Мы продвинулись, — говорит Дэвис, — но всё ещё очень трудно».
Но если вести счёт, работа лаборатории уже упростила аналитику благодаря открытым инструментам, которые они выложили в общий доступ. Некоторые из них скачивают тысячи раз в месяц. Это фреймворк VAEP — модель оценки всех действий с мячом; xG-модель, оценивающая качество голевого момента; и пакет для синхронизации событийных данных с трекинговыми. «Много людей в индустрии используют наш код в ежедневной работе», — отмечает Дэвис.
Для него практическое применение их кода важно, но настоящий кайф — видеть, как теория превращается в практику. «Меня мотивирует решать реальные проблемы и смотреть, как моя работа влияет на игру», — говорит он. И, пожалуй, именно это и отличает настоящего аналитика футбольных матчей от простого болванчика с цифрами. Дэвис — не просто футбольный аналитик, а архитектор нового подхода, где футбольная аналитика превращается в оружие массового поражения для соперников.