المختبر البلجيكي الذي يقود ثورة البيانات في كرة القدم المعاصرة

إذا كنت ترغب في فهم سبب ظهور لعبة كرة القدم الحديثة بالشكل الذي نراه اليوم، أو إذا كنت تسعى لفهم التطورات الكبيرة التي حققناها مؤخرًا في فهم كيفية عملها بشكل فعّال، فإنه من المهم معرفة ما يحدث في واحدة من أقدم الجامعات في العالم، التي تقع في بلجيكا.

هناك ستجد معمل تحليلات الرياضة في جامعة لوفان الكاثوليكية، بقيادة جيسي ديفيس، أستاذ علوم الحاسوب الذي نشأ في ولاية ويسكونسن. لقد كبر ديفيس وهو يحضر مباريات كرة السلة وكرة القدم في جامعة ويسكونسن-ماديسون، ولم يكتشف لعبة كرة القدم حتى التحاقه بالجامعة خلال كأس العالم 2002. وعندما تم تعيينه في لوفان في عام 2010 للبحث في مجال تعلم الآلة والتنقيب عن البيانات والذكاء الاصطناعي، استقطبه زملاؤه الشغوفون بالرياضة إلى عالم كرة القدم.

سرعان ما أصبح ديفيس مشرفًا على مجموعة من طلاب الدراسات ما بعد الدكتوراه والدكتوراه والماجستير الذين يعملون على تحليل بيانات كرة القدم. غنى وتعقيد البيانات جعله ملائمًا لدراسة الذكاء الاصطناعي. العمل الذي أنتجوه، وجعلوه متاحًا للجميع من خلال أدوات التحليل المفتوحة المصدر، أسهم بشكل ملحوظ في تطوير العلوم التي تستند إليها اللعبة، وغيّر الطريقة التي يفكر بها بعض الأندية في طريقة اللعب.

يعد هذا مثالًا على كيفية استفادة القطاع العام والشركات العاملة في المجال من تمويل البحث الجامعي؛ حيث يمكن أن يكون ذلك قصة ذات قيمة أكاديمية في وقت يتم فيه تقليل الدعم من جميع الجهات.

في الأيام الأولى لحركة التحليل في الرياضة، كان هناك اعتقاد شائع أن كرة القدم ليست ملائمة بشكل جيد للتحليل الإحصائي المتقدم لأنها كانت حركة متواصلة جدًا. على عكس البيسبول أو كرة السلة أو كرة القدم الأمريكية، لم تكن كرة القدم قابلة للتقسيم بسهولة إلى سلسلة من الإجراءات المنفصلة التي يمكن حسابها وتقييمها. الإجراءات الأكثر قياسًا في كرة القدم كانت التسديدات، وبالتالي الأهداف، التي تمثل جزءًا صغيرًا جدًا من الأحداث في المباراة، مما يمثل صعوبة في تقييم مساهمات كل لاعب، خاصة في المراكز التي نادرًا ما يقوم اللاعبون بتسديد الكرة فيها.

لكن رغم أن كرة القدم كانت بطيئة في اعتماد التحليلات، إلا أنها وصلت في النهاية. أصبح لدى معظم الأندية الكبيرة الآن قسم بيانات واسع، وهناك الآن نوع من الكتب الكثيرة التي تتناول هذا الموضوع أحيانًا بتفصيل مثير للإعجاب.

نشر معمل تحليل الرياضة أبحاثه حول المناطق المثلى لتسديدات بعيدة المدى، أو التساؤل عما إذا كان في بعض الحالات من الأكثر فعالية ركل الكرة لمسافة بعيدة وخارج الحدود بدلاً من البناء من الخلف. بعض هذه الأوراق كانت تحمل عناوين أكاديمية بشكل مربك مثل “نهج بايزي لاحتمالية الفوز أثناء اللعب” أو “تحليل عمليات القرار في ماركوف باستخدام التحقق من النماذج لتقديم النصائح التكتيكية في كرة القدم الاحترافية”.

الأبحاث المكتشفة أدت إلى تعاون مع محللي البيانات لدى أندية مثل ريد بول لايبزيغ وكلوب بروج، والاتحادات الألمانية والأمريكية، بالإضافة إلى التعاون مع النادي المحلي في لوفان والاتحاد البلجيكي.

لكن الأمر المدهش هو أن فريق العمل بقيادة ديفيس، الذي يضم حوالي 10 أفراد في أي وقت مقرر، لا يزال يقوم بأبحاث رائدة ومغيرّة للنظرة مثل العمل الأخير حول تحسين كيفية تقييم استحواذ الكرة.

الآن بعد أن اعتمدت الرياضة في أعلى مستوياتها التحليلات ودمجتها في كل ما تفعله، كان من المتوقع أن تتفوق ثم تهمش القادمين من الخارج، كما حدث في رياضات أخرى. لكن هذا لم يحدث.

“الرياضة الاحترافية، وليست كرة القدم فقط، لديها تركيز مكثف على ما يأتي بعد ذلك”، يقول ديفيس. “هذا صحيح بشكل خاص لأن المهن في هذا المجال تكون عابرة لكل من اللاعبين والموظفين. وبالتالي، حقيقة أنك قد لا تكون موجودًا غدًا لا تعزز الرغبة في المخاطرة بمشاريع قد تؤتي ثمارها أو لا تؤتي، أو التي ستثمر شيئًا مفيدًا، ولكن ليس خلال الأشهر الستة إلى التسعة القادمة.”

هناك عمل إبداعي يُنجز داخل الأندية الرياضية ولكنه لا يُعرض للعالم الخارجي، لأنه لا معنى لمشاركة كل تلك الأفكار المهمة. الحوافز في الرياضة الاحترافية تتعارض مع العملية العلمية، التي تقدر المخاطرة والعبث في تصميم التجارب، التي قد لا تؤتي أي نفع. ما هو أكثر، يتطلب الأمر ممارسين ذوي مهارات عالية، والذين قد يكون من الصعب والمكلف توظيفهم. العائد على هذا الاستثمار قد يكون محدودًا. وإن وصل في النهاية، فإن ناتج ذلك العمل قد لا يساعد الفريق في الفوز بالمباريات، خاصة على المدى القصير.

وفي الوقت نفسه، معظم الفاكهة المتدلية في مجال تحليلات كرة القدم – مثل قيمة التسديدات أو أنواع التمريرات التي تنتج أكبر قدر من الخطر – قد تم جنيها بالفعل. ما تبقى هي مشاكل أكثر تعقيدًا بكثير مثل تتبع البيانات وكيفية تفسيرها.

قد تجد، على سبيل المثال، أن نماذج الأهداف المتوقعة أصبحت جيدة جدًا في تقييم الفرص التي خلقها الفريق خلال المباراة، ولكنها لا تعمل جيدًا في وضع رقم على قدرة مهاجم معين على الإنجاز بسبب الانحيازات في بيانات التدريب.

نعم، بالتأكيد. ولكن الآن ماذا؟ ما الذي من المفترض أن يفعله نادي برينتفورد (أو ناديه الجديد المحتمل مانشستر يونايتد) بمعرفة أن تحسين الأداء المتوقع للأهداف لدى برايان مبومو في الدوري الإنجليزي الممتاز – حيث كانت أهدافه المتوقعة من جودة فرص تسجيله هي 12.3، لكنه سجل بالفعل 20 مرة في الموسم الماضي – لا يشير في الواقع إلى كونه أفضل أو أكثر المهاجمين كفاءة في الدوري الإنجليزي؟

علاوة على ذلك، عندما يقدم النادي معلومة مفيدة، فإنه يتعين عليه إيجاد طريقة لتنفيذ هذا الاكتشاف، وأيضًا متابعته على المدى الطويل. هذا يعني بناء نوع من النظام لدمجه، مما يستلزم هندسة البيانات والبرمجة البرمجية. في جانب النادي، قد يستغرق هذا النوع من العمل معظم وقت العمل في مجال التحليل.

“لكي تعمل بعض نماذج التعلم العميق مع بيانات التتبع، تحتاج إلى أشهر من البرمجة للمبرمجين الاستثنائيين”، يقول ديفيس. “بناء وصيانة هذا يعتبر تكلفة كبيرة في البداية ولا يحقق فوزًا فوريًا. يتبع هذا تكلفة الحفاظ على البنية التحتية.”

في المقابل، الأكاديميون لديهم ضغط أقل في الوقت ويمكنهم الانتقال إلى فكرة جديدة إذا لم تنجح مشروع ما أو لم يعد هناك معرفة جديدة يمكن اكتسابها منه. “لا يتعين عليّ القلق بشأن إعداد خطوط البيانات، بناء لوحات المعلومات التفاعلية، معالجة الأشياء في الوقت الفعلي، إلخ”، يقول ديفيس.

البحث في ذاته هو الهدف. الفهم الذي ينتج عنه هو النتيجة، وليس الوسيلة. وبعد ذلك، يستفيد الجميع من هذا التقدم الفكري.

قد يكون هناك درس مفيد في هذا حول كيفية تقييم الحكومات للقيمة من الاستثمار في البحث العلمي.