Los jugadores de fútbol son juzgados en gran medida por su capacidad para marcar goles o dar puntos a su equipo. Como mediocampista creativo, es probable que su medida más productiva sea en forma de ocasiones creadas o asistencias. El problema es que estas métricas dependen de las acciones de sus compañeros de equipo y no reflejan necesariamente la calidad del pase. Si su compañero de equipo no dispara, no se crea una ocasión. Si el compañero de equipo no marca, no se suma asistencia.
También está claro que no todos los pases clave crean la misma calidad de oportunidad para anotar. Es más probable que un pase al área pequeña para el delantero conduzca más a un gol que un pase corto fuera del área en que el receptor dispara desde lejos. Entonces, ¿cómo valoramos mejor a los jugadores por su capacidad para crear estas oportunidades de gol?
Con el modelo de Expected Assists (xA) de Stats Perform, podemos complementar la cantidad con la calidad y obtener un nivel más profundo de conocimiento de los pases de un jugador que refleje su valor más allá de la cantidad de ocasiones creadas.
¿Qué son las Expected Assists?
El modelo de Expected Assists (xA) de Stats Perform mide la probabilidad de que un pase se convierta en una asistencia de gol. El modelo premia a los jugadores que dan un pase en zonas de peligro, independientemente de si el receptor realiza o no un disparo. La xA se mide en una escala entre cero y uno, donde cero representa un pase que nunca resultará en asistencia y uno representa un pase del que se esperaría que el receptor anotara siempre.
Hay resultados similares que valoran la creación de ocasiones de un jugador tomando el valor xG de sus pases clave, pero estos no aíslan la contribución del creador. El método xG de pases clave depende de que el receptor haga un disparo y no tiene en cuenta lo que hace el receptor que recibe el pase y realiza el disparo. El uso de xG de pases clave no representa el valor de todos los pases ni representa el valor que el pase proporcionó inicialmente. Las Expected Assists, por otro lado, hacen ambas cosas.
Se asigna un valor de Expected Assist a cada pase completado en los datos detallados del evento de Stats Perform, dado que cada pase completado puede convertirse en una asistencia (como saben muy bien los compañeros de Lionel Messi). Sumar las Expected Assists de un jugador o equipo nos da una indicación de cuántas asistencias deberían haber tenido, según la calidad de los pases que han completado.
¿Cómo calculamos las Expected Assists?
El modelo de Expected Assists de Stats Perform se construye utilizando un modelo de regresión logística que funciona con cientos de miles de pases de nuestros datos históricos de Opta e incorpora una serie de variables que afectan la probabilidad de que un pase dado se convierta en asistencia, las más importantes de las cuales son enumeradas a continuación:
- Tipo de pase (p. ej., centro, no centro, cabezazo, pase filtrado, etc.)
- Patrón de juego (por ejemplo, en jugada, córner, tiro libre, saque de banda, etc.)
- Ubicación de dónde se recibe el pase
- Ubicación de dónde se hace el pase
- Distancia del pase
El patrón de juego y el tipo de pase son particularmente importantes para la probabilidad de que un pase se convierta en asistencia, por lo que existen submodelos para las diferentes interacciones entre estas variables.
¿Cómo se calculan las Expected Assists?
Dos de los jugadores más creativos de la temporada 2019-20 en la Premier League fueron los laterales que ganaron el título con el Liverpool. Solo Kevin De Bruyne, del Manchester City, registró más asistencias (20) que Trent Alexander-Arnold (13) y Andy Robertson (12). Entonces, ¿cómo pueden ayudarnos las Expected Assists a distinguir entre sus resultados?
Si comparamos la creatividad de los laterales en jugada, encontramos que ambos crearon 41 ocasiones en jugada. A pesar de estar por detrás de su compañero de equipo en asistencias totales, en realidad el lateral izquierdo escocés (10) superó a su compañero de equipo (6) en asistencias en jugada.
Si bien estas métricas tradicionales pueden darnos una idea de su creatividad, con las xA ahora podemos medir la calidad de sus pases. Ambos jugadores crearon la misma cantidad de ocasiones, pero Alexander-Arnold hizo pases que tenían más probabilidades de resultar en asistencia, completando pases que se esperaría que resultaran en más de cinco asistencias (7.1 xA) en comparación con las casi cinco de Robertson (4.9 xA).
Además de poder valorar la calidad de sus pases, también podemos comprender sus actuaciones en relación a la expectativa. A pesar de tener el valor xA en jugada más alto, Alexander-Arnold en realidad registró menos asistencias en jugada (6) que Robertson (10). Puede ver que Alexander-Arnold tuvo un rendimiento inferior a la expectativa, mientras que Andrew Robertson tuvo un rendimiento superior. Teniendo en cuenta la competitividad entre ambos laterales, podemos estar seguros de que el zurdo se lo hizo saber a su compañero.
En sus mapas xA, es evidente que Robertson registró algunas asistencias en pases al área donde los receptores aún tenían mucho que hacer para anotar. Por otro lado, Trent Alexander-Arnold podría considerarse desafortunado porque muchos de sus centros al segundo palo con un alto valor de xA no se convirtieron en gol.
Dando todo el crédito a los creadores
Las métricas avanzadas se han vuelto más frecuentes en el fútbol en los últimos años y tanto los jugadores como los entrenadores hablan abiertamente de ellas casi tanto como los expertos de las principales emisoras. Lo mismo sucede con las Expected Assists, una métrica que es tanto intuitiva como aplicable.
El director deportivo de Norwich City, Stuart Webber, habló sobre cómo utilizaron las xA para fichar al que posiblemente sea su mejor jugador de las últimas temporadas, Emiliano Buendia. Si bien su número de asistencias no fue sustanciales cuando jugaba en la segunda división española, sus analistas utilizaron las Expected Assists como una de las métricas para reconocer la creatividad subyacente del argentino.
El jugador con más oportunidades creadas en las cinco grandes ligas europeas en el momento de escribir este artículo, es otro fanático de la métrica. Jack Grealish, del Aston Villa, habló sobre cómo usa su total de Expected Assists para compararse con otros jugadores de su posición, con su rival en la Premier League Kevin De Bruyne como referencia particular.
De manera similar a la siempre popular métrica de los Expected Goals, las Expected Assists nos permiten valorar las contribuciones subyacentes de los jugadores creativos de un modo que las métricas tradicionales no pueden medir de manera efectiva. Es el paso decisivo para proporcionar un marco más profundo que valore la creatividad de todos los pases, no solo de aquellos que terminan en remate o gol. Si es lo suficientemente bueno para Grealish, algo debemos estar haciendo bien.