足球场上数据是怎么统计出来的？

　　控球率，触球次数，跑动距离，活动区域什么的。

　　本回复除此句外，全部引用自虎扑前辈 萨缪尔 的回帖（http://bbs.hupu.com/9156240-8.html#236386

　　），所有的赞誉都归于他。Squawka的热点图是基于“与球相关的行为”，但分区图同样只能反映与球相关的行为，因为squawka、442的Statszone、WhoScored、EPLIndex等主流数据分析网站的数据提供商全都是Opta。 而Opta的统计方式是两个人对着电视屏幕，每人负责一个队来手动统计各类'event'，注意这里的数据全都是与球相关的event，所以不管最终数据形象化为Squawka中的地热图/分区图或者442Statszone中的Influence图或者WhoScored的平均站位图，都是根据有球行为（进攻防守都算上）来进行平均的。 而真正为俱乐部提供数据的公司（例如ProZone）是在球场各处放置八个摄像机，然后通过摄像机的影像，电脑自动模拟场上球员的位置（视觉化以后有点像FM里的二维比赛情景），此外也会有人工统计，但很明显这个数据的量级比Opta要高出不少。举个例子，ProZone会统计球员的跑动，而且会进行细分成1.静止2.慢跑3.中速跑4.快速跑5.冲刺来进行统计；而且你还可以依靠模拟观察到例如防线四人组之间站位的距离等等。这个细化程度和统计手段都是Opta无法企及的。但即便是这样程度的数据在主教练的决策中依然是参考，人对于足球的理解和判断永远处于最核心位置。 我以前也曾经提过，现今公众能拿到的数据远远无法展示比赛的全貌，只能粗略反映一些趋势性的东西（而且依然可能会误导）。足球不是单纯的回合制游戏，每个区域和全局的联系繁多而且影响因素繁多，这些东西需要有经验的眼睛来审视比赛反复推敲，解读比赛是思维量很大的脑力劳动。

　　一个手环，一个平板即可。

　　

　　志有时满，气有时粗，心反不可虚；势或许盛，见或许偏，言却不可巅。俗人之物，不俗胸襟，风景不可能四时俱佳，或秋或冬，或晨或昏，四时俱佳者，便无所谓佳与不佳了。

　　各位小伙伴们大家好，不知道最近大家有没有看世界杯，本期Jesse就想跟大家来聊聊足球比赛中的数据科学，也希望用轻松的话题，让我们享受世界杯带给我们的快乐。

　　本文仅代表个人观点，如有偏颇之处，还请海涵～

　　世界杯正在如火如荼的进行，在大家享受足球盛宴的同时，我们也发现体育和技术越来越交织在一起。VAR技术、可穿戴设备等等新的设备层出不穷，它们通过收集有关球员运动和表现的大量数据，来帮助裁判做辅助判断，同时也用于提升运动员的个人表现和团队成绩。越来越多的团队需要具有IT处理能力和数据科学专业知识的人才来帮助他们分析这些数据，他们希望将这些数据整合成一个有意的整体，并用近乎实时地方式呈现它，以方便大家挖掘数据其中的奥秘。

　　从最早的国际球队和顶级俱乐部跟踪传球、射门、传中和角球这些数据，到球员使用可穿戴设备的现代技术，帮助球队衡量他们的表现、工作量、体能和疲劳程度。足球中的数据分析无所不在，今天我们就来简单聊聊这些数据分析是如何应用在足球产业中的。

　　我们都知道巴西是足球王国，实际上数据科学最早被用来衡量潜在足球表现的例子也来自巴西，在1958年瑞典世界杯开始之前，巴西队的管理团队曾对球员进行心理测试。测试结果建议，世界足球历史上最伟大的球员贝利应该被排除在巴西队之外，理由是数据认为他“幼稚”和“缺乏斗志”。当然，球队经理并没有听从这个建议，他们仍然不顾一切的选择了贝利。贝利也在世界杯期间攻入6球，也正是他在决赛中的2个进球，帮助巴西队以5 ~ 2击败了东道主瑞典，首次赢得了冠军，这也是直到現在为止，南美洲球队唯一一次在欧洲举行的世界杯中夺冠。可见当时的数据科学还处于起步阶段，所以得出的结论并不是万无一失的。

　　足球比赛的输赢可能取决于更微小的细节，在后续的数据科学应用过程中，其作用也被证明更加的成功。在1980年代后期的意大利AC米兰的“米兰实验室”就是这其中的代表，它将减压疗法与认知训练和球员数据驱动的神经科学相结合，在其的帮助下，AC米兰队赢得了一座座联赛和杯赛冠军奖杯，也是在这种成绩验证下，米兰实验室赢得了声誉。也有很多球员称赞该实验室在帮助他们将“积极思考”转变为压力下的获胜心态方面产生了重要的影响。

　　技术系统推动了数据科学在体育运动中的应用，这些技术系统可以更快、更轻松地捕捉运动员的表现指标，并更好地解释和分享结果。一个典型的例子是谷歌云与英格兰男女国际足球队技术理事会的合作，这种合作有助于保护对数据库、流程、功能和计算资源的访问，他们将这些资源结合起来分析从不同来源提取的大量数据。英足总还与知名的IT咨询服务公司建立了合作伙伴关系，共同开展其他几项旨在支持改进数据收集和分析的数字化转型计划。IT咨询服务公司认为，考虑在足球中使用数据时，应将其分为数据收集和数据分析两个方面。毫无疑问，过去几年，在足球相关数据收集方面有所改善，这在很大程度上要归功于物联网技术的发展。从在比赛和训练中追踪球员运动的可穿戴设备的引入，到球内和体育场周围的传感器，现在有大量的数据源不断地为我们提供来自各个方面的信息。许多团队在自动化技术上投入了大量资金，以确保可以快速收集和汇总所有这些数据。计算机视觉的使用现在也很普遍，它允许教练在几秒钟内按需请求查看某个球员的所有射门或所有传球。这减少了以前花在手动查看旧镜头上的时间，并且意味着教练和经理在制定训练计划或比赛战术时可以更有效率。

　　伴随数据收集量的增加，对数据分析工作也提出了更高的要求和挑战。虽然球队可以访问自己的数据，但他们往往缺乏对竞争对手的同等洞察力，从而阻碍了有效地为未来比赛做准备的能力。例如，对竞争对手在比赛中对换人或其他战术变化的反应进行计算机模拟。这意味着尽管存在大量信息，但许多无法访问这些信息的教练在比赛中做出决定时仍然依赖“直觉”，而他们本可以听取数据告诉他们的内容。要实现这一目标，足球可以从F1等赛事中吸收经验，在F1赛事中，某些遥测数据可供所有车队使用，这反过来有助于创造更加公平的竞争环境。目前英足总和IT咨询服务公司二者的合作，也致力于帮助球队设计和应用这些数据，梳理球队的流程，同时尝试为足球基层球队配备他们需要的工具，以获得与顶级球队相同水平的洞察和分析能力。我们相信足球数据分析将进入到下一发展阶段，很可能用不了多久，越来越多的俱乐部就会像现在聘请教练和理疗师一样聘请数据科学家。

　　许多俱乐部不具备处理每个赛季收集到的数十亿数据点的专业知识或处理能力。因此，这些俱乐部需要使用人工智能驱动的服务来帮助处理这些数据。目前，我们已经可以发现一些专注于足球和其他运动领域的人工智能决策服务公司来帮助球队。比如，帮助评估某些球员是否适合想要签下他们的球队。近年来，数据的类型和广度发生了显著的变化，从我们可能在电视广播中看到的“得分统计表”数据发展为逐个事件的数据——每场比赛大约1,500个事件——到现在完整使用计算机视觉和GPS 技术跟踪球员，可以在比赛或训练期间每秒收集球员位置20次+，以提取更多身体指标。还有一些公司还为俱乐部和足球国家队提供视频性能分析软件。他们利用人工智能技术实时计算概率并评估运动员表现，以进行相关预测。通过实现视频和数据的实时且可自由访问，并且进一步整合这些数据，这些分析系统能够监控和提醒教练战术和表现优势。在自动化的帮助下，视频分析使所有团队能够利用和分析自己的表现。通过采用基于视频的分析，球队取得了长足进步。众多国家队使用相关系统让教练、分析师和球员能够在比赛期间和比赛后审查表现。

　　国际米兰俱乐部利用GPS和视频追踪工具，收集海量的球员数据，包括速度、加速度、爆发力、距离等，粒度在一毫秒内。边缘服务器的安装提高了数据处理的速度。这些数据被打包成详细的报告，提供给教练、体能教练和技术分析师，然后他们使用它们来确定在面对特定对手时最有效的战术。国际米兰现在可以跟踪每场比赛的每一刻、每一次训练、每一名球员和每一个过程。他们的想法是根据球场上不同的技术和战术情况分析每个球员的身体表现。然后摄取所有数据，使其能够存储和处理它。然后应用算法来识别模式并进行分析洞察。我们预计边缘端技术很快会扩大使用规模，这样俱乐部就可以在比赛期间实时处理数据。

　　数据及其背后的技术是未来足球表现的关键，足球比赛已经不仅仅是简单的身体对抗和个人技术的竞争，更是现代数据科学的比拼。由于足球比赛的数据都带有时间特性，我们认为一款面向边缘端设备的时序数据存储和分析工具将有广阔前景。足球中的数据存储和分析技术还大有可为。

　　今天就到这里吧，各位小伙伴们大家安心享受世界杯的盛宴，我们下期再见。

　　CnosDB社区网站：https://www.cnosdb.com

　　很久没写干货了，今天给大家来点干货。

　　通过这篇回答帮助大家认识一下足球比赛中数据应用的前世今生，以及当下足球比赛中的数据采集和数据分析及应用。

　　足球数据分析起源于上世界50年代，而第一个将数据统计分析应用到足球比赛中的人叫查尔斯·瑞普，他也被称为是“足坛第一个数据分析师”。

　　查尔斯·瑞普出生于1904年，从普利茅斯高中毕业之后参加了会计师培训，然后在1928年参加了新成立的英国皇家空军会计部门的考试并且获得了第一名，从而加入了英国皇家空军，并于1955年退休。

　　瑞普是普利茅斯的狂热球迷，在服役于英国皇家空军期间，他就参加过很多足球战术的讲座。1950年3月，瑞普在观看一场斯文登的主场比赛时，他对那种过于缓慢的比赛节奏和被战术边缘化的边锋感到失望，然后在看着主队上半场徒劳无功地进攻表现之后后，他决定在下半场记录笔记。

　　此后，他经常会出现在各种足球比赛的现场记录笔记，通过分析之后他推断，当时一支球队平均每场比赛能够打进2球，但是只需要在机会转化率方面有小幅改善，就能将进球数提升到3个。

　　他的分析在当时引起了布伦特福德经理杰基·吉本斯的注意，从1951年2月到赛季结束，他以兼职顾问的身份受雇于布伦特福德俱乐部。当时联赛还剩下14场比赛，布伦特福德还有降级的危险，但在瑞普到来之后，布伦特福德的场均进球数从1.5提升到了3个，并且他们拿到了之后28个积分中的20分，联赛排名从第16升到了第9。

　　之后，瑞普在《新闻纪事报》上分享了他的分析成果。他得出结论称，大多数进球都是在不到三次传球的情况下进的，因此，他提出“尽快将球传向对方球门是很重要的”。越快将球传向对方球门，传球次数越少，进球就越多。他的这一理论后来被称为“长传战术”。

　　后来，瑞普又进一步提出，在靠近对手球门的地方赢得球权要比在自己半场开始的复杂传球动作能够导致更多进球，所以应该迅速将球传向前场，如果失去球权，就要努力迅速夺回球权。这是不是有点像现在的“高位逼抢”。

　　瑞普详细记录和分析的一场比赛是1953年在温布利进行的“世纪之战”——英格兰对匈牙利。当时的匈牙利已经拿到了1952年赫尔辛基奥运会的足球比赛金牌，并且保持着连续31场不败，目标直指1954年世界杯的冠军。最终那场比赛，匈牙利6-3大胜英格兰。

　　正如瑞普在之前分析中所指出的那样，匈牙利有4个进球都是来自于在靠近英格兰球门的地方夺回球权之后完成的。尽管对比赛结果大感失望，但是他觉得自己的分析得到了证明，但他并不知道的是当时的匈牙利足协也一直在分析足球，特别是优化射门位置，已有长达20多年之久。当时的匈牙利主帅古斯塔夫·塞贝什保存了关于阵型和战术的详细笔记，而匈牙利足协则保存了有关比赛和训练数据的文件，旨在帮助球队达到最佳状态。

　　在那场惨痛的失利之后，英格兰足协也开始努力寻找对足球的新见解，并且开始大量的记录足球比赛的数据。到了50年代末期，英格兰足协经常会在一场比赛中派出几十名数据分析师，疯狂地用铅笔和记事本记录比赛数据。

　　而查尔斯·瑞普在布伦特福德的出色工作也引起了当时的英格兰强队米尔沃尔的注意，并且邀请他加入球队做数据分析师。1954年4月24日，米尔沃尔以2-0击败托特纳姆热刺加冕联赛冠军时，瑞普的工作再次得到了证明。在球队的庆功宴上，米尔沃尔的球队经理卡利斯特意感谢了他们的分析师查尔斯·瑞普。之后，米尔沃尔又在1958年和1959年两度赢得了联赛冠军。

　　之后查尔斯·瑞普又分别受雇于谢菲尔德联、考文垂、普利茅斯、斯托克城、切斯特菲尔德和剑桥联等多支球队，一支到上世纪80年代才逐渐退出了英格兰足球的主流视线。

　　而瑞普隐退的原因是因为他的理论经过了20多年的发展之后，开始遭到了质疑。《倒转金字塔》的作者乔纳森·威尔逊就指出，瑞普的分析显示，他研究的比赛中91.5%的进攻传球次数不超过三次，逻辑上来说，91.5%的进球应该来自于这样的进攻，然而，实际上少于80%的进球是来自于这样的进攻。威尔逊指责瑞普基于错误的数据解读建立了一种错误的足球哲学。威尔逊的观点也使得“长传战术”开始被诟病。

　　不过，瑞普的工作虽然在后来受到了争议，但他的贡献在现代足球数据分析中仍然具有重要意义。他的方法也奠定了后来足球统计学和数据分析的基础。

　　现代足球比赛数据应用的标志应该是1996年opta的成立。

　　Opta是世界上第一家以足球赛事数据为核心业务的公司，opta的出现大范围普及了足球比赛的数据应用，同时也引领了足球比赛数据技术发展，并且成为了足球比赛数据定义的权威。

　　Opta成立之初只是一家记录与分析英超联赛比赛数据的小公司。在英超97-98赛季时，Opta成为了英超联赛的官方数据供应商。在经历了多年的发展和并购之后，如今的Opta已经发展成了全球最大的体育数据采集和服务商，自身营业范围也从原有的体育数据记录与分析进阶为以体育数据分析为核心竞争力的各项服务，他们为体育媒体、广播公司、技术公司、体彩机构、俱乐部和联赛提供商提供服务，涵盖了来自约70个国家的30多种不同体育运动项目的统计数据和信息。

　　Opta在成立的早起也是完全依赖于人工手动统计，需要现场数据采集员通过纸笔来记录信息，但是这种记录方式能及时记录的数据极少，仅限于射门、角球、进球、换人、红黄牌等关键信息，且数据准确度一般，只能够记录到关键事件大致的时间和相关人物。

　　随着IT技术的发展，2001年Opta率先淘汰了依靠纸笔记录的统计方法，开始转为人工为主的信息化采集。

　　起初的数据采集系统是将网格化的足球场设为半透明样式，覆盖在比赛直播的视频上。数据采集员的统计工作已经不像纸笔时期那样简单记录关键事件。传球路线成为了当时最为核心的工作内容，传球路线需要数据采集员们通过在起球点拖拽和点击鼠标来记录每个传球，并标记出是谁接到的传球。

　　但是，2D网格化的足球场是无法和第三人称视角的足球直播画面中球场上的影像精确对应的，数据采集员们记录信息时，鼠标会移动到与直播画面中的足球的位置距离较远的点上，而距离完全依赖于数据采集员的经验和主观判断，这种工作模式的数据记录必然存在较大的误差。当然数据具有争议的地方不仅限于此，还有各种技术性动作的判断，比如是不是过人、是不是抢断、是不是失误等技术事件的记录，高度依赖于数据采集团队的理解。

　　在这个时期，像传球路线这样的核心数据不再以离散的形式被记录，每一次传球都可以跟前后事件相关联，为数据分析师、教练以及数据爱好者提供了更多的分析空间。

　　2010年以后，光学识别技术与球员追踪系统开始大量应用于足球比赛的数据收集（大部分从事这类业务的公司都是成立在2005年之前）。在足球赛事中通过光学识别技术与球员追踪系统实现比赛数据采集的领域中，SportVU和Prozone是最早的掌握核心技术的两家公司。而这两家公司目前与Opta同属于Stats Perform集团旗下。

　　SportVU和Prozone均能够实现，在非人工参与的情况下，通过光学识别技术和球员追踪系统，在比赛中实时收集球和球员的位置数据，信息系统能够在一场足球比赛中产生百万级别的数据采集信息，记录下2000-3000种事件。原本交由人工完成的数据，现如今也大部分已被计算机视觉（CV）这种人工智能（AI）技术所取代。

　　不过，虽然现如今光学识别和无线定位的相关技术已经在职业赛场上和球队训练中得到了广泛应用，但是赛事数据的采集中，人工记录仍然是不可替代的环节。因为先进的技术系统虽然能自动实现——识别足球场上分别是谁，当前位置，当前速度等一系列基础信息，但仍然难以辨别球员的技术动作、关键事件或定性判断，比如射门和传球、越位进球、被犯规、失误等等。

　　所以，从另一个角度看，数据采集方案终究还是需要辅佐人去收集信息。即使未来技术进一步发展，但各类事件仍然难以用计算机语言去定义的话，那么最终的判断还是得由人来决定。

　　目前，对于绝大多数职业足球赛事，Opta都是唯一的数据采集和提供商。然后基于opta采集和提供的数据又有各种解释以及处理数据的机构，他们会把数据解释和处理成各种可视化的数据。当然，不同的数据解释服务商也有各自对数据的理解，这些理解的差异最终会反映在各家提供数据上的差异，这类公司包括WhoScored、Wyscout、TransferMarket、SofaScore、Squawka、SoccerWay等等。大佬们都在玩{精选官网网址: www.vip333.Co }值得信任的品牌平台!

　　比如WhoScored，是一家兼具免费数据与丰富数据可视化服务两大优点的专业足球数据网站，向用户提供大部分顶级足球赛事的公开数据和分析信息，涵盖基础数据展示、指标分析、技术事件分析和活动热点，甚至有专职分析师在赛后提供的比赛关键复盘信息。

　　比如Transfermarket是一个以球员转会费、球员身价评估、转会相关信息和各路八卦流言为主要内容的网站。在网站上可以查询到最新的转会情况、顶级转会记录、合同延续、球员价值等焦点信息。

　　也有像Wyscout这样的以付费服务为核心的数据解释及可视化服务商。Wyscout提供最大的足球视频和数据数据库，包括超过550000名球员和200多个联赛和锦标赛的资料。

　　Wyscout自定义了大量的数据模型，并将这些数据模型所解释的信息大量应用在Wysouct的平台，报告和API之中。像是第三助攻、丢球、拦截、传球到禁区、掩护队友等高级事件，一般数据解释服务商难以提供。这类数据大大丰富了评价选手的维度。大佬们都在玩{精选官网网址: www.vip333.Co }值得信任的品牌平台!

　　Wyscout的数据采集员还会将每场比赛细分为2000+个带有标记的视频剪辑片段。目前Wyscout的数据库存储了400+万场，从欧洲5大联赛（英超、德甲、西甲、法甲、意甲）到世界上最重要的青年锦标赛的比赛。这些标记带有具体的关键选手和技术事件，当教练、分析师团队想要去研究竞争对手的球员或者挖掘潜力选手时，不仅仅是在表现数据内进行判别，而是结合剪辑内容快速观看球员实际比赛表现（包括高光和失误），大大提高了调研效率。

　　近年来，国际足联也是在大力推动足球赛事领域数字化技术的应用落地，最为熟知的两大应用就是视频助理裁判（VAR，Video Assistant Referee）和半自动越位技术（SAOT，Semi-Automated Offside Technology）。

　　可能有很多人误会，以为VAR仅仅只是某项技术，而实际上VAR是一整套包含人在内的技术解决方案。VAR团队由4名视频助理裁判和4名回放操作员组成。所有视频助理裁判（绿衣，FIFA派遣）都是国际足联顶级视频比赛官员。回放操作员（黑衣，鹰眼公司派遣）根据裁判的要求选择并提供最佳摄像机角度。

　　半自动越位技术（SAOT）则是使用安装在球场上方的12个专用跟踪摄像头来跟踪球，以及每个球员身上的29个数据点，以每秒50次的频率计算其在球场上的确切位置。收集的29个数据点包括与越位相关的所有肢体部位。

　　而越位事件检测中另一个重要的判断依据——惯性监测单元，其传感器位于比赛用球的中心，以每秒500次的频率向VAR ROOM发送足球的数据，从而可以非常精确地检测触球点。

　　现在，各种高科技技术收到和人工智能的加持，使得足球比赛的数据采集越来越丰富和细致，但是足球比赛作为一个超级复杂的系统，比赛数据采集和数据分析仍然有很长的路要走，而很多足球数据领域的专家也仍然强调今后仍需开展更多研究。比如前微软数据科学家、曾在阿森纳从事了近十年数据分析工作的萨拉·路德就表示，她十分羡慕赛车所能产生的大量遥测数据，这些数据能够帮助团队做出改进并提升表现。她在接受采访时说道，“我们经常看F1的比赛，要是球队能有那样的数据就太棒了。”她还说，“足球里还有很多东西有待测量，或是正在测量，但我们还不清楚要如何分析。”