1,4 млн передач и около 60 тысяч аутов хватило, чтобы доказать странную на первый взгляд вещь: иногда лучший ход в начале атаки — сознательно выбить мяч за боковую у чужих ворот. Для тех, кто следит за тем, как аналитика в футболе выходит из Excel-романтики в полноценные ML-модели, это важный сигнал: данные уже меняют не только селекцию, но и сами игровые решения на поле.
Об этом сообщает MIT Technology Review в материале о Джесси Дэвисе, профессоре компьютерных наук KU Leuven в Бельгии и руководителе Sports Analytics Lab. Его лаборатория больше десяти лет занимается тем, что многие в футболе раньше считали почти бесполезным занятием: пытается извлечь тактический смысл из игры, где за матч происходит 1500 и более действий, а голов по-прежнему мало. Именно из-за этой редкости событий футбол долго считался неудобным объектом для продвинутой статистики: в бейсболе и баскетболе гораздо проще связать отдельное действие с результатом, а здесь между пасом в центре поля и голом часто лежит длинная цепочка случайностей.
Один из самых ярких примеров работы лаборатории — исследование с говорящим названием Boot it, представленное в 2024 году. Команда собрала обучающий датасет из более чем 1,4 млн передач и примерно 60 тыс. аутов, в том числе используя эпизоды чемпионата мира 2022 года, а затем применила ансамбли деревьев решений для моделирования игровых ситуаций. Вывод получился контринтуитивный, но вполне прикладной: если мяч находится в средней трети поля, вынос в аут на стороне соперника может приблизить команду к голу в пределах следующих десяти действий — пасов, рывков, обводок. Логика здесь не в том, чтобы добровольно отдать владение, а в том, чтобы вернуть мяч в более выгодном контексте: под давлением, ближе к чужим воротам и в более предсказуемой структуре эпизода.
Для IT-аудитории здесь интересен не только сам футбольный сюжет, но и инженерный подход. Дэвис пришел в KU Leuven в октябре 2010 года как исследователь на стыке ИИ и здравоохранения. До футбола он занимался куда более привычными для академической data science задачами: вместе с радиологами анализировал маммографические отчеты, а в спорте исследовал мониторинг нагрузок, сочетая, например, пульс с другими метриками, чтобы выявлять перетренированность. Поворот к футбольной тактике случился после прихода студента Яна ван Харена, который изучал искусственный интеллект и был фанатом футбола. В 2014 году Дэвис официально запустил Sports Analytics Lab, и с тех пор группа примерно из десяти студентов и постдоков, по сути, строит базовые модели того, как современный футбол можно разложить на вычислимые сущности.
От владения мячом к вероятностям
Главная заслуга таких команд не в том, что они придумывают красивую визуализацию для презентации тренеру, а в том, что переводят расплывчатые футбольные интуиции в формализуемые вероятности. Лаборатория Дэвиса занималась оценкой владения, стратегией пенальти и эффективностью дальних ударов. По словам самого исследователя, за последние пять-десять лет число дальних ударов в футболе заметно выросло, и данные наконец позволили не спорить о них на уровне вкуса. В одном из исследований, представленном в 2021 году на MIT Sloan Sports Analytics Conference, постдок Маайке ван Рой с коллегами смоделировала поведение команд английской Премьер-лиги через марковский процесс принятия решений. Для футбола это почти идеальный инструментарий: часть действий контролируется игроками, часть определяется хаосом эпизода. Один из результатов выглядел вполне конкретно: «Челси» мог бы получать примерно на 1,6 гола больше за сезон, если бы бил издали на 20% чаще.
Такие выводы важны еще и потому, что они показывают зрелость направления. Если раньше спортивная аналитика ассоциировалась главным образом с подбором игроков и отчетами после матчей, то теперь речь идет о системах, которые помогают описывать стиль команды в измеримых терминах. Когда клуб хочет понять, насколько качественно центральный защитник двигает мяч вперед, ему уже мало считать «точность передач». Для этого комбинируют event data, где фиксируются действия с мячом, и tracking data, где записывается перемещение игроков. На выходе получается не просто статистика ради статистики, а модель ролевого соответствия: выполняет ли футболист задачу именно так, как требует игровая философия команды. Это полезно и для развития собственных игроков, и для скаутинга.
По данным MIT Technology Review, идеи лаборатории давно вышли за пределы академии. Их используют клубы по всей Европе, в том числе бельгийский Club Brugge, а также футбольные структуры в Бельгии и США. Хуго Риос-Нето, который отвечает за data recruitment в Anderlecht, называет лабораторию Дэвиса самой влиятельной в футбольной аналитике. Ян ван Харен, тот самый бывший студент, теперь работает директором по football intelligence в Club Brugge и занимается переводом философии клуба в измеримые data-driven метрики. Это, пожалуй, лучший маркер взросления рынка: академическая работа не лежит мертвым грузом в PDF, а становится частью операционной модели клуба.
Что это значит для IT-рынка
История Дэвиса хорошо показывает, как выглядит зрелое внедрение ИИ вне привычных корпоративных кейсов про чат-ботов и офисную автоматизацию. Во-первых, выигрыш приходит не из универсальной «магии модели», а из качественной постановки задачи и сборки правильных данных. Во-вторых, открытые инструменты и академическая свобода иногда двигают отрасль быстрее, чем закрытые внутренние команды: Дэвис публикует значительную часть исследований и open-source аналитических инструментов, при этом может браться за тяжелые инфраструктурные проблемы вроде стандартизации игровых данных. А это уже не красивый side project, а фундамент, без которого невозможно нормально парсить видео, сравнивать матчи и строить устойчивые тактические модели.
Для разработчиков и продуктовых команд здесь довольно прозрачная мораль. Сложные домены, где причинно-следственные связи размыты, не отменяют ценность машинного обучения, а лишь повышают требования к дизайну признаков, качеству разметки и способу интерпретации результата. Аналитика в футболе в этом смысле похожа на многие бизнес-задачи: событий много, прямых конверсий мало, а пользователи решений — тренеры, селекционеры, менеджеры — не готовы покупать черный ящик только потому, что он «на нейросетях». Выигрывают те, кто умеет превратить шумный поток событий в понятное действие: пробить чаще, иначе перестраивать прессинг, по-другому искать игрока на позицию.
Следующий большой вопрос для рынка звучит уже не как «нужны ли данные в футболе», а как «кто лучше упакует их в системное преимущество». Если модели умеют находить ценность даже в намеренно потерянном владении, значит, у игры еще много скрытых закономерностей, которые пока выглядят ересью для трибун, но нормой для аналитиков. Подробности исследования и контекст этой тенденции собраны в материале .