پیشبینی بازی در هفتههای اول فصل فوتبال؛ آمار فصل قبل هنوز قابل اعتماد است؟
فرض کنید تیمی فصل قبل یکی از بهترین خطوط حمله لیگ را داشته، اما در سه مسابقه اول فصل جدید فقط دو گل زده است. کدام داده مهمتر است؟ سه بازی فصل جدید یا سیوهشت بازی فصل گذشته؟
پاسخ این است: هیچکدام بهتنهایی.
این یک سناریوی فرضی است، اما مسئلهای واقعی را نشان میدهد که تحلیلگران فوتبال و بازارهای شرطبندی در ابتدای هر فصل با آن روبهرو هستند. دادههای فصل جدید هنوز محدودند، در حالی که بخش بزرگی از اطلاعاتی که درباره قدرت تیمها داریم متعلق به فصل گذشته است.
بنابراین سؤال اصلی این نیست که «کدام آمار درست است؟» سؤال بهتر این است:
به اطلاعات فصل قبل و دادههای تازه فصل جدید، چقدر باید وزن بدهیم؟
در هفتههای ابتدایی فصل، پاسخ به همین سؤال میتواند تفاوت میان واکنش عجولانه به چند نتیجه و تحلیل دقیقتر احتمال واقعی تیمها باشد.
مشکل اصلی هفتههای اول فصل فوتبال
در تحلیل داده، هرچه تعداد مشاهدات کمتر باشد، احتمال اینکه یک اتفاق تصادفی یا کوتاهمدت را بهاشتباه یک الگوی پایدار تصور کنیم بیشتر میشود. در فوتبال، سه یا چهار مسابقه اول فصل میتواند بهشدت تحت تأثیر اتفاقاتی باشد که لزوماً قدرت واقعی یک تیم را نشان نمیدهند:
یک پنالتی گرفته یا از دسترفته
یک اخراج زودهنگام که ساختار مسابقه را تغییر داده
کیفیت متفاوت حریفان در هفتههای ابتدایی
تعداد بازیهای خانگی و خارج از خانه
مصدومیت یا محرومیت بازیکنان کلیدی
Finishing غیرعادی، چه بهتر و چه بدتر از سطح معمول
عملکرد استثنایی یا ضعیف دروازهبان
گلهای دیرهنگام یا اتفاقات کمتکرار مسابقه
به همین دلیل:
سه برد متوالی الزاماً به این معنا نیست که قدرت واقعی یک تیم به همان اندازه افزایش پیدا کرده است؛ همانطور که سه شکست نیز لزوماً ثابت نمیکند تیم نسبت به فصل گذشته بهطور اساسی ضعیفتر شده است.
نتایج اولیه اطلاعات جدیدی در اختیار ما قرار میدهند، اما مسئله این است که در یک نمونه کوچک، هنوز تفکیک «Signal» از «Noise» دشوار است.
آیا باید به آمار فصل قبل اعتماد کنیم؟
جواب کوتاه: بله، اما نه بهصورت خام.
آمار فصل گذشته میتواند یک نقطه شروع یاپایه برای تخمین قدرت تیم باشد، اما قبل از استفاده از آن باید ببینیم تیم از پایان فصل قبل تا امروز چقدر تغییر کرده است.
هرچه تغییرات ساختاری بیشتر باشند، استفاده مستقیم از دادههای فصل گذشته ریسک بیشتری دارد.
تغییر نسبت به فصل قبل | اعتبار آمار فصل قبل بهعنوان Baseline |
ترکیب و مربی تقریباً ثابت | زیاد |
چند انتقال مکمل بدون تغییر نقشهای اصلی | نسبتاً زیاد |
خروج یک بازیکن ستاره یا تأثیرگذار | متوسط |
تغییر مربی و سیستم بازی | کمتر |
تغییر گسترده ترکیب اصلی و ساختار تاکتیکی | بسیار کمتر |
این جدول یک قانون آماری ثابت نیست؛ بلکه میتواند بهعنوان یک چکلیست ذهنی اولیه استفاده شود.
قبل از اینکه مثلاً آمار گلزنی، xG، مالکیت یا عملکرد دفاعی فصل گذشته را وارد تحلیل فصل جدید کنید، ابتدا باید بپرسید:
آیا تیمی که این دادهها را تولید کرده، هنوز تقریباً همان تیم است؟
نقلوانتقالات چطور Baseline فصل قبل را تغییر میدهند؟
در تحلیل تأثیر نقلوانتقالات، موضوع فقط این نیست که یک تیم «بازیکن خوبی خریده» یا «ستارهای را فروخته است» زنجیره تأثیر میتواند پیچیدهتر باشد:
ورود/خروج بازیکن → تغییر نقشها → تغییر ساختار تیم → تغییر عملکرد موردانتظار → تغییر احتمال نتایج
برای مثال، فرض کنید مهاجمی که سهم مهمی در تولید موقعیتهای گلزنی تیم داشته از باشگاه جدا شود. حتی اگر اکثر بازیکنان دیگر حفظ شده باشند، استفاده مستقیم از آمار هجومی فصل گذشته میتواند تصویر دقیقی از تیم جدید ارائه نکند. همین مسئله در جهت معکوس نیز وجود دارد. خرید یک بازیکن مهم ممکن است نهفقط عملکرد یک پست، بلکه نقش چند بازیکن دیگر را هم تغییر دهد.
بنابراین در زمان استفاده از دادهای فصل قبل باید ابتدا بررسی کنیم چه بخشی از ساختاری که آن داده را تولید کرده هنوز باقی مانده است.
مربی جدید؛ جایی که داده فصل قبل سریعتر منقضی شود
تغییر مربی یکی از مهمترین عواملی است که میتواند اعتبار مستقیم آمار فصل گذشته را کاهش دهد. یک مربی جدید ممکن است چندین متغیر را همزمان تغییر دهد:
درصد مالکیت توپ (Possession)
شدت و محل شروع Pressing
ارتفاع خط دفاعی
Tempo و سرعت انتقال توپ
ساختار Build-up
انتخاب موقعیت شوت
نقش بازیکنان در حمله و دفاع
نحوه اجرای ضربات ایستگاهی
بنابراین گرچه نام باشگاه و حتی بخش بزرگی از بازیکنان همان باشند، اما فرایندی که دادهها را تولید میکند تغییر کرده باشد. در چنین شرایطی، داده فصل قبل هنوز کاملاً بیارزش نیست؛ اما باید وزن کمتری نسبت به تیمی داشته باشد که با همان مربی، ساختار و ترکیب وارد فصل جدید شده است.
در مقابل، شواهد فصل جدید درباره تغییرات تاکتیکی میتوانند اهمیت بیشتری پیدا کنند؛ هرچند همچنان باید محدودیت نمونه سایز را در نظر گرفت.
قدرت حریفان در پیشبینی بازی
نتیجه مسابقه بدون سابقه، اطلاعات محدودی درباره قدرت واقعی تیم ارائه میدهد.
برای مثال: ۳ پیروزی بهتنهایی چیز زیادی به ما نمیگوید. اما اگر این اطلاعات را به آن اضافه کنیم:
۳ برد → Opponent Quality → Home/Away → xG → Shot Quality
تصویر بسیار کاملتری شکل میگیرد. تیمی که سه مسابقه خانگی مقابل حریفان ضعیفتر را برده، شرایط متفاوتی از تیمی دارد که سه پیروزی خود را مقابل رقبای قدرتمندتر یا در زمین حریف به دست آورده است.
به همین دلیل، تاثیر و قدرت برنامه بازیها در هفتههای ابتدایی فصل اهمیت بیشتری پیدا میکند.
حتی جایگاه فعلی حریف در جدول نیز ممکن است در هفتههای اول گمراهکننده باشد؛ چون جدول لیگ خودش هنوز بر اساس نمونه کوچکی شکل گرفته است.
پس کیفیت حریف را بهتر است با مجموعه گستردهتری از اطلاعات ارزیابی کنیم، نه صرفاً رتبه فعلی او.
xG در شروع فصل چه چیزی به ما میگوید؟
در هفتههای ابتدایی فصل، شاخص گلهای مورد انتظار (xG) میتواند تصویری دقیقتر از عملکرد تیم نسبت به نتیجه نهایی مسابقه ارائه دهد.
فرض کنید یک تیم مسابقهای را ۱-۰ برده است. نتیجه فقط میگوید تیم برنده شده، اما xG و دادههای مربوط به موقعیتها میتوانند نشان دهند این برد چطور به دست آمده است:
تیم چند موقعیت ایجاد کرده؟
کیفیت موقعیتها چقدر بوده؟
حریف چه موقعیتهایی داشته؟
نتیجه تا چه اندازه با جریان موقعیتهای مسابقه همخوانی داشته است؟
اما یک نکته مهم وجود دارد:
xG نیز در تعداد کم مسابقات میتواند تحت تأثیر نوسانات و اتفاقات مقطعی قرار بگیرد.
چند مسابقه با کارت قرمز، پنالتی، وضعیت و شرایط غیرعادی مسابقه یا حریفان بسیار متفاوت میتواند روی xG نیز اثر بگذارد.
بنابراین مزیت xG این نیست که همیشه «حقیقت واقعی» را نشان میدهد؛ بلکه نسبت به Scoreline خام، اطلاعات بیشتری درباره کیفیت و تعداد موقعیتهای ایجادشده در اختیار تحلیلگر قرار میدهد.
بازگشت به میانگین؛ چرا نباید شروعهای غیرعادی را یک روند پایدار بدانیم؟
یکی از مفاهیم مهم در تحلیل هفتههای ابتدایی فصل، بازگشت به میانگین (Regression to the Mean) است.
یک مثال کاملاً فرضی را در نظر بگیرید. فرض کنید تیمی در چهار مسابقه اول فصل، با وجود ثبت حدود ۱.۹ گل مورد انتظار (xG)، ۴ گل به ثمر رسانده است. ممکن است در نگاه اول نتیجه بگیریم:
قدرت گلزنی این تیم بهشدت افزایش پیدا کرده است.
اما احتمال دیگری هم وجود دارد. شاید بازیکنان این تیم در همین تعداد کم مسابقه، موقعیتهای خود را با دقتی بالاتر از سطح معمول به گل تبدیل کرده باشند.
با افزایش تعداد مسابقات، عملکردهای بسیار غیرعادی معمولاً تعدیل میشوند؛ مگر اینکه شواهد کافی نشان دهد تغییری واقعی و پایدار در کیفیت تیم، بازیکنان یا سیستم بازی رخ داده است.
این نکته اهمیت زیادی دارد، زیرا بازگشت به میانگین به این معنا نیست که تیم حتماً باید به آمار فصل گذشته خود برگردد.
برای مثال، اگر مهاجم مؤثرتری به ترکیب اضافه شده باشد، سیستم هجومی تغییر کرده باشد یا تیم بهطور مستمر موقعیتهای باکیفیتتری ایجاد کند، سطح واقعی عملکرد آن نیز ممکن است نسبت به فصل گذشته تغییر کرده باشد.
همین موضوع را میتوان در شاخصهای دیگری نیز بررسی کرد:
· درصد مهار دروازهبان
· نرخ تبدیل موقعیت به گل
· تعداد گلهای دریافتشده
· گلهای حاصل از ضربات ایستگاهی
· درصد تبدیل شوت به گل
بنابراین بازگشت به میانگین یک هشدار برای جلوگیری از نتیجهگیری عجولانه از تعداد کمی مسابقه است، نه فرمولی برای پیشبینی قطعی آینده.
در هفتههای ابتدایی فصل، عملکرد غیرعادی میتواند یک نوسان کوتاهمدت باشد یا نشانهای از یک تغییر واقعی. برای تشخیص این دو، باید تعداد بیشتری مسابقه و شواهدی مانند کیفیت موقعیتها، تغییرات ترکیب و سبک بازی تیم را در کنار یکدیگر بررسی کرد.
بازار در ابتدای فصل وارد فرایند کشف قیمت میشود
از اینجا بحث مستقیماً به بازار شرطبندی مرتبط میشود.
پیش از شروع فصل، بوکمیکرها برای تعیین ضرایب از مجموعهای از اطلاعات استفاده میکنند؛ عملکرد تیم در فصل گذشته، کیفیت و عمق ترکیب، نقلوانتقالات، سرمربی، مصدومیتها و انتظارات پیشفصل بخشی از این اطلاعات هستند.
اما با شروع مسابقات، دادههای واقعی فصل جدید نیز وارد بازار میشوند و میتوانند ارزیابی اولیه از قدرت تیمها را تغییر دهند.
مسیر سادهشده این فرایند را میتوان به شکل زیر نمایش داد:
انتظارات پیشفصل → نتایج اولیه → اطلاعات جدید → واکنش بازار → تغییر ضرایب → قیمت جدید بازار
این فرایند را میتوان نوعی کشف قیمت (Price Discovery) دانست؛ یعنی بازار با دریافت اطلاعات جدید تلاش میکند ضرایبی را شکل دهد که ارزیابی تازه از احتمال نتایج را بهتر منعکس کنند.
اما یک نکته مهم وجود دارد:
تغییر ضرایب ≠ قیمت درست
حرکت ضرایب نشان میدهد ارزیابی بازار تغییر کرده است، اما بهتنهایی ثابت نمیکند قیمت جدید دقیقاً با احتمال واقعی یک نتیجه مطابقت دارد.
برای مثال، ممکن است بازار پس از سه برد متوالی یک تیم، بیش از اندازه به نتایج کوتاهمدت واکنش نشان دهد و ضریب آن تیم سریع کاهش پیدا کند.
در جهت مقابل، ممکن است تغییر مهمی در تاکتیک، ترکیب یا عملکرد تیم رخ داده باشد که بازار هنوز تأثیر آن را بهطور کامل در ضرایب لحاظ نکرده باشد.
به همین دلیل، بررسی حرکت ضرایب (Line Movement) زمانی ارزش تحلیلی بیشتری پیدا میکند که فقط به جهت تغییر ضریب نگاه نکنیم، بلکه علت این تغییر را نیز بررسی کنیم.
در TipRadar سؤال اصلی صرفاً این نیست که «ضریب چقدر تغییر کرده است؟»؛ سؤال مهمتر این است که
«چه اطلاعاتی باعث این تغییر شده و آیا واکنش بازار متناسب با اهمیت آن اطلاعات بوده است؟»
Public Overreaction؛ فرصت Value کجا ممکن است شکل بگیرد؟
یک سناریوی فرضی دیگر را در نظر بگیرید. تیمی فصل را با این نتایج شروع کرده است:
باخت → باخت → تساوی
واکنش اولیه ممکن است ساده باشد:
این تیم نسبت به فصل قبل ضعیف شده است؛ اما اگر یک لایه پایینتر برویم، ممکن است تصویر متفاوتی ببینیم:
هر سه مسابقه مقابل حریفان قدرتمند بوده
دو مسابقه خارج از خانه برگزار شده
xG تیم همچنان مناسب بوده
تیم موقعیت ایجاد کرده اما تبدیل به گل یا Conversion Rate پایینی داشته
یکی از بازیکنان اصلی نیز در بخشی از این مسابقات غایب بوده است
حالا سؤال تحلیلگر نباید صرفاً این باشد: «آیا این تیم خوب است؟» سؤال مهمتر این است:
«آیا Odds فعلی بیش از اندازه نسبت به این سه نتیجه کوتاهمدت واکنش نشان داده است؟»
اینجاست که بحث به ارزش شرط یا Value Betting متصل میشود. ارزش یا Value زمانی مطرح میشود که برآورد ما از احتمال یک نتیجه با احتمالی که قیمت بازار منعکس میکند اختلاف معناداری داشته باشد. اما سایز نمونه کوچک، خودش ارزشی ایجاد نمیکند. برعکس، نمونه کوچک عدمقطعیت را افزایش میدهد و همین موضوع نیاز به تحلیل محتاطانهتر را بیشتر میکند.
نگاه TipRadar؛ مسئله اصلی وزندهی به اطلاعات است
در هفتههای ابتدایی فصل، نه باید آمار فصل گذشته را نادیده گرفت و نه چند نتیجه جدید را بیشازحد جدی گرفت. مسئله اصلی وزن دهی است. هرچه ترکیب، مربی و سبک بازی تیم نسبت به فصل گذشته ثابتتر باشد، آمار فصل گذشته میتواند پایه و اساس معتبرتری ارائه دهد. هرچه تغییرات ساختاری بیشتر باشند، باید نسبت به انتقال مستقیم دادههای گذشته به فصل جدید محتاطتر بود. از طرف دیگر، با افزایش تعداد مسابقات فصل جدید، اطلاعات تازه بهتدریج وزن بیشتری پیدا میکنند.
میتوان این فرایند را به شکل زیر خلاصه کرد:
هدف تحلیل در TipRadar صرفاً پیدا کردن تیمی نیست که احتمال برد بیشتری دارد. سؤال مهمتر این است:
آیا احتمالی که بازار در Odds قیمتگذاری کرده، با مجموعه اطلاعاتی که در اختیار داریم همخوانی دارد؟
قبل از شرط بندی در هفتههای اول فصل چه چیزهایی را بررسی کنیم؟
قبل از اینکه چند نتیجه ابتدایی را نشانه تغییر واقعی قدرت یک تیم بدانید، این موارد میتوانند یک چکلیست اولیه باشند:
متغیر | سؤال مهم |
Sample Siza | چند مسابقه از فصل جدید برگزار شده است؟ |
Last Season Data | چه مقدار از ساختار فصل گذشته هنوز باقی مانده؟ |
Transfers | چه بازیکنان مهمی وارد یا خارج شدهاند؟ |
Coach | مربی یا سیستم تاکتیکی تغییر کرده است؟ |
Availability | بازیکنان کلیدی در دسترس بودهاند؟ |
Strength of Schedule | کیفیت حریفان هفتههای ابتدایی چگونه بوده؟ |
Home/Away | نتایج در خانه ثبت شدهاند یا خارج از خانه؟ |
Underlying Data | xG و کیفیت موقعیتها چه تصویری نشان میدهند؟ |
Line Movement | Odds از ابتدای بازار تا امروز چگونه تغییر کرده؟ |
Market Reaction | آیا قیمت ممکن است تحت تأثیر نتایج کوتاهمدت قرار گرفته باشد؟ |
هیچکدام از این متغیرها بهتنهایی پاسخ نهایی را نمیدهند. ارزش تحلیل در ترکیب این اطلاعات است.
جمعبندی؛ داده قدیمی یا داده جدید؟
در هفتههای اول فصل، انتخاب بین «آمار فصل گذشته» و «آمار فصل جدید» یک دوگانه اشتباه است. داده فصل گذشته میتواند پایه و اساس تحلیل باشد و مسابقات جدید اطلاعات تازه فراهم کنند. نقلوانتقالات و تغییر مربی مشخص میکنند آمار قبلی چقدر هنوز معتبر است. کیفیت وسطح رقبا به ما اطلاعات زیادی میدهد. XG و سایر شاخصهای عملکردی کمک میکنند پشت Scoreline را ببینیم وحرکت خط نشان میدهد بازار چطور این اطلاعات را وارد قیمت کرده است.
در نهایت، مسئله اصلی کمبود داده نیست؛ مسئله این است که به هر داده چه وزنی بدهیم. آمار فصل قبل را نباید کورکورانه دنبال کرد، همانطور که چند نتیجه تازه هم نباید تمام چیزی را که از یک تیم میدانیم یکشبه بیاعتبار کند.
