Absolute and Relative Performance Indicators Associated with Match Success Across Six European Professional Football Leagues
छह यूरोपीय लीगों के 2,058 मैचों का यह अध्ययन प्रदर्शित करता है कि जबकि सापेक्ष प्रदर्शन संकेतक (टीम-प्रतिद्वंद्वी अंतर) मैच के परिणामों की भविष्यवाणी करने में पूर्ण संकेतकों की तुलना में अधिक प्रभावी हैं, सबसे सटीक भविष्य कहनेवाला मॉडल पूर्ण और सापेक्ष दोनों मेट्रिक्स को एकीकृत करके प्राप्त किया जाता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक सॉकर मैच देख रहे हैं। दशकों से, विश्लेषक इस बात को गिनने के प्रति जुनूनी रहे हैं कि एक टीम ने क्या किया: उन्होंने कितने पास दिए? उन्होंने कितनी देर तक गेंद अपने पास रखी? उन्होंने कितने शॉट लिए? यह एक शेफ को केवल इस आधार पर आंकने जैसा है कि उसने कितनी सामग्री काटी, बिना कभी सूप चखे या यह देखे कि दूसरे शेफ ने क्या पकाया था। यह "एब्सोल्यूट" (पूर्ण) प्रदर्शन की दुनिया है—एक टीम के आंकड़ों को शून्य में देखना। लेकिन सॉकर कोई एकल अभिनय नहीं है; यह दो टीमों के बीच एक निरंतर, अराजक नृत्य है। यदि टीम A ने 500 बार पास दिया, तो यह प्रभावशाली है, लेकिन क्या होगा यदि टीम B ने 600 बार पास दिया? अचानक, टीम A के 500 पास एक जीत नहीं, बल्कि एक संघर्ष की तरह दिखने लगते हैं। यह शोध एक सरल लेकिन क्रांतिकारी प्रश्न पूछता है: वास्तव में यह समझने के लिए कि कौन जीतता है और क्यों, क्या हमें केवल यह गिनना चाहिए कि एक टीम ने क्या किया, या हमें यह मापना चाहिए कि उन्होंने दूसरी टीम की तुलना में कितना बेहतर प्रदर्शन किया? उत्तर उस तरीके को बदल देता है जिससे हम इस सुंदर खेल को देखते हैं।
लिस्बन विश्वविद्यालय के एंगेलो ब्रिटो के नेतृत्व में किए गए इस शोध ने एक विशाल डेटा के पहाड़ को देखकर इस बहस को सुलझाने का निर्णय लिया: यूरोप की छह शीर्ष पेशेवर लीगों (अंग्रेजी प्रीमियर लीग, स्पेनिश ला लीगा और इतालवी सीरी ए सहित) में 2023-2024 सीजन के प्रत्येक मैच का डेटा। यह 2,058 मैच और 4,000 से अधिक टीम प्रदर्शनों को संसाधित करने का कार्य था। लेखक ने केवल नए आंकड़े नहीं खोजे; इसके बजाय, उन्होंने खेल को "पढ़ने" के तीन अलग-अलग तरीकों का परीक्षण किया। सबसे पहले, उन्होंने एब्सोल्यूट इंडिकेटर्स (एक टीम ने अकेले क्या किया) को देखा। दूसरा, उन्होंने रिलेटिव इंडिकेटर्स (एक टीम ने जो किया और उनके प्रतिद्वंद्वी ने जो किया, उसके बीच का अंतर) को देखा। तीसरा, उन्होंने दोनों को संयोजित (कंबाइनिंग) करने का प्रयास किया।
परिणाम एक रेफरी की सीटी की तरह स्पष्ट थे। जब लेखक ने केवल "एब्सोल्यूट" आंकड़ों (जैसे कुल पास या शॉट) का उपयोग करके विजेता की भविष्यवाणी करने की कोशिश की, तो मॉडल ठीक-ठाक था, लेकिन वह अक्सर चूक गया, और परिणाम को लगभग 79% बार सही बताया। हालांकि, जब उन्होंने "रिलेटिव" आंकड़ों पर स्विच किया—अनिवार्य रूप से यह पूछते हुए कि, "टीम A ने टीम B की तुलना में कितने अधिक शॉट लिए?"—तो मॉडल एक भविष्यवक्ता बन गया। अचानक, यह 91% सटीकता के साथ विजेता की भविष्यवाणी कर सकता था। "रिलेटिव" दृष्टिकोण एक बड़ी छलांग थी। इसने दिखाया कि यह जानना कि टीम के लक्ष्य के दायरे में (ऑन टारगेट) 15 शॉट थे, बहुत कम मायने रखता है जब तक कि आप यह न जानते हों कि उनके प्रतिद्वंद्वी के केवल 3 शॉट थे। 15 और 3 के बीच का अंतर ही वास्तव में जीत को संचालित करता है।
अध्ययन में पाया गया कि जीतने के सबसे शक्तिशाली भविष्यवक्ता केवल एक अच्छी आक्रामक टीम होना नहीं थे, बल्कि दूसरे व्यक्ति की तुलना में एक बेहतर आक्रामक टीम होना था। विशेष रूप से, अपने प्रतिद्वंद्वी की तुलना में लक्ष्य के दायरे में अधिक शॉट होना और उन शॉट्स को गोल में बदलने में अधिक कुशल होना सफलता की सुनहरी कुंजियाँ थीं। जब लेखक ने दोनों प्रकार के डेटा (एब्सोल्यूट और रिलेटिव) को मिलाया, तो मॉडल और भी बेहतर हो गया, और 93% सटीकता तक पहुँच गया। लेकिन यहाँ मुख्य बात यह है: लगभग सारा सुधार "रिलेटिव" भाग से आया था। "एब्सोल्यूट" संख्या जोड़ने से केवल एक मामूली सी बढ़त मिली।
तो, भविष्य के सॉकर विश्लेषण के लिए इसका क्या अर्थ है? पेपर सुझाव देता है कि हमें टीमों को अलगाव में देखना बंद करने की आवश्यकता है। एक टीम का प्रदर्शन केवल स्कोरबोर्ड पर एक संख्या नहीं है; यह एक संबंध है। ठीक वैसे ही जैसे दौड़ना इस बारे में नहीं है कि आप कितनी तेज़ दौड़ते हैं, बल्कि इस बारे में है कि आप अपने बगल वाले व्यक्ति की तुलना में कितने तेज़ हैं, सॉकर की सफलता आपके और आपके प्रतिद्वंद्वी के बीच के अंतर से परिभाषित होती है। जबकि कुल पास और शॉट्स को गिनना एक टीम की शैली को समझने के लिए अभी भी उपयोगी है, यदि आप यह जानना चाहते हैं कि एक टीम क्यों जीती या हारी, तो आपको अंतर को देखना होगा। पेपर निष्कर्ष निकालता है कि सॉकर सफलता को मॉडल करने का सबसे अच्छा तरीका यह ध्यान केंद्रित करना है कि एक टीम ने अपने प्रतिद्वंद्वी से कितना बेहतर प्रदर्शन किया, जो यह सिद्ध करता है कि सॉकर के खेल में, संदर्भ ही सर्वोपरि है, और एकमात्र सांख्यिकी जो वास्तव में मायने रखती है, वह है जो दोनों पक्षों की तुलना करती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।