Analyse des différents modèles de buts attendus (Expected Goals)

Au football, l'objectif est de marquer contre l'adversaire, sans encaisser de buts. Cela peut paraître simple, mais, en raison de certains facteurs comme le hasard et la chance, les équipes n'obtiennent pas toujours les résultats « mérités ».

C'est pourquoi l'analyse des données et les mesures comme les buts attendus sont utiles dans l'univers des paris sportifs. Nous pouvons analyser les performances d'un point de vue plus analytique et légitimer certaines affirmations du type « ils n'ont pas eu de chance, ils auraient dû gagner ».

Le tir définit l'action déterminante qui concrétise un but. Les données sur les tirs sont donc essentielles à tous les modèles de buts attendus.

Les buts attendus (souvent désignés par l'abréviation « xG » pour l'anglais Expected Goals) représentent l'une des formes d'analyse des données que les équipes de football utilisent. C'est un critère de plus en plus populaire chez les parieurs. Les statistiques sur les buts attendus sont largement disponibles en ligne, mais elles varient souvent en fonction des différents modèles utilisés pour les calculer.

Ces modèles peuvent être simples ou complexes. Découvrez ci-après le fonctionnement de ces différents modèles de buts attendus. Quels sont les mécanismes qui alimentent ces différents modèles et dans quelle mesure les résultats générés sont-ils différents ?

Avec les données de tirs basiques

Andrew Beasley a déjà expliqué comment calculer les buts attendus grâce au modèle basé sur les données de tirs basiques. Le tir définit l'action déterminante qui concrétise un but. Les données sur les tirs sont donc essentielles à tous les modèles de buts attendus. Le nombre d'événements qui contribuent à marquer un but lors d'un match de foot est infini. Toutefois, lorsque l'on essaie de prédire un résultat spécifique, les tirs constituent indéniablement le facteur le plus important.

Il s'agit d'une approche simple qui utilise les occasions franches (ce qu'Opta définit par le terme « Big Chances »), c'est-à-dire lorsqu'un joueur est en situation raisonnable de marquer, mais aussi les tirs à l'intérieur et à l'extérieur de la surface de réparation.

Les taux de conversion au cours des cinq dernières saisons de Premier League indiquent qu'une occasion franche a une valeur xG de 0,387 (38,7 % de chances de marquer), les tirs à l'intérieur de la surface ont une valeur de 0,070 et les tirs en dehors de la surface ont une valeur de 0,036.

Analyse détaillée des données sur les tirs

Compte tenu de la taille du terrain de football, des différents angles de tir et de l'impact que cela peut avoir sur la probabilité de marquer un but, le fait que le modèle analyse ou non l'emplacement du tir en détail influe sur le nombre de tirs attendus. 

Bien que similaire au modèle de buts attendus de base d'Andrew Beasley, ce type d'approche utilise une analyse approfondie de l'endroit du tir pour attribuer une valeur xG. Pour cela, la méthode la plus simple consiste à illustrer la distance de tir jusqu'aux buts sur une grille et de schématiser chaque tir.

L'avantage de ce type de modèle est qu'il tient compte de la différence en fonction de l'endroit du tir : si le joueur tire directement devant les buts (forte probabilité de marquer), s'il tire à un angle fermé (moins de chances de marquer), mais aussi si le tir a été fait avec la tête (plus difficile de marquer) ou avec le pied (plus facile de marquer).

Le modèle de Paul Riley est l'exemple parfait d'une approche plus avancée en matière d'analyse des données sur l'emplacement des tirs lorsque vous créez un modèle xG.

Tenir compte du processus d'attaque

Bien entendu, l'endroit du tir et la partie du corps utilisée ne sont pas les seuls facteurs à prendre en compte pour déterminer la probabilité de conversion d'une tentative. La séquence de jeu qui précède le tir a également un impact sur la qualité de cette chance.

Au lieu d'attribuer simplement une valeur xG à un tir en fonction de son emplacement, certains modèles s'intéressent à la manière dont l'occasion de tir a été créée (centre, passe en profondeur, contre-attaque, etc.) et analysent en détail comment le tir a été pris (un tir après un dribble réussi, un rebond après un sauvetage, etc.).

Bien évidemment, créer et maintenir ce type de modèle nécessite beaucoup plus de données et de ressources. Le modèle xG de 11tegen11 est un exemple de modèle de buts attendus qui tient compte du processus d'attaque dans son ensemble lors de l'attribution de la valeur xG aux tirs.

L'impact de la défense sur xG

Les trois précédentes méthodes de schématisation des buts attendus sont parfaitement efficaces pour générer une estimation du nombre de buts qu'une équipe peut s'attendre à marquer au cours d'un match ou d'une saison. Toutefois, d'autres variables contribuent à créer des occasions de buts potentielles.

Au lieu d'attribuer simplement une valeur xG à un tir en fonction de son emplacement, certains modèles s'intéressent à la manière dont l'occasion de tir a été créée et analysent en détail comment le tir a été pris.

Le football n'est pas simplement défini par l'attaque. Le placement de la défense et la réduction des chances de marquer de l'adversaire sont des critères tout aussi importants. Les défenseurs peuvent forcer un joueur à tirer de manière différente ou à faire des changements de dernière minute qui rendent le tir plus difficile.

En plus d'analyser le processus d'attaque complet (de la manière dont l'occasion est créée à l'endroit où se déroule l'action finale), la proximité des défenseurs adverses et la manière dont cela impacte le tir ajoutent un niveau de détail supplémentaire au processus de création du modèle de buts attendus.

Cela signifie qu'étudier l'emplacement du gardien et des défenseurs par rapport à l'endroit d'où le tir provient permet de générer la valeur la plus précise possible pour les buts attendus.

Quel est le type de modèle de buts attendus le plus précis ?

Maintenant que nous savons comment fonctionnent les différents modèles de buts attendus, nous pouvons identifier la méthode qui offre les résultats les plus précis. Le tableau ci-dessous compare la différence de buts marqués pour chaque équipe au cours de la saison de Premier League 2016/2017 et la différence de buts attendus grâce aux divers modèles de buts attendus mentionnés précédemment.

La meilleure manière d'évaluer le niveau de précision de chaque approche consiste à identifier la déviation de la valeur efficace (RMSD / root-mean-square deviation ou RMSE / root-mean-square error). Pour cela, il faut déterminer la racine carrée de la différence entre la différence de buts marqués et la différence de buts attendus pour chaque équipe, calculer la moyenne et déterminer la racine carrée de cette moyenne.

Comme vous pouvez le voir, les résultats générés par ces trois approches sont extrêmement proches. En matière de différence de buts attendus pour la saison de Premier League 2016/2017, les trois approches sont similaires. Une valeur efficace RMSD de seulement 0,91 sépare les trois approches, malgré les niveaux de données variables utilisés.

Cependant, une seule saison (380 matchs) ne suffit pas à créer un échantillon suffisamment important pour privilégier une approche de manière certaine. De plus, le calcul de la valeur efficace RMSD match par match a plus de chances de fournir des informations sur le niveau de précision de chaque modèle et de sa capacité à prédire le nombre de buts marqués au cours d'un match.

En savoir plus sur les buts attendus

Pour en savoir plus sur les buts attendus et appliquer ces connaissances aux paris, Andrew Beasley a écrit un article sur la manière dont ces métriques peuvent être appliquées au paris en Premier League.

Vous pouvez suivre Paul Riley et 11tegen11 sur Twitter et participer à la Journée de discussion (Discussion Day) sur les buts attendus, organisée par Pinnacle le 10/09/2017.