Goalimpact (eller dess föregångare) startades 2004. Grundaren Jörg Seidel blev inbjuden av sina investment banking-kollegor på ett tidigare företag att spela på fotbolls-EM 2004. Jörg var inte särskilt intresserad av fotboll (på den tiden, vill säga – nu är han Werder Bremen-supporter) men han var bra på att bygga modeller, främst tack vare sin akademiska bakgrund inom finans och fysik samt sin förmåga att koda. Det slutade med att han skapade en algoritm för turneringen som beräknade sannolika utfall i matcherna, som han sedan baserade sina spel på.
Ursprungligen baserades algoritmen på utvärdering av lagens styrka ungefär som Elo Chess Rating" target="_blank">Elo inom schack, men för fotboll. Modellen rankade Grekland ganska högt, något som i stort sett ingen annan höll med om. Grekland vann som bekant sedermera turneringen och Jörg vann sitt spel. Inspirerad av denna framgång fortsatte han att använda modellen när han spelade på fotbollsmatcher. Efter sommarens alla transfers märkte han dock att modellen inte fungerade lika bra längre, främst på grund av att det hade skett förändringar i spelartrupperna och att rankingen av lagen inte återspeglade detta. Han ändrade därför algoritmen så att den bedömde enskilda spelare istället för hela laget.
Detta tillvägagångssätt visade sig fungera mycket bättre, eftersom det då går att uppskatta ett lags stryka även efter att spelarna har bytt klubb. Jörg har därefter också vunnit på nästan alla andra turneringar som han har spelat på.
Det var starten för Goalimpact.
Hur fungerar Goalimpact?
Algoritmen mäter hur en spelare påverkar målskillnaden per minut för sitt lag. Den fokuserar endast på resultaten snarare än på spelarnas statistik. Anledningen till denna ”uppifrån och ned”-metod är att fotboll är ett komplext spel. Vad menar vi med det? Komplexa system antyder att varje händelse på planen hänger ihop och skapar en slags intrikat väv. Därför är det svårt att fastställa vilka aktioner som i slutändan bidrar till ett lags framgång, eftersom allt som händer på planen är sammanflätat.
Det påminner om plus/minus-statistiken i basket.
En fotbollsmatch har dock ett objektivt syfte: att vinna. Som Johan Cruyff en gång konstaterade: ”För att vinna måste du göra ett mål mer än motståndaren” Målet med en fotbollsmatch är att göra mål och undvika att släppa in mål. I grund och botten handlar fotboll om att ha en positiv målskillnad.
Därför kan man definiera en bra spelare på ett objektivt sätt:
En spelare är bra om laget gör fler mål och släpper in färre mål än motståndarna – oavsett varför eller hur.
Algoritmen mäter hur stor påverkan en enskild spelare kan ha på målskillnaden. Goalimpact har således en objektiv definition av en ”bra spelare” som ligger till grund för modellen.
Det påminner om plus/minus-statistiken i basket, med den huvudsakliga skillnaden att plus/minus-statistiken inte tar hänsyn till hur bra motståndaren är. Följaktligen betyder en hög plus/minus-poäng inte nödvändigtvis att en spelare är bra, det kan faktiskt betyda att han bara har mött dåliga lag eller dåliga spelare. Goalimpact löser denna utmaning genom att ta hänsyn till motståndarens styrka. I slutändan ger detta Goalimpact ett relativt värde snarare än en absolut poäng, och gör det möjligt för användare att jämföra alla spelare över hela världen.
Hur lär sig algoritmen?
Algoritmen kräver endast matchuppgifter såsom startelva, målminuter, spelarbyten och spelarnas födelsedatum som indata. Med hjälp av dessa siffror kan algoritmen beräkna spelarens kvalitet efter minst 1 000 minuters speltid. Modellen tar också hänsyn till hur trötta spelarna är, röda kort och hemmaplansfördel. Eftersom sådana data är lättillgängliga har Goalimpact över 1 000 000 spelare från hela världen i sin databas. Med hjälp av en spelares födelsedatum korrigerar den också för den relativa åldersbiasen och gör det möjligt för användare att förutsäga en spelares framtida potential (Goalimpact Peak).
Goalimpacts algoritm tar hänsyn till lagens styrka.
Ett exempel
Låt oss säga att Manchester City möter Manchester United. City tar ledningen med 1–0 i minut 30. I halvtid byter United in Casemiro mot Donny van de Beek. United kvitterar i minut 60 och slutresultatet blir 1–1. Om man antar att lagen var lika bra i detta mycket enkla scenario skulle endast två spelarbetyg anpassas, eftersom slutresultatet blev 1–1 och de flesta spelarna därmed hade en målskillnad på noll. Casemiros betyg skulle höjas och van de Beek skulle sänkas av algoritmen eftersom deras unika målskillnad var 1–0 respektive 0–1.
Detta förutsätter att det är den första matchen som spelas mellan lagen och att alla spelare är lika bra. I alla efterföljande matcher kommer Goalimpact-algoritmen att ta hänsyn till lagens styrka. Om till exempel Manchester City möter Plymouth Argyle skulle vi förvänta oss att City vinner med kanske tre måls marginal. Om City bara vinner med 1–0 kommer Plymouth-spelarna att få högre betyg trots förlusten eftersom de förlorade med färre mål än förväntat.
En match är dock inte tillräckligt för att fastställa bedömningen med säkerhet, eftersom en match trots allt kan vara ganska slumpmässig. Med ytterligare data kan Goalimpact-algoritmen anpassas så att endast kvaliteten på spelaren kvarstår.
Hur som helst, nog med torr teori – vad sägs om ett exempel?
Fallstudie: upptäckten av Alphonso Davies
En framgångssaga för Goalimpact var Alphonso Davies. Han spelade i Kanada och hade ett marknadsvärde på mindre än 5 miljoner kronor när Goalimpact började ranka hans potential som världsklass.
Goalimpacts graf över Alphonso Davies. Den blå linjen beskriver hans genomsnittliga Goalimpact-betyg över tid, medan den rödprickade linjen är det förväntade Goalimpact-betyget baserat på genomsnittlig spelarutveckling. I allmänhet antyder ett Goalimpact-betyg på över 140 en potential för att spela i en av topp-5-ligorna i Europa. Som jämförelse har de bästa spelarna i världen ett Goalimpact-betyg på över 170. Spelarna med det högsta aktuella Goalimpact-betyget är Thomas Müller, Sadio Mané och Dani Carvajal.
Så kan Goalimpact hjälpa dig som spelare
Med Goalimpacts objektiva och opartiska tillvägagångssätt får vi en prediktiv modell som ligger nära verkligheten.
Summan av spelarnas Goalimpact-betyg på planen är en uppskattning av lagets totala styrka. Den förväntade målskillnaden mellan två lag kan alltså härledas från lagens styrka, och med hjälp av målfördelningen i en match kan man få fram sannolikheterna för potentiella resultat.
Goalimpact ger därför sannolikheter och utfall för matcher som kan användas som en ytterligare informationskälla för betting. Spelare kan använda sådan information för att jämföra skillnader mellan Pinnacles oddsmarknader och Goalimpacts statistik.
Få de senaste fotbollsoddsen på alla säsongens matcher från engelska Premier League och mycket mer hos Pinnacle. Du kan hålla dig uppdaterad om Goalimpact via Twitter här och se deras omfattande databas här.