Jak po sznurku

Analiza sieci podań na Women's Euro 2025

Paulina

10/4/2026

Podobno analityki i data science najlepiej uczymy się wtedy, gdy analizujemy dane, które naprawdę nas interesują. W moim przypadku do tej grupy należą między innymi dane dotyczące kobiecej piłki nożnej. Poniżej przedstawiam więc analizę sieci podań drużyn uczestniczących w UEFA Women’s Euro 2025.

Pierwszy w historii awans seniorskiej reprezentacji Polski kobiet na wielki turniej to wydarzenie epokowe. Z państw postkomunistycznych (czyli po 1989 r.) do finałów kobiecego Euro kwalifikowały się dotąd jedynie Rosja (1997, 2001, 2009, 2013 i 2017) i Ukraina (2009). W rozgrywanym w Anglii Euro 2022 nie wystąpiła żadna drużyna ze wschodniej części Europy. Awans naszej reprezentacji był tym bardziej imponujący, gdy weźmiemy pod uwagę strukturę PZPN i wysoki poziom mizoginii w polskiej piłce nożnej i społeczeństwie w ogóle.

By uczcić ten sukces, zeszłego lata zaciągnęłam swoją rodzinę na tydzień do Lucerny, gdzie Polki rozgrywały dwa ze swoich trzech spotkań. Było super, nawet jeśli przebieg meczu ze Szwecją (i komentarze siedzących obok, "niedzielnych" kibiców) mógł nieco dołować.

Oprócz wspomnień, mistrzostwa wygenerowały też masę danych, które postanowiłam wykorzystać do zaspokojenia własnej ciekawości i doskonalenia warsztatu analitycznego. W pierwszej kolejności przyjrzałam się temu, czy w zeszłorocznym turnieju struktura sieci podań wiązała się ze wskaźnikami gry ofensywnej drużyny.

Na tego typu wizualizacjach punkty — czyli węzły w terminologii analizy sieci — reprezentują zawodniczki. Ich położenie odzwierciedla zazwyczaj średnią lokalizację aktywności podaniowej danej osoby, natomiast linie łączące zawodniczki — czyli krawędzie — pokazują, które z nich wymieniały między sobą piłkę. Grubość krawędzi zależy od liczby wykonanych podań.

Już sama powyższa wizualizacja pozwala wyrobić sobie intuicję na temat przebiegu meczu Niemcy–Dania. Kiedy popatrzymy na uśrednione lokalizacje podaniowe zawodniczek, widzimy, że tylko trzy z nich podawały i odbierały piłkę będąc głównie na własnej połowie. Dodatkowo niemiecka bramkarka, Ann-Katrin Berger, brała udział w rozegraniu - jej uśrednione położenie znajdowało się poza polem karnym, wysoko jak na zawodniczkę występującą na tej pozycji. Podania Niemek tworzyły przy tym gęstą sieć, w której nawet najbardziej ofensywnie ustawiona Klara Bühl była dobrze połączona z resztą zespołu. Widoczne były również liczne trójkąty podań łączące osoby z różnych formacji.

Sieć Dunek wyglądała inaczej. Ich aktywność podaniowa była bardziej cofnięta (uśredniona pozycja 8 zawodniczek znajdowała się na własnej połowie boiska) i rozciągała się na mniejszej powierzchni, mniejsza była też liczba połączeń między zawodniczkami. Taki obraz jest zgodny z przebiegiem spotkania, w którym Niemki przez znaczną część czasu (72%) prowadziły grę. Trzeba jednak od razu zaznaczyć, że sieć podań nie jest bezpośrednim zapisem ustawienia taktycznego. Pokazuje, gdzie i między kim dochodziło do podań, a więc jest efektem zarówno planu własnego zespołu, jak i zachowania przeciwniczek oraz przebiegu meczu.

Dla każdej drużyny w każdym meczu Women’s Euro 2025 obliczyłam kilka charakterystyk sieci:

Gęstość (density; zakres wartości od 0 do 1) - określa proporcję istniejących połączeń do wszystkich połączeń, które mogłyby istnieć w danej sieci; Jeśli każda zawodniczka wymieniła piłkę z każdą inną zawodniczką, sieć będzie maksymalnie gęsta (1). Jeśli podania zachodziły wyłącznie pomiędzy niewielką liczbą par, gęstość będzie niższa.

Centralizacja stopnia (degree centralization; zakres wartości od 0 do 1) - opisuje, jak nierównomiernie rozłożona jest liczba połączeń między zawodniczkami. W sieci o niskiej centralizacji zawodniczki mają podobną liczbę partnerek podaniowych. W sieci silnie scentralizowanej jedna lub kilka osób ma znacznie więcej połączeń niż pozostałe. Skrajnym przypadkiem jest struktura przypominająca gwiazdę: jeden centralny węzeł połączony jest ze wszystkimi pozostałymi, które nie są połączone między sobą. Co ważne, centralizacja stopnia nie mówi bezpośrednio, przez kogo przeszło najwięcej podań. Dotyczy przede wszystkim rozkładu liczby połączeń.

Współczynnik klasteryzacji (average clustering coefficient; zakres wartości od 0 do 1) - pokazuje, na ile sieć składa się z lokalnie połączonych grup. W kontekście podań możemy myśleć o nim jako o tendencji do tworzenia „trójkątów”: jeżeli zawodniczka A wymienia piłkę z B i C, czy B i C również podają między sobą? Wysoki współczynnik klasteryzacji oznacza dużą liczbę takich lokalnych struktur.

Convex hull to powierzchnia najmniejszego wypukłego wielokąta obejmującego lokalizacje analizowanych węzłów. W mojej analizie wyznaczałam go na podstawie uśrednionych lokalizacji aktywności podaniowej zawodniczek. Można więc traktować go jako miarę przestrzennej rozciągłości sieci podań. Duży convex hull oznacza, że aktywność podaniowa zespołu była rozłożona na dużej powierzchni boiska, mały — że koncentrowała się przestrzennie. Nie jest to jednak dosłowna powierzchnia zajmowana przez drużynę w każdej chwili meczu. Do jej pomiaru potrzebne byłyby dane trackingowe.

Średnica (diameter) to najdłuższa spośród najkrótszych ścieżek łączących dowolne dwa węzły. Brzmi skomplikowanie, ale idea jest prosta. Dla każdej pary zawodniczek znajdujemy najmniejszą liczbę pośrednich połączeń potrzebnych, aby przejść od jednej do drugiej. Następnie wybieramy najdłuższą z tych najkrótszych dróg. Im większa średnica, tym więcej „kroków” może wymagać przejście pomiędzy najbardziej odległymi częściami sieci.

sieci podań - o co w tym chodzi?

Przypuszczam, że większość osób oglądających mecze piłkarskie widziała przynajmniej jeden wykres pokazujący sieć podań między zawodniczkami lub zawodnikami. Oto przykład dla Niemek z wygranego 2:1 meczu z Danią.

No dobrze — takie wizualizacje dobrze wyglądają i potrafią trafnie podsumować to, co działo się w konkretnym spotkaniu. Ale jakiej wiedzy mogą nam one realnie dostarczyć?

Jeśli wykonujemy analizę gry przeciwnika, na podstawie grafu z pojedynczego meczu możemy zidentyfikować kluczowe korytarze komunikacji i ustawić grę swojej drużyny tak, aby zostały one zablokowane. Jeśli natomiast mamy dane z wielu spotkań, możemy szukać ogólnych prawidłowości. Skwantyfikowawszy (jakie piękne słowo!) strukturę indywidualnych sieci, można sprawdzać na przykład, jak wiąże się ona z innymi aspektami gry zespołu (np., czy zespoły o gęstej sieci podań zdobywają więcej bramek?). Jak jednak przełożyć zbiór punktów i linii na liczby?

Dane dotyczące podań można pozyskać na kilka sposobów.

Metoda 1: Zakodowanie wszystkiego ręcznie

Aby oszacować, ile czasu zajęłoby ręczne zakodowanie meczu, opracowałam pierwsze 90 sekund spotkania Chelsea–Aston Villa w Women’s Super League w sezonie 2025/2026. Do dyspozycji miałam arkusz z kolumnami „time”, „sender” i „receiver”. Spisanie podań z 90 sekund zajęło mi około 10 minut. Przy założeniu podobnego tempa przez całe spotkanie daje to mniej więcej 10 godzin pracy na jeden mecz. Ręczne kodowanie nie jest więc optymalnym wyjściem, chyba że ma być elementem pokuty — własnej lub cudzej.

Metoda 2: Darmowe dane eventowe

Jeżeli zależy nam przede wszystkim na nauce, świetnym źródłem są otwarte dane StatsBomb. Właśnie na nich oparłam tę analizę, łącząc informacje o zdarzeniach meczowych ze wskaźnikami pobranymi z FotMob. Na swoim koncie GitHub StatsBomb udostępnia między innymi dane z wybranych dużych turniejów, w tym Women’s Euro 2025. Ich zaletą jest bardzo szczegółowa informacja o zdarzeniach na boisku. Wadą — z punktu widzenia osób chcących analizować aktualne rozgrywki — ograniczony zakres bezpłatnych danych.

Metoda 3: Computer vision

Nagrania meczów można próbować przetwarzać automatycznie przy użyciu modeli computer vision. Detektor taki jak YOLO może być jednym z elementów systemu lokalizującego zawodniczki, sędziów czy piłkę na poszczególnych klatkach.

Samo wykrycie obiektów to jednak dopiero początek. Pełny pipeline wymaga także śledzenia ich między kolejnymi klatkami, identyfikowania zawodniczek, kalibracji obrazu względem boiska i przeliczania współrzędnych z obrazu telewizyjnego na rzeczywiste pozycje na murawie. Osobnym problemem jest rozpoznawanie zdarzeń — na przykład ustalenie, kiedy dokładnie nastąpiło podanie i kto był jego odbiorczynią. Trudnym obiektem pozostaje też piłka: jest mała, szybko się porusza, bywa zasłonięta przez zawodniczki, a transmisja telewizyjna regularnie zmienia ujęcia. Nie jest to więc po prostu „wrzuć nagranie do YOLO i będziesz mieć StatsBomb za darmo”. Szkoda.

Jednocześnie rozwój futbolowego computer vision jest bardzo szybki i istnieją już publiczne benchmarki obejmujące tracking zawodników i piłki, kalibrację kamery, identyfikację zawodników czy automatyczne rozpoznawanie zdarzeń meczowych. To zdecydowanie temat, który chciałabym poeksplorować w przyszłości.

Metoda 4: Zakup danych

Wreszcie, dane dot. podań można po prostu kupić. Liczba firm specjalizujących się w zbieraniu i opracowywaniu danych sportowych stale rośnie, dominującą pozycję wciąż mają jednak StatsBomb i Opta. Zakres i cena dostępu zależą jednak od rodzaju danych oraz licencji i zazwyczaj nie są publicznie podawane. Istnieją również programy dostępu akademickiego — tej ścieżki jeszcze dokładniej nie badałam.

mierzone wskaźniki

JAK TE WSKAŹNIKI WYGLĄDAJĄ NA wizualizacjach?

Zanim sprawdzimy, z czym wiązała się struktura sieci, spójrzmy na kilka skrajnych przypadków.

Gęstość. Najniższą gęstość sieci podań — 0,58 — odnotowała Belgia w spotkaniu z Hiszpanią. Belgijki wymieniały podania jedynie z częścią możliwych partnerek. W tym samym spotkaniu miały zaledwie 20% posiadania piłki, więc jednym z prawdopodobnych powodów niskiej gęstości była po prostu niewielka liczba okazji do rozwinięcia własnej gry podaniowej.

CZY ISTNIEJĄ RÓŻNE TYPY SIECI PODAŃ?

Spójrzmy teraz na rankingi drużyn pod względem uśrednionych metryk sieciowych.

Z CZYM WIĄŻE SIĘ STRUKTURA WŁASNEJ SIECI?

SIEĆ PRZECIWNICZEK MÓWI WIĘCEJ

Przejdźmy zatem do zasadniczego pytania - czy i w jaki sposób charakterystyki sieci podań własnego zespołu wiążą się ze wskaźnikami performensu, takimi jak liczba strzałów, liczba strzałów celnych, xG i liczba goli? Aby odpowiedzieć na to pytanie przetestowałam cztery modele regresji - 3 modele Poisson dla zmiennych zliczeniowych i tradycyjny model Gaussowski dla xG. Każdorazowo predyktorami były gęstość, centralizacja, współczynnik klasteryzacji, convex hull i średnica sieci.

LICZY SIĘ PRZESTRZEŃ - WŁASNA I PRZECIWNICZEK

OGRANICZENIA I CO DALEJ?

Podsumowując, zaprezentowane analizy wskazują, że:

  • sieci podań można opisywać na dwóch wymiarach - kolektywizmu-hierarchiczności i ekstensywności-kompaktowości

  • metryki sieci (własnej i drużyny przeciwnej) najlepiej przewidują liczbę oddanych strzałów, zaś nieco gorzej (acz wciąż nieźle) wskaźniki zawierające element jakościowy

  • dokonania ofensywne własnego zespołu są najlepiej przewidywane przez powierzchnię zajmowaną przez drużynę własną oraz powierzchnię zajmowaną przez drużynę przeciwną.

Tyle że, jak zwykle, jest kilka „ale”. Po pierwsze, dane pochodzą wyłącznie z jednego turnieju reprezentacyjnego. Aby sprawdzić, czy obserwowane zależności są powtarzalne (np. czy dwa wymiary wystarczą, by opisać właściwości sieci podań), analizę należałoby przeprowadzić również na innych turniejach oraz danych ligowych. Nie uzyskalibyśmy dzięki temu „pewności”, ale przynajmniej trochę zmniejszylibyśmy niepewność.

Po drugie, standardowe model GLM zakładają niezależność obserwacji, a tej w niniejszym zbiorze nie było. Każdy mecz generował dwa wiersze danych - po jednym dla drużyny. Jednocześnie ta sama reprezentacja pojawiała się w wielu spotkaniach. Obserwacje były więc klasyfikowane jednocześnie według drużyny i meczu. GLM nie uwzględnia takich zależności pomiędzy obserwacjami. Bardziej adekwatnym rozwiązaniem są modele wielopoziomowe z klasyfikacją krzyżową (cross-classified multilevel models), zawierające efekty losowe zarówno dla drużyny, jak i spotkania. Estymowałam również takie modele i zasadnicze wnioski były bardzo podobne. W tym wpisie chciałam jednak skoncentrować się na samych sieciach podań, bez dokładania kolejnej warstwy do złożoności metodologicznej.

Po trzecie, korelacje nie świadczą o określonych strategiach taktycznych. Sieć podań jest produktem całego przebiegu meczu. Wpływa na nią nie tylko sposób, w jaki drużyna chce grać, ale również siła przeciwnika, posiadanie piłki, aktualny wynik, pressing rywalek, czerwone kartki, zmęczenie czy zmiany taktyczne. Drużyna prowadząca 2:0 może celowo ograniczyć ryzyko i zacząć grać niżej. Drużyna przegrywająca może przesunąć zawodniczki do przodu i zacząć wykorzystywać większą powierzchnię boiska. W takiej sytuacji obserwowana zależność między strukturą sieci a liczbą strzałów może częściowo wynikać ze stanu meczu, a nie z bezpośredniego wpływu jednej zmiennej na drugą.

I to prowadzi do chyba najciekawszego kierunku dalszych analiz - zamiast tworzyć jedną sieć dla całego spotkania, można podzielić mecz na krótsze okna czasowe i obserwować, jak sieć zmienia się w czasie. Można byłoby wtedy sprawdzić na przykład:

  • czy właściwości sieci w ciągu kilku poprzednich minut pozwalają przewidywać pojawienie się sytuacji strzeleckiej;

  • czy sieć zmienia się bezpośrednio po zdobyciu lub utracie bramki;

  • czy drużyna zaczyna przestrzennie „kurczyć się” po objęciu prowadzenia;

  • czy określone zmiany w strukturze poprzedzają okresy silnej presji ofensywnej;

  • jak wejście konkretnej zawodniczki zmienia organizację całej sieci.

To byłby już prawdziwy problem dynamiczny (a nie analiza zagregowana na poziomie całego spotkania), dający mocniejsze podstawy do mówienia o predykcji.

Na tym na razie zakończę. Do sieci podań zapewne jeszcze wrócę, ale na jakiś czas wypadałoby chyba znaleźć sobie temat poza piłką nożną. Na brak takich tematów raczej nie narzekam. :)

A może osiągnięcia ofensywne drużyny zależą nie tylko od tego, jak podaje ona sama, ale również od struktury sieci podań przeciwniczek? Okazuje się, że tak — a w niektórych przypadkach zależności były nawet silniejsze.

Ponownie szczególnie istotna okazała się przestrzenna rozciągłość sieci. Im większy był convex hull przeciwniczek, tym mniej strzałów i strzałów celnych oddawała drużyna własna, tym niższe osiągała xG i tym mniej zdobywała bramek. Innymi słowy, kiedy aktywność podaniowa przeciwniczek była rozłożona na większej powierzchni boiska, wyniki ofensywne analizowanego zespołu były przeciętnie słabsze.

Z mniejszą liczbą strzałów wiązały się również większa gęstość i większa klasteryzacja sieci przeciwniczek. Z kolei większa średnica ich sieci była związana z większą liczbą strzałów własnego zespołu.

Najciekawszy rezultat pojawił się, gdy w jednym modelu uwzględniłam jednocześnie cechy sieci własnej drużyny oraz przeciwniczek.

Efekty convex hull obu zespołów pozostawały widoczne również wtedy, gdy kontrolowałam pozostałe właściwości sieci. Nie stwierdziłam przy tym poważnego problemu współliniowości predyktorów. Najwięcej strzałów, strzałów celnych, bramek i najlepsze okazje strzeleckie odnotowywały przeciętnie drużyny, których własna sieć podań była bardziej rozciągnięta przestrzennie, natomiast sieć przeciwniczek bardziej skompresowana.

Trzeba jednak uważać, aby nie odwrócić kolejności przyczyn i skutków. Być może szeroka sieć ułatwia kreowanie sytuacji. Ale równie dobrze drużyna dominująca i częściej atakująca może w konsekwencji budować bardziej rozległą sieć podań. Regresja przeprowadzona na danych zagregowanych z całego meczu nie pozwala tych dwóch mechanizmów rozdzielić.

Na drugim biegunie znalazła się Norwegia w meczu z Islandią. Jej sieć osiągnęła gęstość 0,93 — prawie każda zawodniczka była więc połączona podaniami ze wszystkimi innymi.

Centralizacja. Sieć Norweżek w spotkaniu z Islandią charakteryzowała się jednocześnie najniższą centralizacją stopnia — 0,09. Oznacza to, że liczba partnerek podaniowych była stosunkowo równomiernie rozłożona pomiędzy zawodniczkami. Sieć była więc pod tym względem bardzo zdecentralizowana. Najwyższą centralizację — 0,37 — odnotowały natomiast Walijki w meczu z Anglią. Ich sieć była wyraźnie mniej równomierna - aż 29% podań przechodziło przez Rhiannon Roberts. Rolę rozgrywającej pełniła więc obrończyni, co sugeruje wysoki pressing Angielek i niską obronę Walijek.

Convex hull. Najbardziej przestrzennie skompresowaną sieć w całym turnieju utworzyły Polki w meczu z Danią — convex hull miał powierzchnię około 1200 jardów kwadratowych. Oznacza to, że uśrednione lokalizacje aktywności podaniowej polskich zawodniczek znajdowały się stosunkowo blisko siebie.

Co ciekawe, Polska ten mecz wygrała 3:2. Nie możemy na tej podstawie stwierdzić, że przestrzenna zwartość była przyczyną zwycięstwa ani nawet jednoznacznie świadomym wyborem taktycznym. Pokazuje to jednak, że mała powierzchnia sieci nie musi być automatycznie oznaką nieskutecznej gry.

Klasteryzacja. Sieć Francuzek w meczu z Anglią odznaczała się jednocześnie najniższym współczynnikiem klasteryzacji — 0,14. Duża przestrzenna rozciągłość ich aktywności podaniowej współwystępowała więc z relatywnie małą liczbą domkniętych lokalnych trójkątów.

Najwyższy współczynnik klasteryzacji — 0,33 — wystąpił w przypadku Anglii w spotkaniu ze Szwecją. Sieć zawierała znacznie więcej lokalnie domkniętych połączeń: partnerki podaniowe poszczególnych zawodniczek częściej wymieniały piłkę również między sobą. O ile oczywiście jedna liczba nie wystarcza, żeby nazwać styl gry „tiki-taką”, skojarzenie z bardziej kombinacyjnym sposobem rozgrywania nasuwa się tutaj dość naturalnie.

Najbardziej rozciągniętą przestrzennie sieć stworzyły Francuzki w spotkaniu z Anglią. Convex hull wynosił około 2850 jardów kwadratowych — ponad dwa razy więcej niż dla Polski w meczu z Danią. Taki układ jest zgodny z grą wykorzystującą dużą część szerokości i długości boiska. Ekstensywność gry, wiążąca się z dużą liczbą strzelanych bramek, ale i z "przeciekaniem" linii obrony, jest znakiem rozpoznawczym reprezentacji Francji. Może właśnie dlatego uważana za najbardziej utalentowaną w Europie drużyna trójkolorowych nie zdobywa medali na najważniejszych turniejach.

Drużyny wyraźnie różniły się pod względem tworzonych sieci. Poszczególne metryki były też ze sobą skorelowane — na przykład gęste sieci często były mniej scentralizowane — ale zależności nie były idealne.

Żeby sprawdzić, czy za poszczególnymi wskaźnikami kryją się bardziej ogólne wzorce, przeprowadziłam eksploracyjną analizę głównych składowych. Cztery analizowane w tym miejscu wskaźniki — gęstość, centralizację stopnia, współczynnik klasteryzacji oraz convex hull — dało się opisać za pomocą dwóch komponentów, które łącznie wyjaśniały 82,5% wariancji.

Pierwszy komponent można roboczo nazwać kolektywizm–hierarchiczność. Jego głównymi składowymi były gęstość i centralizacja. Na jednym krańcu znajdowały się więc sieci gęste i zdecentralizowane, na drugim — rzadsze i bardziej skoncentrowane wokół niewielkiej liczby zawodniczek.

Drugi komponent można opisać jako ekstensywność–kompresję przestrzenną. Najsilniej wiązały się z nim convex hull oraz współczynnik klasteryzacji. Jeden kraniec reprezentowały zespoły, których aktywność podaniowa była przestrzennie zwarta i zawierała wiele lokalnych trójkątów. Drugi — drużyny, których sieci obejmowały większą powierzchnię i były mniej lokalnie sklastrowane.

Ze względu na niewielką próbę (62 mecze) o ww. komponentach należy myśleć przede wszystkim opisowo. Mimo to rozmieszczenie drużyn na wykresie jest ciekawe.

Z pomocą przychodzi nam tu analiza sieci. To interdyscyplinarny obszar zajmujący się badaniem systemów złożonych z elementów oraz relacji między nimi. Te same narzędzia można wykorzystywać do analizy relacji społecznych i ekonomicznych (np. w XV-wiecznej Florencji), przepływu informacji, kontaktów między organizacjami, polaryzacji politycznej (jak w jednym z naszych badań) — albo właśnie podań podczas meczu piłkarskiego. Osobom, które o tym fascynującym obszarze wiedzy chciałyby dowiedzieć się nieco więcej na początek polecam tę książkę. Jeśli ktoś ma już podstawy i lubi technikalia, być może podoła przeczytaniu tej pozycji.

Aby skwantyfikować właściwości danej sieci, potrzebujemy macierzy sąsiedztwa (adjacency matrix) o wymiarach n × n, gdzie n to liczba wierzchołków — w naszym przypadku zawodniczek jednej drużyny przebywających na boisku (standardowo 11).

W komórce A(i,j) możemy wpisać:

  • 0 — jeśli między zawodniczkami i oraz j nie wystąpiło żadne podanie;

  • 1 — jeśli wystąpiło przynajmniej jedno podanie i interesuje nas wyłącznie istnienie lub brak połączenia;

  • liczbę podań — jeśli chcemy analizować sieć ważoną, w której połączenia mogą mieć różną siłę.

Macierz sąsiedztwa nie musi być symetryczna. Jeżeli rozróżniamy, kto podał, a kto odebrał piłkę, A(i,j) może różnić się od A(j,i). Otrzymujemy wtedy graf skierowany. Przykładowo, jeśli Natalia Padilla-Bidas podała do Ewy Pajor trzy razy, a Pajor do Padilli-Bidas dwa razy, te dwie wartości będą zapisane osobno.

W prezentowanych tutaj analizach korzystałam natomiast z grafów nieskierowanych, w których interesowała mnie łączna liczba podań między daną parą zawodniczek, niezależnie od kierunku. Taka macierz jest symetryczna względem przekątnej.

OD GRAFU DO MACIERZY I Z POWROTEM

SKąD WZIĄĆ DANE?

problem ze zmianami

Zanim przejdę do wyników, jeszcze jedna kwestia techniczna. Prawdziwym metodologicznym bólem głowy w analizie sieci podań są zmiany zawodniczek lub zawodników. Jednym z rozwiązań jest analizowanie meczu tylko do momentu pierwszej zmiany. Ma to swoje uzasadnienie - wejście nowej zawodniczki może przecież istotnie zmienić strukturę gry zespołu. Problem polega na tym, że w ten sposób możemy wyrzucić ogromną część danych. Co, jeśli pierwsza zmiana nastąpiła w 46. minucie? Albo jeszcze wcześniej? Dodatkowo porównywanie sieci zbudowanej z 45 minut gry z siecią opartą na 90 minutach również nie jest idealne.

W tej analizie zastosowałam inne uproszczenie: zawodniczkę z wyjściowej jedenastki oraz jej bezpośrednią zmienniczkę traktowałam jako jeden węzeł. Takie rozwiązanie pozwala zachować stałą liczbę węzłów i większą porównywalność między spotkaniami, ale ma swoją cenę interpretacyjną. Węzeł przestaje wtedy reprezentować konkretną osobę, a zaczyna przypominać raczej miejsce lub rolę w strukturze zespołu obsadzane kolejno przez różne zawodniczki. Dodatkowo połączenie aktywności dwóch osób może wpływać na niektóre metryki sieciowe. Takie "łączenie" zawodniczek nie jest więc rozwiązaniem idealnym, ale po prostu jednym z możliwych kompromisów.

We wszystkich analizach pominęłam dogrywki i korzystałam wyłącznie z pierwszych 90 minut spotkań.

Pięć spośród sześciu reprezentacji znajdujących się w kwadrancie odpowiadającym bardziej kolektywnym i stosunkowo skompresowanym sieciom awansowało do ćwierćfinału. Z kolei kwadrant hierarchiczny-skompresowany obejmował wyłącznie drużyny, które nie wyszły z grupy.

Najbardziej konsekwentny wzorzec dotyczył przestrzennej rozciągłości własnej sieci podań. Większy convex hull wiązał się z większą liczbą strzałów, wyższym xG oraz większą liczbą zdobytych bramek. Innymi słowy, zespoły, których aktywność podaniowa rozciągała się na większym obszarze boiska, osiągały przeciętnie lepsze wyniki w kilku wskaźnikach ofensywnych.

Z większą liczbą strzałów oraz wyższym xG wiązała się również większa gęstość sieci. Wyższa centralizacja była natomiast związana z mniejszą liczbą strzałów oraz strzałów celnych.

Co ciekawe, właściwości własnej sieci najlepiej wyjaśniały liczbę oddawanych strzałów. Słabiej wiązały się ze wskaźnikami, które zawierają większy komponent jakościowy, takimi jak xG czy liczba zdobytych bramek. Można więc ostrożnie powiedzieć, że struktura podań wydaje się silniej związana z tym, jak często zespół dochodzi do próby strzału, niż z tym, jak dobra jest później dana sytuacja albo czy zakończy się bramką. To drugie zależy już od wielu dodatkowych czynników.