1. ما هو الهدف المتوقع (xG) بالضبط؟
الهدف المتوقع، المختصر بـ xG، يقيس احتمالية تحول تسديدة معينة إلى هدف، على مقياس يتراوح بدقة من 0.00 (فرصة معدومة) إلى 1.00 (هدف مؤكد).
على عكس فكرة خاطئة شائعة، لا يقيس xG سمعة أو موهبة المسدد، بل جودة الموقف المتأصلة للتسديدة في اللحظة التي تغادر فيها الكرة القدم أو الرأس. لحساب هذه الاحتمالية، يتم تدريب نموذج الانحدار اللوجستي أو خوارزمية تعزيز التدرج (XGBoost) على قاعدة بيانات تاريخية تضم مئات الآلاف من التسديدات الفعلية.
1. المسافة إلى خط المرمى: كلما اقترب المسدد، زاد xG بشكل كبير.
2. زاوية فتحة المرمى: التسديدة المنحرفة على طول خط التماس لها زاوية مقيدة (xG < 0.03).
3. جزء الجسم: التسديدة بالقدم المفضلة توفر معدل تحويل أعلى من الرأس أو التسديدة بالقدم غير المفضلة.
4. الضغط الدفاعي وموقع حارس المرمى: عدد الخصوم المتواجدين بين الكرة والشبكة.
5. نوع الإجراء الأولي: هجمة مرتدة بتفوق عددي، عرضية هوائية، ركلة حرة مباشرة أو تمريرة للخلف (قطع).
2. وهم النتيجة النهائية: لماذا الأهداف المتوقعة (xG) لا غنى عنها
في مباراة كلاسيكية مدتها 90 دقيقة، يتراوح متوسط الأهداف المسجلة في الدوريات الخمس الكبرى ودوري أبطال أوروبا بين 2.6 و 2.9 هدف في المباراة الواحدة. ومع عينة محدودة كهذه، فإن "الضجيج العشوائي" (ارتداد الكرة من القائم، لمسة يد غير مقصودة، تصدي أسطوري لحارس المرمى) يؤثر بشكل كبير على النتيجة النهائية.
الاقتصار على النظر إلى لوحة النتائج يعرضنا لتحيز النتيجة (outcome bias). الفريق الذي يسجل 2.85 هدف متوقع مقابل 0.35 هدف متوقع ولكنه يتعادل 0-1، قدم أداءً عالي الجودة للغاية، والذي إذا تكرر 100 مرة بنفس الظروف، سيتحول إلى فوز في أكثر من 80 مرة.
3. تطبيق توزيع بواسون ثنائي المتغيرات في كرة القدم
إذا كانت الأهداف المتوقعة (xG) تسمح بقياس خطورة الهجمات، فكيف يمكن التنبؤ بالنتيجة الدقيقة لمواجهة بين فريقين ذوي ديناميكيات مختلفة؟ هنا يأتي دور توزيع بواسون.
في الاحتمالات، ينمذج قانون بواسون عدد مرات وقوع حدث نادر ومستقل خلال فترة زمنية معينة. في صيغته ثنائية المتغيرات المطبقة على كرة القدم، يتم حساب لكل فريق معدل هجوم ($\lambda$) ومعدل مقاومة دفاعية ($\mu$):
| المعيار | الوصف | عوامل التعديل |
|---|---|---|
| القوة الهجومية (Offensive Power) | قدرة الفريق على توليد أهداف متوقعة (xG) مقارنة بمتوسط الدوري. | الأهداف المتوقعة (xG) المحققة على أرضه/خارج أرضه، حجم التسديدات داخل منطقة الجزاء، مستوى المهاجمين. |
| الضعف الدفاعي (Defensive Rating) | ميل الفريق للسماح بفرص واضحة وتسديدات ذات أهداف متوقعة (xG) عالية. | الأهداف المتوقعة المستقبلة (xGA)، تصديات حارس المرمى، غيابات المدافعين المحوريين. |
| أفضلية الأرض (Home Advantage) | عامل مضاعف تاريخي يُمنح للفريق المضيف. | حوالي +0.25 إلى +0.35 هدف متوقع في المتوسط حسب الدوريات. |
4. لماذا يتم إجراء 10,000 محاكاة مونت كارلو؟
على الرغم من أن قانون بواسون يوفر مصفوفة احتمالية نظرية لكل نتيجة (على سبيل المثال: 12% لنتيجة 1-0، 10% لنتيجة 2-1)، إلا أنه يفترض أن الأحداث مستقلة تمامًا. ولكن في مباراة كرة القدم، يكون سير الأحداث ديناميكيًا للغاية:
- إذا سجل الفريق (أ) الهدف الافتتاحي في الدقيقة 12، يضطر الفريق (ب) لرفع كتلته، وبالتالي يترك مساحات أكبر للهجمات المرتدة.
- بطاقة حمراء مبكرة تغير بشكل جذري معدلات الهجوم والدفاع للدقائق السبعين المتبقية.
تعالج طريقة مونت كارلو هذا التحدي من خلال محاكاة المباراة الافتراضية 10,000 مرة متتالية في محرك الحساب الخاص بنا. كل سحب يضيف متغيرات تباين عشوائية: مستوى اللياقة الحالي، احتمالات البطاقات، الإرهاق المتراكم في الشوط الثاني.
بدلاً من "الفريق (أ) هو المرشح للفوز" الغامضة، تقدم الخوارزمية خريطة دقيقة:
• فوز الفريق المضيف: 58.4% (5,840 محاكاة فائزة)
• تعادل: 23.1% (2,310 محاكاة)
• فوز الفريق الضيف: 18.5% (1,850 محاكاة)
• النتيجة الأكثر تكرارًا (النموذجية): 2 - 1 (14.2% من التكرارات)
• متوسط الأهداف المتوقعة التنبؤية: 1.92 مقابل 0.88
5. كيف يستغل المحلل هذه البيانات باستخدام مساعده الصوتي بالذكاء الاصطناعي
تكمن القوة الحقيقية لهذه التكنولوجيا في تفسيرها. على موقع footb.app، لا تقتصر هذه الـ 10,000 محاكاة مونت كارلو ومقاييس الأهداف المتوقعة (xG) في الوقت الفعلي على الرسوم البيانية المعقدة: بل تتم صياغتها على الفور في شكل موجه ذكاء اصطناعي.
بلصق هذا الموجه في مساعدك الصوتي (جيميني لايف أو ChatGPT Voice)، يمكنك مخاطبة الذكاء الاصطناعي عبر الميكروفون: "النموذج يمنح 58% فرصة للفريق المحلي، لكنه متأخر 0-1 في الشوط الأول. ما هي الرافعات التكتيكية لقلب الموازين؟". سيجيبك المساعد بحجج قوية، تستند إلى الواقع الرياضي للملعب.