在过去一年的足球分析工作中, 从围绕单个有球事件应用指标，到通过分析构成一段控球时间的事件序列，采取更全面的方法，已经出现了广泛的转变.
这种方法通常可以提供单事件度量有时缺乏的附加上下文. 考虑 预期目标(xG). 它可以识别过去的射门以及诸如球场位置和距离球门的角度等特征, 并估计射门得分的可能性. 在xG模型中合并辅助类型也很常见.
包括助攻是思考什么是一个好机会的逻辑延伸，你可以通过考虑第二次助攻或投篮前的其他类型的事件(运球)来进一步扩展这一点. 像这样的单事件指标通常需要一个背景化框架, 这是财产模式适合的地方吗.
观看下面的解释视频:
将事件串在一起
我们曾经写过关于将事件串在一起以重新定义财产的文章，但后来我们将这一框架正式化为一个模型，从中我们可以获得许多有用且新颖的统计数据, 团队, 以及事件级别. 许多足球分析从业者也展示了类似的想法和算法.
Opta财产模型的细节与上面2012年的文章所描述的类似, 但是事件被组织成顺序和占有.
序列 被定义为属于一支球队并以防守行为结束的比赛段落, 比赛中的中断或射门.
财产 定义为属于同一团队的一行中的一个或多个序列. 一系列的传球导致射门被扑出并导致角球，这就构成了一个控球权，因为同一支球队保持着控制, 但不止一个序列, 因为球已经出界了. 当对方控球时，控球就结束了.
值得注意的是这个模型的一些重要特性:
-不是每个事件都属于一个序列或占有
——与此相关, 在一场比赛中，并不是每一秒的球都被标记为属于一个特定的球队
-一个序列开始于球员对球的控制动作. 这包括传球，但不包括像抢断和拦截这样的防守活动, 除非这些事件之后是一个可控的动作，如传球或运球
在一场比赛中，每支球队的控球次数只能相差一次. 这似乎与传统的占有率概念相违背, 但在计算个人控球数时，逻辑上是一致的，如果一支球队结束控球, 对方队开始控球
——然而, 每支球队的控球时间和某支球队的控球次数不需要相等
考虑以下序列示例(在本例中也是占有), 利物浦一开始是乔尔·马蒂普的头球传球(绿色部分)，最后一脚射门击中门框(绿色箭头部分).
上面的序列告诉我们，在利物浦射门之前，什么类型的事件为他们赢回了球. 我们也知道大约14.从赢球到射门间隔了5秒, 所有事件之间的追踪序列涵盖了126个.44米55.96米，如果我们只考虑直接在场上前进的距离.
在这个序列中，我们还可以确定这个射门过程中的传球次数.
财产倾向
下面的柱状图显示了每场比赛中得分数的基本分布, 以及不同数量的财产发生的频率. 每场比赛的回合数通常略少于200个，或每队90-100个.
下图显示了2016-17赛季英超联赛中所有序列的序列长度分布. 如你所见, 许多序列都很短，并且在涉及更多内容之前就会中断, 总的趋势是频率逐渐减少，总长度越来越长.
直接的速度
可以从序列中计算出的统计量的一个例子是直接速度. 我们将其定义为球移动的米数(当直接测量前场时), 除以序列的总时间.
参照之前的利物浦序列，直接速度是3.每秒85米(55.96米除以14.5秒). 当与其他序列比较时，我们发现这是一个相对较快的序列. 再一次, 这与序列层面而不是财产层面更相关, 因为占有的中断会使速度指标变得不那么有意义.
下面你可以看到2016/17赛季英超球队开放式比赛序列的直接速度中位数. 有趣的是，这捕获了一些与成功结果不一定相关的风格元素, 阿森纳出现在斯托克城和莱斯特城之间就是证明, 而曼联更接近赫尔城和伯恩茅斯.
介绍战术应用
财产框架可以回答分析师或教练可能提出的许多问题，这些问题往往是单事件指标难以概括的. 具体地说, 它可以为处理模式和动作如何连续发生的问题提供答案.
以获得更详细的示例, 考虑一下球队的直接性是如何根据两个因素而变化的:他们在哪里赢回球, 以及他们是踢边路还是中路.
要回答这个问题, 有必要将起始位置和宽度概念作为序列的特征. 基于起始位置(己方半场vs对手半场)对序列进行分组是第一个目的. 对宽度进行分类, 我将序列定义为宽通道或中心通道，考虑的是大部分上场进展发生在中心通道内还是下图所示的宽通道之一.
切尔西一开始并没有在直接速度方面脱颖而出. 然而, 根据起始位置和控球宽度考虑具体的分割, 我们可以强调他们在2016-17赛季的英超联赛中排名前三，他们在本方半场赢得球权并在中路前进(2.47米/秒，而1.93米/秒，从本方半场开始前进).
这当然是一个有点特殊的例子，但它很好地展示了多个事件提供的上下文如何允许统计方法来回答有时难以用单一事件度量来回答的问题. 也采用了类似的例子 将Gurpinar-Morgan 在2017 OptaPro分析论坛上的演讲中.
当应用事件数据分析游戏时, 这种财产风格的框架——现在变得很普遍——可以极大地帮助这种工作风格, 提供一个平台让玩家能够更深入地了解玩家, 球队或联赛的整体风格.
我代表optpro, 我想借此机会感谢迈克尔·凯利, 加里Gelade, Sam Green和Ian Graham关于这个模型的想法和反馈.
