Футбольная аналитика за последние десять лет прошла огромный путь. Ещё недавно мы спорили, полезен ли xG, а сегодня без него не обходится ни один мало-мальски серьёзный разбор. Но у xG есть фундаментальная проблема: он оценивает только удары. А что насчёт всех остальных действий? Гениальный пас вразрез, который не привёл к удару, — он бесполезен? Умный перехват, предотвративший выход один на один, — он ничего не стоит?
Спортивные аналитики давно искали способ оценить каждое действие игрока на поле. И одна из самых элегантных и научно обоснованных систем сегодня — это g+ (Goals Added), разработанная сообществом American Soccer Analysis (ASA). В этой статье мы разберём, как устроена эта метрика, на каких научных принципах она основана, чем отличается от конкурентов (VAEP, OBV, xT) и почему она всё ещё не идеальна, особенно при оценке защитников.
Часть 1. Что такое Goals Added и почему он появился
1.1. Проблема традиционной статистики
Традиционная футбольная статистика (голы, голевые передачи, отборы) страдает от двух фундаментальных проблем:
Разреженность ключевых событий. В среднем за матч происходит около 2000 действий, но из них только 2–3 заканчиваются голами, а ударов — около 20–25. Это означает, что 99% действий игрока остаются вне внимания традиционной статистики.
Несправедливое распределение кредита. Голевая атака часто начинается с перехвата защитника, продолжается точным пасом полузащитника и завершается ударом нападающего. Но в протокол попадают только последние два действия (ассистент + гол). Защитник, чей перехват инициировал всю атаку, не получает никакого статистического вознаграждения.
1.2. Рождение идеи
Эту проблему начали решать ещё в середине 2010-х годов. В 2018 году аналитик Карун Сингх (ныне работающий в «Ливерпуле») предложил метрику expected Threat (xT), которая оценивала, насколько каждое действие увеличивает вероятность гола в ближайшем будущем. Примерно в то же время группа исследователей из KU Leuven (Бельгия) разработала VAEP (Valuing Actions by Estimating Probabilities) — более сложную модель, которая оценивала не только вероятность забить, но и вероятность пропустить.
Goals Added (g+), разработанный American Soccer Analysis в 2019–2020 годах, стал своего рода синтезом лучших идей. Главный инсайт создателей g+ был прост: если xG измеряет качество удара, то g+ должен измерять ценность каждого касания в единицах ожидаемых голов.
Часть 2. Как работает g+: научная основа
2.1. Базовый принцип: оценка игровой ситуации
В основе g+ лежит идея, что каждую игровую ситуацию можно охарактеризовать двумя вероятностями:
Вероятность забить гол из этой ситуации в ближайшем будущем.
Вероятность пропустить гол из этой ситуации (если мяч потерян).
Эти вероятности оцениваются с помощью градиентного бустинга (XGBoost) — ансамблевого метода машинного обучения, который обучается на исторических данных о сотнях тысяч игровых эпизодов. Входные данные для модели включают:
Координаты мяча на поле (x, y).
Расстояние и угол до ворот.
Тип игровой ситуации (открытая игра, стандарт, контратака).
Позиции игроков (насколько позволяет качество данных).
Количество защитников между мячом и воротами.
2.2. Оценка действия
Когда игрок совершает действие (пас, обводку, перехват), модель пересчитывает вероятности забить и пропустить до и после действия. Разница между этими двумя состояниями и есть «ценность» действия в единицах ожидаемых голов.
Формально это можно записать так:
Ценность действия = (ΔP(забить) - ΔP(пропустить))
Например, игрок получает мяч в центре поля. Модель оценивает вероятность забить в текущей ситуации как 3%. После того как он делает точную передачу в штрафную, вероятность возрастает до 12%. Разница — 9% (0.09) — и есть положительный вклад игрока в g+.
Если же игрок теряет мяч в опасной зоне, и вероятность пропустить для его команды возрастает, g+ становится отрицательным.
2.3. Типы действий, учитываемых в g+
Метрика разбивает все действия на шесть категорий:
2.4. Особый случай: разделение кредита при пасах
Одно из самых интересных решений в g+ — это то, как делится кредит между пасующим и принимающим. В отличие от простого подхода, где вся ценность паса приписывается пасующему, g+ использует более справедливую модель:
Успешный приём делит кредит между пасующим и принимающим примерно поровну.
Трудность приёма учитывается: если пас был сложным (например, под давлением), принимающий получает больше кредита за то, что сумел его обработать.
Пас «в никуда», который не был принят, приписывается только пасующему как отрицательная ценность.
Этот подход делает g+ более справедливым по отношению к игрокам, которые хорошо открываются и обрабатывают сложные мячи — часто именно такие футболисты остаются незамеченными традиционной статистикой.
Часть 3. g+ в сравнении с другими all-in-one метриками
На сегодняшний день существует несколько конкурентных подходов к оценке ценности действий. Краткое сравнение представлено в таблице:
3.1. g+ против VAEP: ключевые различия
VAEP — ближайший родственник g+ с точки зрения методологии. Обе метрики оценивают ценность действия как изменение вероятности забить и пропустить. Однако есть три важных отличия:
Целевая переменная обучения.
Учёт завершения действия. VAEP в исходной версии использовала один временной шаг на действие, в то время как g+ (как и Atomic-SPADL) разделяет пас и приём на два отдельных действия, более справедливо распределяя кредит.
Размер окна истории. VAEP учитывает предыдущие 3 действия, g+ — только 2, но кодирует больше информации о всей последовательности владения.
Интересно, что, несмотря на эти различия, при сравнении топ-10 игроков MLS по показателям VAEP и g+ за 2019 год совпали 8 из 10 имён. Это говорит о том, что обе метрики выявляют схожий набор лидеров, даже если их внутренние механизмы различаются.
3.2. Сравнение с xG+: новое слово в оценке угрозы
В конце 2025 года исследователи Пенсильванского университета (Пиппинг, Фэн, Сабин) опубликовали препринт «Beyond Expected Goals: A Probabilistic Framework for Shot Occurrences in Soccer», в котором предложили метрику xG+.
Главная инновация xG+ заключается в том, что модель оценивает не только качество удара (как xG), но и вероятность, что удар вообще будет нанесён (xS — expected Shot). В каждый момент владения модель отвечает на вопрос: «Какова вероятность, что в следующую секунду будет нанесён удар, и какова вероятность гола, если это произойдёт?»
Это решает проблему, которая мучает и g+, и VAEP: они оценивают только те действия, которые реально произошли. Но самые опасные моменты в футболе — это не только удары и пасы, но и те мгновения, когда удар почти состоялся: нападающий чуть не дотянулся до прострела, защитник в последний момент выбил мяч у линии ворот. Эти эпизоды не фиксируются в данных о событиях, но их можно «увидеть» через трекинговые данные, отслеживая позиции всех игроков в реальном времени.
Исследователи Пенсильванского университета также показали, что агрегирование xG+ на уровне владения (через формулу 1 — ∏(1 — xG+ₜ)) решает проблему завышения xG в сериях быстрых добиваний, когда несколько ударов за короткое время могут суммарно дать xG > 1.00.
Часть 4. Сильные и слабые стороны g+
4.1. Сильные стороны
1. Комплексность. g+ учитывает практически все действия с мячом, а не только финальную стадию. Это позволяет оценивать игроков, чья ценность не отражается в голах и голевых передачах (опорные полузащитники, фулбэки).
2. Открытость методологии. В отличие от коммерческих продуктов вроде OBV, методология g+ открыта и воспроизводима. Это позволяет независимым исследователям проверять выводы и улучшать модель.
3. Устойчивость на больших выборках. Несмотря на шум в одном матче, на дистанции сезона g+ показывает стабильные результаты, коррелирующие с экспертным мнением.
4. Подтверждение «тестом Месси». В MLS сезона-2025 Лионель Месси, несмотря на меньшее количество минут, уверенно лидировал по g+ (13.36), что подтверждает валидность метрики — элитные игроки действительно показывают элитные значения.
4.2. Слабые стороны и критика
1. Проблема оценки обороны. Это, пожалуй, самое серьёзное ограничение g+. Защитник, который грамотно занимает позицию и предотвращает опасную передачу до того, как она произойдёт, не совершает никакого регистрируемого действия. g+ видит только те эпизоды, где защитник вступил в отбор или сделал перехват.
Джон Мюллер из ASA прямо признаёт: «Я не думаю, что g+ очень полезен для измерения индивидуальной защиты. Самое ценное, что может сделать защитник, — это перехват паса у линии ворот (почти 100% вероятность гола), но команда, которая постоянно вынуждена делать такие перехваты, вероятно, играет в ужасную оборону».
2. Не учитывает игру без мяча. Открывания, перекрытие зон, создание пространства для партнёров — всё это не фиксируется в event-данных и не попадает в g+. Пока в футбольной аналитике не появится доступ к качественным трекинговым данным (оптическое отслеживание позиций всех игроков), эта проблема останется нерешённой.
3. Зависимость от качества исходных данных. g+ строится на event-данных (запись действий), а их качество сильно варьируется между лигами и поставщиками данных. Ошибки в разметке (например, неправильно определённый тип паса) могут искажать итоговые значения метрики.
4. Шум в одном матче. Как и любая метрика, основанная на редких событиях, g+ может давать аномальные значения по итогам одного матча. Например, один удачный перехват или заработанный пенальти может сильно исказить картину.
5. Неполнота xG как целевой переменной. Исследователи Пенсильванского университета указывают, что использование xG в качестве целевой переменной для обучения модели создаёт риск «утечки информации», поскольку xG-модель могла обучаться на тех же данных, что и g+-модель, или использовать те же признаки.
Часть 5. G+ в сравнении: кто лидирует и почему
Анализ данных за сезон 2025 года в MLS показывает, что g+ успешно выделяет элитных игроков:
Обратите внимание: Зак Стеффен (вратарь) — входит в топ-6. Вратари получают высокие значения g+ за счёт сейвов и перехватов прострелов, которые резко снижают вероятность пропущенного гола. Это демонстрирует, что g+ действительно оценивает вклад всех игроков на поле.
Заключение: будущее all-in-one метрик
Goals Added — это важный шаг вперёд по сравнению с традиционной статистикой. Однако ни одна метрика, основанная только на event-данных, не может считаться окончательной истиной. Будущее футбольной аналитики — за гибридными подходами, которые объединяют:
Трекинговые данные (позиции всех игроков 25 раз в секунду) для оценки игры без мяча.
Событийные данные для оценки действий с мячом.
Модели машинного обучения (вроде XGBoost или нейросетей) для оценки вероятностей.
Исследователи Пенсильванского университета уже сделали важный шаг в этом направлении, предложив xG+, который учитывает и сам факт создания момента, и его качество. Их работа показывает, что объединение продвинутой аналитики событий с трекинговыми данными — наиболее перспективное направление для будущих исследований.
Для обычного болельщика g+ (и его более продвинутые аналоги) — это инструмент, который помогает задавать правильные вопросы. Почему игрок с нулём голов и передач имеет высокий g+? Возможно, он постоянно разгоняет атаки точными передачами вразрез. Почему защитник с кучей перехватов имеет низкий g+? Возможно, он часто ошибается позиционно, и его перехваты — следствие собственных провалов.
В эпоху, когда футбольные клубы тратят миллионы на аналитические отделы, метрики вроде g+, VAEP и xG+ становятся таким же важным инструментом, как и нарезки видео. Они не заменят просмотр матча, но помогут отделить реальную пользу от статистической иллюзии.
Источники
KU Leuven. Our thoughts on American Soccer Analytics' g+ metric. 2020.
American Soccer Analysis. Goals Added methodology documentation. 2020–2025.
StatsBomb. On-Ball Value (OBV): Valuing Player Actions in Football. 2021.
Pipping, J., Feng, T., & Sabin, P. Beyond Expected Goals: A Probabilistic Framework for Shot Occurrences in Soccer. arXiv, 2025.
Sun, G. The Whole Package: All-In-One Player Performance Metrics for Soccer. Harvard University, 2025.
Minnesota United FC. Beyond the Box: Goals Added (And Subtracted). 2021.
The Mane Land. Orlando City Players Evaluated by the «Goals Added» Metric. 2025.
Bransen, L., & Van Haaren, J. Measuring football players' on-field contributions. 2018.
Singh, K. Introducing Expected Threat (xT). 2018.
StatsBomb. On-Ball Value (OBV) in the 2020/21 Premier League. 2021.
Подписывайтесь на наши социальные сети:
Комментарии