在讨论一名球员是否合适球队时候，通常需要建立一个比赛数据模型进行考虑，而不是仅仅通过观看比赛的直观印象进行主观的判断，而且并不能仅仅考虑单一指标，需要根据各种不同的数据进行加权平均再行进行筛选。今天我们就来看看Varun Vasudevan的数据模型，以及根据数据模型匹配出来的门将。

扑救成功率：这毫无疑问是成为门将的基础，就算门将需要考虑传球、出击等等数据，扑救成功率毫无疑问是基础。

PSxG 差异性：大致可以认为预期失球值、实际失球值之间的差距。自从足球运动开始运用大数据之后，预期进球、预期失球已经成为普遍的应用数据。举个非常非常简单的例子，足坛每天都进行那么多比赛，相同位置、相同角度等等因素考量，100次射门大概可以打进多少球的比例，大概就是预期进球值了。所以，门将的扑救成功率可能只是大部分是毫无威胁的射门，那么加上PSxG 差异性就能大致知道门将的扑救，是不是具备难度。

拦截传中成功率：这基本是考察一个门将的制空能力了，扑救高空球的能力，某种程度上也是门将的基本功而已。

罚球区之外的防守动作：这是衡量门将出击的防守动作，高质量的门将某种程度上能够替代一部分中后卫的作用，他能冲出禁区。这一项数据可能会根据球队的战术进行调整，但是或多或少代表了门将在增加中后场防守人数的功能性。

防守动作平均距离：这是衡量门将在禁区外所有防守动作，距离球门的距离。如果是蹲坑的球队考察这项指标毫无意义，但是目前有几家豪门球队采用蹲坑的？就连防守反击的马竞也开始把防线推向高位了。

传球成功率：按照瓜迪奥拉的理论，当本方控球次数越多时，那么就能占据越来越多的比赛时间，从而降低对手的威胁性，也能通过不断的传球倒脚消耗对手的防守注意力。门将球门球大致是短出球、长出球，长出球通常意味着五五球，对手拥有50%的概率能够拿下球权，这显然是不利于控制球权的。

尝试传球次数：这是考察门将的球权占有比例，或者直接说明这是门将参与传球的频次了。一个好的控球型门将，能够让球队的球权运作多了一个人。

平均传球距离：这是不言而喻的，传球距离越远的门将，自然是传球成功率不高、参与球权控制比例非常少的门将。

当然，还有几项数据并没有列出来，但是仅仅这些数据已经足够说明了。Varun Vasudevan从fbref上下载了2021/2022赛季所有门将的比赛数据，过滤掉上场次数不超过12场的球员，因此留下了119个门将赛季整体数据，构成了基础的数据模型。最后，Varun Vasudevan给每项指标一个均衡系数，比如阻止射门方面给了30%等等。这种情况下，总和下来门将的得分情况是怎么样的呢？

利物浦门将阿里松在多项数据上领先，毫无疑问成为100%匹配的门将。随后是米兰门将迈尼昂、马赛门将洛佩斯、狼队门将何塞萨。曼城门将埃德森在这份数据模型中的表现在前10名左右。

值得关注的是，去年夏窗时Varun Vasudevan曾经用同样的数据模型方式，推荐曼联签下后腰琼阿梅尼、吉马良斯、卡马文加。返回搜狐，查看更多