憑什么？梅西怎么又成了全場最佳？

“某某球員，上半場觸球僅 26 次，但跑動已經 6 公里了。”

“日本隊 xG 才 0.04，下半場完全被巴西隊壓著打啊。”

世界杯各隊揭幕戰，C 羅評分 6.1，梅西 10 分！（不是我說的，數據來源 Sofascore）

這些數據到底是怎么被統計和計算的？難不成有人拿個小本本，蹲在場邊記一腳一腳的傳球？還有，又是誰在給這些球星們打分？

一場足球賽，從球員到全隊都會被數據化｜FotMob

把數據統計成，最～佳～狀～態～

一場足球賽的數據統計分兩層，一層靠人，一層靠機器。

第一層是事件數據（Event Data），也就是記錄球場上“發生了什么”，誰在第幾分鐘觸了球，傳給了誰，誰助攻給誰射門、誰對誰搶斷、誰對誰犯規……到今天這個工作仍然大量靠人工記錄著。

他們一般三人一組，其中兩人各負責一隊，負責實時記錄場上事件，第三人專門回放核對，防止記漏記錯。

在比賽時，每傳一腳球，數據員就用鼠標在起球點拖一下，再在接球點點一下，系統就能自動記下這一腳是誰傳給了誰。這種“兩點一線”的方法看似笨拙，但非常精準，并且傳球軌跡很直觀。

記錄員工作狀態｜Bundesliga

一場比賽下來，光是這種事件記錄就有一千多到兩千條。你在解說嘴里聽到的，“某球員，上賽季是聯賽搶斷次數最多的后衛”，源頭就是這幫人一條一條敲進去的。

為什么機器替代不了人工？因為記錄事件數據，涉及非常多的“判斷”。

就以“搶斷”為例，當兩名防守球員同時逼上去斷球，球被斷下來的一瞬間，皮球實際上是被兩個人的腳同時碰到的，這一次搶斷該記在誰頭上？

又或者，某個球員傳了一腳好球，但隊友因為跑得太慢，沒有及時追上。那這算傳球失誤，還是接球失誤？

這本身就沒有客觀標準，得看記錄員當下的主觀判斷，所以事件數據到今天還離不開人。全球最大的體育數據公司 Opta，常年雇著幾百號兼職數據員，一年要看一萬多場比賽。

像 Opta 這樣的公司定義了 60 多種事件類型，像是我們能看到的“射門被封堵”、“精準傳球”、“擲界外球”、“對抗成功”、“過人成功”等等都在此列。Opta 一場比賽能記錄 1500 到 2000 個事件，所以“A 傳給 B”確實是被一腳一腳記下來的。

球場上的這類行為都可以被歸類到“事件”里｜FotMob

第二層叫追蹤數據（Tracking Data），這一層才是機器的主場。它不管“發生了什么”，只管“人和球在哪兒”、“動得多快”，所以每個球員站在什么位置，跑了多少米，沖刺了幾次，加速度多少，整場比賽熱力圖（主要活動的區域）…… 這些都能被歸類進追蹤數據。

追蹤數據完全不靠人工，而是依托球場上方，架著的多臺高速攝像機，配合計算機視覺技術，通過三角測量的方式，把 22 名球員和球在每一幀畫面里的精確坐標算出來，自動認出每個球員的位置，實時算出移動軌跡。

英超各球隊跑動距離最長的球員，賽場熱力圖｜Premier League

它不關心“誰傳給誰”這種帶有判斷的動作，只是純粹地記錄“這個時刻，這名球員在哪里”。

訓練場上，我們還會看到一些男球員會身穿“運動內衣”。這種背心里帶有芯片，也會持續監測球員本人的位置、速度和心率，和場館里的光學追蹤不是同一套系統，但都是在把人的物理運動轉換為數據。

時間數據靠人判斷，追蹤數據靠機器捕捉，最后拼在一起，成為我們看到的那份賽場數據。

教練，把數據給我，我去防死哈蘭德！

采集數據只是第一步。有了這些原始數據，才能得出xG（預期進球）、球員評分，甚至某隊勝率，這種更有解讀性的參數。

對原始數據如何解讀，影響著對球員賽場表現的判斷。

舉個最簡單的例子。球員的射門時刻，能被記下來的客觀事實就那么幾項：比賽第 72 分鐘、射門位置在禁區弧頂、左腳打門、從球門橫梁正上方飛出，數據非常直觀。

但這一下射門算不算一次“錯失得分良機”？是前鋒腳法臭，還是這個球本身就很難進？

又或者，我們在賽后評論區也會看到“這球我奶奶來了也能打進！”和“踢過球的就知道這球有多難進！”兩種對立的聲音。

看到這種“空門不進”的名場面，很難不覺得“我上我也行”｜Premier League

該如何衡量一腳射門的質量，一腳傳球的威脅，一個球員在場上的表現？這就是數據解釋的領域。

預期進球（也就是常說的 xG）就是這種解釋里最典型的一個。它表示某次射門最終轉化為進球的概率。

一顆點球和禁區線外的一記遠射，射門數都是一次，但進球概率差著十萬八千里。

xG 就是拿過去幾十萬甚至上百萬次射門的結果，訓練出一個統計或機器學習模型，學會判斷“當下這一記射門在過往類似條件下，有多少概率進球”。

模型會看幾十個變量，包括射門的距離和角度、是頭球還是腳下球、防守球員擋在射門路線上有幾個、助攻方式是直塞還是傳中、門將站位如何……

射門角度越小、距離越遠、防守人員干擾更多，就會讓 xG 更低｜StatsUltra

所以這就解釋了，點球的 xG 大概在 0.76 左右，一次禁區外的遠射可能只有 0.03。

還記得這屆世界杯最大冷門那場西班牙 vs 佛得角那場比賽嗎？比分 0:0 互交白卷。但看算后數據，西班牙隊的 xG 是 2.1，佛得角只有 0.2，也就是說，算法預期比分更應該接近 2:0 才對，

正因為佛得角門將的超神發揮，把西班牙的幾個“必進球”都撲出去了，于是我們看到了這屆世界杯的大冷門與大黑馬。

同樣，在剛結束的挪威 2:1 淘汰巴西的比賽里，比分定格在 1:2，但看賽后數據，巴西隊 xG 2.61，挪威只有 1.05。

這正是因為巴西罰丟了一粒點球，比賽里也浪費了很多破門良機，但挪威隊的哈蘭德 4 次射門就進了兩球，牢牢把握住良機。

根據數據，可以看出巴西攻勢更強，但浪費大量機會｜FotMob

接著來看球員單場評分。與 xG 邏輯類似，只是把范圍從“一次射門”擴大到“評估該球員在整場比賽的所有動作和事件”。

一場比賽里，一個中場球員可能送出 60 腳傳球，來回跑動 11 公里，還帶球過人 3 次、被搶斷 2 次、犯規 1 次。關鍵是，這么多五花八門的動作，最后是怎么被壓縮成一個 7.3 的？

各家網站的具體說法不太一樣，但骨架都差不多：把這個球員在場上發生的每一件事，按照“發生的位置”和“造成的結果”，分別打一個分（正或負）。然后從一個基礎分開始，一件一件往上疊加。

WhoScored 的說法是，他們納入了 200 多項原始事件，每一項的加減分幅度，都根據這個動作發生的場上區域和最終結果重新加權。

舉個例子，同一次“過人成功”，發生在對方禁區附近，跟發生在本方半場，產生的威脅完全不是一個量級，加權也不同。

這個邏輯其實跟 xG 是一回事，xG 關心的是“這一腳射門，在這個位置，進球的概率有多高”，評分關心的是“這個動作，在這個位置，對球隊的價值有多大”，說到底都是在給同一類動作，按發生的場景重新定價。

每一名球員都會根據場上表現，來動態計算評分｜Sofascore

像是 Sofascore 換了一種計算方法，他們把動作歸到五個大類里：射門、傳球、盤帶、防守、門將動作。每一類單獨算出一個貢獻值，最后再匯總成一個數。

他們一場比賽下來，每名球員的評分會被重新計算 60 多次，22 個人加起來，全場差不多要算近 2000 次。

當你坐在沙發上看比賽的時候，那個評分數字其實一直在偷偷變化，不是等終場哨響才一次性算出來的。

評分還有一層容易被忽略的機制，它會跟著球隊的最終比賽結果一起浮動。

說白了，贏方球員的平均分，普遍比輸球方的球員高。所以我們很少會看到，“本場最佳球員”來自輸球隊。

獲勝球隊球員平均分都會比輸隊更高｜WhoScored

但這類評分系統還有一個共同的軟肋，它們讀不懂“戰術分工”，打分會非常偏好主動的進攻動作。

比如你是一個后衛，教練安排你本場比賽就一個任務：貼身盯防哈蘭德。

所以你全場不參與進攻，拿到球就快速傳給隊友后，繼續防守哈蘭德。在你全場緊盯情況下，哈蘭德踢得很難受，隊友也不敢貿然傳球給他。你完美執行了戰術任務，但從數據層面，你全場就只有幾次攔截和傳球，按算法只能給個及格分。

反過來，一個前鋒可能全場隱身，但靠補時門前的一腳“撿漏式補射”，又或者是罰進了一粒隊友創造的點球，但因為有進球存在，算法立刻會給出一個跳檔的高分。

兩家主流評分網站都強調，對球員的評分是純算法輸出，中間沒有人工打分介入，但具體每一類動作值多少分，權重怎么分配，從來不對外公開，官方的統一說法都是“商業機密”。

評分能讀出“球員做了什么”，但讀不出“為什么要這么做”，這中間的戰術意圖，目前還是算法碰不到的盲區。

所以這是為什么資深球迷看完比賽，寧愿相信自己的判斷，而不相信所謂的評分。這個數字確實是靠一堆真實事件算出來的，而它衡量的確實也是“動作”，不是比賽。

足球比賽數據能產生多少價值？

要知道，養活一整套數據采集系統可不便宜。但我們球迷，刷手機看數據不花一分錢，這幫公司圖什么？

足球是全世界商業化最強的運動。2026 年美加墨世界杯，已經創下了單項體育賽事歷史最高商業價值紀錄。國際足聯預計，這屆世界杯周期總收入高達 130億美元。

這些數據公司也是足球商業世界中，不可或缺的一環，他們就靠“一魚多吃”來賺錢。

第一道是媒體。

原始數據可以變成直播畫面里的實時統計、解說嘴里的談資、賽后的數據專欄。Opta 一年處理五十萬場以上的比賽，客戶超過八百家，BBC、天空體育、ESPN、國際足聯、歐足聯全在名單上。

這才讓我們聽到解說員口中的“這個球員上半場觸球 40 次，傳出了 5 次威脅球，上賽季，他在俱樂部進了 10 個球，是整個聯賽速度最快的球員。”

媒體包括轉播平臺與體育報刊｜Opta

第二道是球隊。

數據對俱樂部而言是選球員的依據，直接影響到比賽時排兵布陣。

傳統的球探工作，主要是派人現場去看比賽，憑經驗判斷一個球員行不行，問題是一個球探一年現場能看的比賽數量有限，判斷里難免摻雜個人偏好。

有了數據以后，俱樂部可以先在成千上萬名球員的數據庫里按需求篩一遍，把符合自己戰術風格的人圈出來，再派人重點去看，既縮小了范圍，也降低了看走眼的成本。

到了賽場上，數據就用來備戰和臨場分析。

教練組會拿對手過去幾十場比賽的數據去找規律，大到對方首發的陣型預測，小到某位球員的踢球習慣……進而給出針對性的戰術布置。

球員穿專業的運動內衣，來檢測自己的體征數據｜巴塞羅那俱樂部

還有一塊跟球員的身體狀態有關。訓練和比賽里，球員身上其實一直在收集跑動量和心率這類數據，教練能看出誰最近練得太狠，誰的體能快不行了，得趕緊安排換人。

說到底，俱樂部現在如何排兵布陣，靠的不再只是教練的經驗和直覺，背后都有一整套數據在幫著做參考。

第三道是博彩公司。

數據在這兒變成賠率，莊家靠詳細的比賽數據和高階分析設定、實時調整賠率，把風險算死，穩賺不賠。這是整條鏈里最大的一塊蛋糕，也是很多數據公司真正的金主。

博彩業是數據公司最大的金主｜STATS PERFORM

第四道是 AI。

數據喂進模型，變成預測。今年的世界杯上，國際足聯推出了面向所有球隊免費開放的戰術分析平臺 Football AI Pro。數據在這一道，變成了讓弱旅和強隊信息平權的工具，或許也是這屆世界杯許多“爆冷”的原因之一。

近年最顯著的趨勢是，把數據投喂進 AI 模型｜Opta

數據經過一層層加工，一次次轉手讓數據公司賺得盆滿缽滿。

觀眾在補水時間通常會看看控球率、預期進球、球員評分、壓迫次數、向前推進傳球這些數據。這些數據被拆解得越來越細，越來越多。但它們只是一種闡述方式，幫我們理解比賽，可永遠不等于比賽本身。

比賽仍然靠那些球場上令人動容的瞬間組成。一次遲疑導致錯失的良機，兩個人之間傳球的默契，天才般的接球能力，一個瞬間改變整場比賽的靈感……

屏幕上的數字，只能告訴你比賽“應該”是什么樣，但只有親眼看完的人，才知道它為什么沒有變成那樣——這也是足球的最大樂趣之一。

作者：Sandy

編輯：沈知涵

封面圖來源：Sofascore

點個“小愛心”吧