Rynek kartek ma szczególną cechę: jeden człowiek rzeczywiście podejmuje decyzję o każdej sankcji. Nic dziwnego, że pierwszym odruchem jest otwarcie tabeli arbitrów, posortowanie jej po średniej żółtych kartek i uznanie najwyższych wartości za sygnał do gry na Over. To intuicyjne — i często zbyt proste.
Sędzia prowadzi konkretnych zawodników, w konkretnej lidze i przy określonej stawce. Jego historyczny wynik jest więc mieszanką osobistego stylu oraz spotkań, do których był delegowany. Profesjonalny model musi te elementy rozdzielić, a później połączyć ponownie dopiero dla analizowanego meczu.
Dlaczego sama średnia kartek może wprowadzać w błąd?
Wyobraźmy sobie dwóch arbitrów. Pierwszy prowadził kilka derbów, mecze drużyn walczących o utrzymanie i spotkania zespołów często faulujących przy kontratakach. Drugi otrzymywał spokojniejsze zawody. Jeżeli pierwszy ma średnią 5,2 kartki, a drugi 3,8, różnica nie musi w całości opisywać ich osobistych progów karania.
Na surową średnią wpływają między innymi:
- częstotliwość fauli popełnianych przez prowadzone drużyny,
- profil ligi i obowiązujący w niej standard sędziowania,
- udział derbów, meczów pucharowych i spotkań o wysokiej stawce,
- liczba minut gry w napięciu wyniku,
- mała próbka oraz pojedyncze mecze z wyjątkowo dużą liczbą kartek.
Jak budować wiarygodny profil arbitra?
1. Korygować wynik o ligę i prowadzone drużyny
Najpierw porównujemy arbitra ze standardem rozgrywek, w których pracował. Cztery kartki w lidze o średniej 3,2 znaczą coś innego niż cztery kartki w lidze o średniej 5,0. Następnie należy uwzględnić, czy sędzia trafiał na zespoły generujące więcej fauli i kartek niż typowa drużyna.
2. Ważyć nowsze spotkania mocniej
Styl prowadzenia zawodów może ewoluować. Zmieniają się interpretacje przepisów, poziom rozgrywek, kondycja arbitra i sposób zarządzania meczem. Dlatego spotkanie sprzed kilku tygodni powinno zwykle mieć większy wpływ niż mecz sprzed kilku sezonów — bez całkowitego wyrzucania starszej historii.
3. Stosować regresję do średniej
Arbiter po pięciu spotkaniach nie powinien otrzymać tak samo pewnego profilu jak sędzia z setką obserwacji. Przy małej próbce wynik należy przybliżyć do średniej ligi. Wraz z napływem kolejnych meczów model może stopniowo bardziej ufać indywidualnym danym.
4. Analizować więcej niż żółte kartki na mecz
Przydatne są także kartki w relacji do liczby fauli, moment pierwszego upomnienia, rozkład kartek między gospodarzami i gośćmi oraz udział spotkań z wartościami skrajnymi. Dwóch sędziów o tej samej średniej może mieć zupełnie inny profil: jeden jest stabilny, drugi przeplata bardzo spokojne mecze z wyjątkowo ostrymi.
Drużyny pozostają równie ważne jak sędzia
Kartki nie powstają w próżni. Model powinien wiedzieć nie tylko, ile upomnień zespół otrzymywał, lecz także w jakich sytuacjach do nich dochodziło. Znaczenie mają agresywny pressing, częste straty w niebezpiecznych sektorach, obrona szybkich przejść, liczba pojedynków oraz profil konkretnych zawodników.
Istotna jest również interakcja stylów. Drużyna, która dobrze wychodzi spod pressingu, może prowokować spóźnione interwencje przeciwnika. Szybki skrzydłowy ustawiony przeciw obrońcy mającemu problemy w pojedynkach może zwiększać ryzyko fauli taktycznych. Sama średnia zespołowa nie opisze tych zależności.
Składy zmieniają prognozę
Przedmeczowa informacja o składzie ma na rynku kartek wyjątkową wartość. Brak podstawowego defensywnego pomocnika może zmienić sposób zabezpieczania kontr. Powrót agresywnego stopera wpływa na profil pojedynków, a ustawienie bardziej ofensywnego bocznego obrońcy może zwiększyć liczbę awaryjnych interwencji po stracie.
Wpływu zawodnika nie należy jednak sprowadzać do kartek na 90 minut. Liczy się rola, liczba minut, pozycja, przeciwnik oraz to, czy piłkarz pojawia się w sytuacjach wymagających przerwania akcji.
Stawka meczu: ważna, ale łatwa do nadużycia
Derby, walka o utrzymanie, rewanż pucharowy czy bezpośrednie spotkanie o awans mogą zwiększać intensywność. Problem zaczyna się wtedy, gdy etykietę „mecz o wysokiej stawce” przypisuje się dopiero po ostrym przebiegu zawodów.
Kontekst musi zostać zdefiniowany przed pierwszym gwizdkiem i sprawdzony na dużej liczbie historycznych spotkań. Tylko wtedy staje się cechą modelu, a nie opowieścią dopasowaną do wyniku.
Dlaczego Negative Binomial pasuje do kartek?
Liczba kartek jest zmienną zliczeniową, ale jej rozrzut bywa większy, niż zakłada prosty rozkład Poissona. Większość meczów może kończyć się umiarkowaną liczbą upomnień, podczas gdy od czasu do czasu pojawia się spotkanie z wynikiem skrajnym. Model Negative Binomial lepiej radzi sobie z taką nadmierną zmiennością.
Sam wybór rozkładu nie rozwiązuje jednak całego problemu. Potrzebne są jeszcze kalibracja prawdopodobieństw, korekty ligowe i test chronologiczny, w którym model nigdy nie korzysta z danych powstałych po analizowanym meczu.
Jak MatchupLab sprawdza, czy cecha sędziego pomaga?
Dodanie nowych danych nie oznacza automatycznie lepszego modelu. Profil arbitra musi udowodnić swoją wartość poza próbką, na której został zbudowany. Porównujemy więc wariant bazowy z modelem rozszerzonym o dane sędziowskie i oceniamy:
- czy poprawia się jakość prawdopodobieństw, a nie tylko liczba trafień,
- czy efekt utrzymuje się w kolejnych okresach testowych,
- czy wynik nie zależy od jednej ligi lub małej grupy arbitrów,
- czy prawdopodobieństwa pozostają dobrze skalibrowane,
- jak rośnie niepewność, gdy obsada sędziowska nie jest jeszcze znana.
Czy wysoka średnia sędziego oznacza Over 3,5?
Nie. Może zwiększać prawdopodobieństwo, ale jest tylko jednym składnikiem prognozy. W spotkaniu spokojnych drużyn nawet „kartkowy” arbiter nie musi wygenerować wysokiego wyniku. Z kolei intensywne zestawienie może przekroczyć linię mimo sędziego o umiarkowanym profilu.
Właściwe pytanie nie brzmi więc: „ile kartek pokazuje ten sędzia?”, lecz: „jak ten arbiter, te drużyny, przewidywane składy i ten kontekst współdziałają w konkretnym meczu?”.
Co pokażemy użytkownikowi?
Docelowa analiza rynku kartek powinna być czytelna, a nie przeładowana. Użytkownik potrzebuje prognozowanej liczby kartek, prawdopodobieństwa obu stron linii, poziomu zgodności komponentów oraz krótkiego wyjaśnienia najważniejszych czynników. Jeżeli sędzia nie został jeszcze wyznaczony albo jego próbka jest mała, ta informacja również powinna być widoczna.
Transparentność oznacza pokazywanie nie tylko mocnych sygnałów, ale także braków danych i szerokiego przedziału niepewności. Model nie traci wiarygodności, przyznając „jeszcze nie wiemy”. Właśnie wtedy zachowuje się profesjonalnie.
Wniosek
Dane sędziowskie mogą istotnie wzbogacić model kartek, pod warunkiem że nie zamienimy ich w prostą tabelę średnich. Największą wartość daje połączenie skorygowanego profilu arbitra z zachowaniem drużyn, przewidywanymi składami, ligą i kontekstem spotkania.
W MatchupLab rozwijamy tę warstwę stopniowo: najpierw jakość i pokrycie danych, potem test walk-forward, kalibracja i dopiero na końcu wykorzystanie w publicznych prognozach. Bez dopisywania historii po meczu i bez obietnic, których liczby nie potrafią obronić.