2020美赛D题中文版

madio

D题：团队策略

随着社会的相互联系日益紧密，所面临的一系列挑战也变得越来越复杂。我们依靠具有不同专业知识和不同视角的跨学科团队来解决许多最具挑战性的问题。在过去的50多年里，我们对团队成功这一概念的理解有了显著的进步，从而使更科学、更有创造力的物理研究团队来解决这些复杂的问题。研究人员报告了组建团队的最佳策略、队友之间的最佳互动以及理想的领导风格。跨部门和跨领域的强大团队能够执行复杂的任务，而这些任务是无法通过个人努力或团队成员的一系列附加贡献来完成的。

探索团队过程的最有用的设置之一是竞技性团队运动。团体运动必须遵守严格的规则，包括但不限于球员人数、角色，球员之间的接触，他们的位置和动作，获得的积分以及违规后果。 团队的成功不仅仅是个人能力的总和。 而是基于许多其他因素，这些因素涉及队友的比赛表现，可能包括团队是否具有多种技能（一个人可能很快，而另一个人很精准），团队在个人绩效与集体绩效之间的平衡程度（明星球员可以帮助利用其所有队友的技能），以及球队在一段时间内有效协调的能力（一名球员从对方手中抢断球，另一名球员准备进攻）。

根据你的建模技能，哈士奇足球队的教练要求你的公司，Intrepid Champion Modeling(ICM)，建模以帮助了解球队的动态。特别是，教练要求你探索球员之间复杂的互动如何影响他们的成功。我们的目标不仅是研究直接导致得分的相互作用，而且是探索整个游戏和整个赛季的团队动态，以帮助确定可以提高下赛季团队合作的具体策略。教练要求本公司量化和形式化成功(和失败)的结构和动力特征。哈士奇队已经提供了详细的数据[1]，包括上个赛季中，与19个对手(每个对手踢两次)进行的38场比赛。总的来说，数据涵盖了366名球员(30名哈士奇球员，336名对手球员)之间的23429次传球，以及59271场比赛。

为了满足哈士奇队教练的要求，您的团队应该使用提供的数据来解决以下问题:

l  为球员之间的传球建立一个网络，每个球员都是一个节点，每个传球都是球员之间的一个链接。使用你的传递网络来识别网络模式，如二元和三元配置和团队队形。还要考虑游戏中的其他结构指标和网络属性。在观察互动时，你应该探索多个尺度，比如微观(成对)到宏观(所有玩家)，以及时间，比如短(分钟到分钟)到长(整个游戏或整个赛季)。

l  确定反映成功的团队合作(除了分数或胜利)的绩效指标，如比赛类型的多样性、球员之间的协调或贡献的分配。你还可以考虑其他团队级别的过程，例如适应性、灵活性、节奏或流程。也许重要的是要澄清战略是否普遍有效或取决于对手的反战略。使用你已经确定的性能指标和团队级流程来创建一个模型，该模型捕获团队工作的结构、配置和动态的方方面面。

l  使用从团队合作模型中获得的见解，向教练告知哪种类型的结构策略对该球队有效。就网络分析表明他们应该在下个赛季做出以改善团队成功的变化向教练提供建议。

l  通过对该球队的分析，你可以在团队运动的受控环境中考虑团体动态。 理解使某些群体的表现优于其他群体的复杂因素，对于社会的发展和创新至关重要。 随着我们的社会越来越多地解决与团队有关的问题，你能否概括一下你的发现，谈谈如何设计更有效的团队?为了开发团队绩效的通用模型，还需要了解团队合作的哪些其他方面?

你提交的内容应包括：

l  一页汇总表

l  目录

l  您的解决方案不超过20页，包含摘要和目录在内最多22页。

注意：参考列表和任何附录不计入页面限制，应在完成解决方案后显示。因为某些材料使用受到版权法的限制，你不应该使用未经授权的图像和材料。确保你在报告中引用了你的观点和材料。

附件

2020_Problem_D_DATA.zip

fullevents.csv

matches.csv

passingevents.csv

README.txt

术语

二元配置:涉及成对玩家的关系。

三元配置:涉及三个玩家的一组关系。

引用的参考文献

[1] Pappalardo, L., Cintia,P., Rossi, A. et al. A public data set ofspatio-temporal match events in soccer competitions. Sci Data 6,236 (2019).

可选的资源

对足球网络的研究包含许多讨论相关主题的文章。下面列出了一些文章。您不需要在解决方案中使用任何这些示例文章，上述文章也并不非全部。我们鼓励团队利用任何支持他们解决问题方法的期刊文章。

Buldú, J.M., Busquets, J., Echegoyen, I. et al. (2019). Defining a historicfootball team: Using Network Science to analyze Guardiola’s F.C. Barcelona. Sci Rep, 9, 13602.

Cintia,P., Giannotti, F., Pappalardo, L., Pedreschi, D., & Malvaldi, M. (2015).The harsh rule of the goals: Data-driven performance indicators for footballteams. 2015 IEEE International Conferenceon Data Science and Advanced Analytics (DSAA), 1-10, 7344823.

Duch J., Waitzman J.S., Amaral L.A.N.(2010). Quantifying the performance of individual players in a team activity. PLoS ONE, 5: e10937.

GüRSAKAL, N., YILMAZ, F., ÇOBANOĞLU, H.,ÇAĞLIYOR, S. (2018). Network Motifs inFootball. Turkish Journal of Sport and Exercise, 20 (3), 263-272.

---

[1]这一数据集是从一个更大的数据集处理的，涵盖了来自5个欧洲国家足球比赛和2018年世界杯的近2000场比赛[1]。