Problem D: Teaming Strategies
隨着社會之間的聯繫越來越緊密，他們面臨的挑戰也越來越複雜。我們依靠具有不同專業知識和不同見解的跨學科團隊來解決許多最具挑戰性的問題。在過去的50多年中，我們對團隊成功的概念性理解有了很大進步，從而使更好的科學，創意或物理團隊可以解決這些複雜的問題。研究人員報告了組建團隊的最佳策略，隊友之間的最佳互動以及理想的領導風格。跨各個部門和領域的強大團隊能夠通過個人努力或一系列隊友的附加貢獻來完成無法完成的複雜任務。
探索團隊過程的最有用的設置之一是競技團隊運動。團體運動必須遵守嚴格的規則，包括但不限於球員人數，他們的角色，球員之間的允許接觸，他們的位置和動作，獲得的積分以及違規後果。團隊的成功不僅僅是個人能力的總和。而是基於許多其他因素，這些因素涉及隊友的比賽表現。這些因素可能包括團隊是否具有多種技能（一個人可能很快，而另一個人很準確），團隊在個人績效與集體績效之間的平衡程度（明星球員可以幫助利用其所有隊友的技能），以及球隊在一段時間內有效協調的能力（一名球員從對方手中搶斷球，另一名球員準備進攻）。
根據您的建模技巧，愛斯基摩人，您的主場足球（在歐洲和其他地方稱爲足球）團隊的教練已要求貴公司Intrepid Champion Modeling（ICM）幫助您瞭解球隊的動態。尤其是，教練要求您探索球員之間在現場的複雜互動如何影響他們的成功。目標不僅是檢查直接導致得分的互動，而且還探索整個比賽以及整個賽季的團隊動力，以幫助確定可以改善下賽季團隊合作的特定策略。教練已要求ICM量化並正規化已爲團隊成功（但未成功）的結構和動態特徵。愛斯基摩人提供了有關上賽季的詳細信息的數據[1]，包括他們與19個對手進行的38場比賽（他們每場對戰球隊都踢了兩次）。總體而言，該數據涵蓋366名玩家（30名哈士奇玩家和336名來自對立團隊的玩家）之間的23,429次傳球，以及59,271次比賽事件。
爲了迴應赫斯基教練的要求，您的ICM團隊應使用提供的數據解決以下問題：
• 爲球員之間的傳球建立一個網絡，其中每個球員都是一個節點，每個傳球都構成了球員之間的聯繫。使用您經過的網絡來識別網絡模式，例如二元和三元配置和團隊組成。還要考慮遊戲中的其他結構指標和網絡屬性。你應該
[1]該數據集來自一個更大的數據集，涵蓋了來自五項歐洲國家足球比賽以及2018年世界盃的近2000場比賽[1]。
• 確定反映成功團隊合作的績效指標（除了得分或獲勝之外），例如比賽類型的多樣性，球員之間的協調或貢獻的分配。您還可以考慮其他團隊級別的流程，例如適應性，靈活性，節奏或流程。弄清策略是普遍有效還是取決於對手的反策略可能很重要。使用已確定的績效指標和團隊級別的流程來創建一個模型，以捕獲團隊工作的結構，配置和動態方面。
• 利用從團隊合作模型中獲得的見解，向教練告知哪種形式的結構策略對愛斯基摩犬有效。就網絡分析 表明他們應該在下個賽季做出以改善團隊成功的變化向教練提供建議。
• 對哈士奇犬的分析使您可以在團隊運動的受控環境中考慮小組動力。理解使某些羣體的表現優於其他羣體的複雜因素，對於社會的發展和創新至關重要。隨着我們的社會越來越多地解決與團隊有關的問題，您能否概括一下您的發現，以說一下如何設計更有效的團隊？開發團隊績效的通用模型還需要捕捉團隊合作的其他哪些方面？
您提交的內容應包括：
•一頁摘要表
• 目錄
•您的解決方案不超過20頁，最多包含摘要和目錄的22頁。
注意：參考列表和任何附錄不計入頁數限制，應在完成解決方案後出現。您不應使用未經版權法限制使用的未經授權的圖像和材料。確保您引用了想法的來源以及報告中使用的材料。
附件
2020_Problem_D_DATA.zip
fullevents.csv matchs.csv傳遞events.csv README.txt
詞彙表
二進位配置：涉及成對玩家的關係。
三合一配置：涉及三個參與者的組的關係。
Cited Reference
[1] Pappalardo, L., Cintia, P., Rossi, A. et al. A public data set of spatio-temporal match events in soccer competitions. Sci Data 6, 236 (2019).
Optional Resources
Research in football (soccer) networks has led to many articles that discuss related topics. A few articles are listed below. You are not required to use any of these sample articles in your solution, nor is it a comprehensive list. We encourage teams to utilize any journal article that supports their approach to the problem.
Buldú, J.M., Busquets, J., Echegoyen, I. et al. (2019). Defining a historic football 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 football teams. 2015 IEEE International Conference on 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 in Football. Turkish Journal of Sport and Exercise, 20 (3), 263-272.