Sofabold.dk

Det bedste overblik over LIVE sport på TV.

Hent i App Store Nu på Google Play
Hent i App Store Nu på Google Play

Big data i fodboldscouting

Martin Dalskov, 30. november 2014 klokken 09:23 (Fodbold)

I sidste uge startede jeg på en ny serie her på sitet. En serie om informationsindsamlingskonceptet ”big data”, som i alt sin enkelthed går ud på den deduktive informationsindsamlingsteknik, hvor man indsamler en stor mængde data for bagefter at analysere sig frem til resultatet, i stedet for først at finde ud af, hvad man vil undersøge og så bagefter indsamle data hertil.

I sidste uge skrev jeg om, hvorledes Tyskland og dets fodboldforbund, DFB, vandt Verdensmesterskabet i Brasilien ved hjælp af big data-indsamling via kampsystemet Match Insight. Her så jeg på, hvorledes man kunne bruge dette dataindsamlingsværktøj i et fodboldforbund og som en organisations værktøj til at optimere sin egen præstation på banen.

I dag skal det handle om fodboldscouts og sportsscouts i det hele taget. Men selvfølgelig har jeg udgangspunktet i fodbolden. Hvorledes bruges big data i scoutingsystemet og hvor stor ændring er der i metodetilgangen i dag i forhold til blot 10-20 år siden inden for scoutingverdenen? Dette er blandt andet spørgsmål, jeg vil forsøge at besvare i dagens blog.

Scouting kan helt kort defineres som den proces, hvor en klub, træner, leder eller en uvildig fodboldkyndig person, kigger efter en specifikt defineret spiller, som man på sigt sandsynligvis vil tilknytte organisationen. Selvfølgelig kan definitionen også være bredere, men dette er et godt udgangspunkt at starte ud fra.

Selvom DBU og UEFA i dag har sine egne scoutinguddannelser indenfor fodboldens verden, er der ingen tvivl om, at dette ikke er en eksakt videnskab. Det er faktisk lidt ligesom at være træner for et fodboldhold. Der findes ikke én måde, hvorpå man kan sikre sig, at man gør det rigtige og hvorpå man sikrer sig, at man udfører de korrekte dispositioner hver gang. Det er simpelthen umuligt.

Og med dette i baghovedet har man i nærmest hundredevis af år forsøgt at bestræbe sig på netop dette: at finde en metode, hvorpå man kunne sikre sig, at man altid fandt de bedste spillere, ud fra de forudsætninger og ressourcer, man havde.

Der er ingen tvivl om, at man for 10-20 år siden stolede markant mere på sin intuition, end man gør i dag, når man tjener sine penge som scout i en fodboldklub. For generationer siden var det ikke engang sikkert og vidst, at man havde en papirsblok med ud, når man kiggede spilleren eller spillerne efter i sømmene. Dengang huskede man det bare. Og man havde sandsynligvis ikke set spilleren mere end 3-8 gange, før end man bestemte sig for om det var ham, eller hans ven, der skulle tilbydes aftalen.

I det seneste årti, eller deromkring, har scouting vundet mere og mere ind. Det er selvfølgelig noget, der altid har været i fodboldens verden, men det har virkeligt intensiveret det seneste årti.

Man har tidligere sagt at scouting mest af alt var en kunstform, at kunne se de lysende talenter og signe de rigtige spillere. I dag er det mest af alt en videnskab – eller det er på vej til at blive det. Årsagen til dette paradigmeskifte er netop brugen af big data.

For år tilbage skulle en fodboldscout rejse rundt til den geografiske lokation, hvor en given kamp fandt sted. I dag, kan han sidde derhjemme på kontoret og få alle former for data stukket i hånden via tredjepartsleverandører, og han behøver ikke engang se kampen. Han kan i det mest ekstreme tilfælde kigge udelukkende på de data, der kommer fra en given fodboldkamp i en liga langt fra hans hjem.

I Financial Times har det blandt andet kunne læses at Londonklubben Chelsea FC jævnligt får over 32 millioner datapunkter hjem til analyse, fra 15 forskellige europæiske ligaer. Og det var 32 millioner datapunkter! Udover det scoutingkorps som en hver Premier League-klub har repræsenteret i forskellige geografiske regioner på planeten, får de altså data fra en tredjepartsleverandør.

Chelsea FCs ”Performance director”, Mike Forde, (jeg ved ikke lige hvad den danske oversættelse er), har udtalt ovenstående og jeg er 100% sikker på, at Chelsea ikke er den eneste fodboldklub i Verden, der har disse forhold aktuelle.

At bruge big data i scoutingverdenen, er også en måde at kvantificere sandsynligheden for at et bestemt talent slår igennem. Følger man en spiller i dag igennem 20-30 kampe og træninger, og samler man data fra samtlige hændelser, får man et rigtig fint billede af, hvad det er spilleren er god til, og hvad han kan arbejde videre med. Dermed kan man få nogle sandsynligheder på hans nøgleaktioner, som f.eks. kunne være, hvornår en central forsvarsspiller laver en afgørende clearing 1v2 i eget felt eller lignende. Noget der er sindssygt afgørende for, om man kan forsvare 1v2 osv. Dette værktøj kan man så bruge til at kvantificere sine egne holdninger og meninger om spilleren. For der kan være et stykke vej fra dét billede man har en given spiller, til dét uddataet rent faktisk viser.

Som jeg også nævnte i sidste uges blog, hvor jeg startede på denne serie om big data i moderne topfodbold, så er FC Midtjylland i øjeblikket den førende spiller herhjemme inden for brugen af big data. Andre klubber er også kommet med, og nogle er slet ikke, men det er klart Ulvene fra Herning, der har førertrøjen på lige pt.

31. August i år kunne man på FC Midtjyllands site læse, at klubben fremlagde en ny strategi. En ny strategi for, hvordan man ville drive forretningen i seniorafdelingen, men også en ny strategi for, hvorledes man ville rekruttere nye spillere til ungdomsholdende, og dermed også til seniorholdet. Her skrives det, at man via den nye ejers firma ”Smart Odds” (Uden dog at nævne Smart Odds i presseteksten, hvilket i øvrigt er flot!), får dataindsamlinger fra over 60 ligaer Verden over, og dermed kan få et bredt billede af, hvad for nogle uforløste talenter, der render rundt i forskellige ligaer. Man skriver dog ligeledes, blot for at helgardere sig selv, at ”big data ikke skal erstatte trænerne og lederne i klubben”.

At bruge big data i scoutingprocessen er også en måde, hvorpå man kan objektivisere hele billedet af en spiller. Ligesom med en skriftlig eksamen i folkeskolen eller på universitetet, kan én opgave blive bedømt til 02 og én opgave kan blive bedømt til et 10-tal – alt sammen afhængigt af øjnene, der ser. Og analogien er direkte overførlig til ungdomsspillere. Èn scout kan have ét syn på én spiller, og en anden scout kan have et helt andet syn på den selv samme spiller (selvfølgelig under forudsætningen om, at spilleren passer ind i klubben, spillestilen og så videre).

At kigge på rå uddata skaber også et sammenligningsgrundlag, der er ufravigeligt. Man kan sidde en gruppe af fodbolduddannede personer i en Superligaklub og kigge på den samme 60-sekunders lange videosekvens af et muligt talent, og komme frem til vidt forskellige konklusioner. Kigger man på de samme uddata, er dette grundlag ufravigeligt! (Især hvis data er indsamlet over mange omgange!).

Mange fodboldkendere, uanset fagligt niveau, har utvivlsomt stiftet bekendtskab med et fodboldspil ved navn ”Football Manager”. Hvis du har læst hele vejen til dette afsnit og undervejs har tænkt tanken omkring netop dette spil, kan jeg faktisk godt forstå dig. Før man kendte big data som et begreb her i Danmark, har man kunne læse utallige steder, at scoutingverdenen var ved at blive som i Football Manager. Man satte tal på det hele, og derudfra hentede man den bedste spiller til sit eget system. Det er vel i virkeligheden også sådan det er. Nu har man bare et akademisk begreb, som vi nu har lært betydningen af.  





Andre blogindlæg af Martin Dalskov:

02. oktober 2016
25. september 2016
04. september 2016
28. august 2016
21. august 2016
17. juli 2016
10. juli 2016
03. juli 2016
26. juni 2016
19. juni 2016
12. juni 2016
08. maj 2016
01. maj 2016
17. april 2016
10. april 2016
27. marts 2016
20. marts 2016
13. marts 2016
06. marts 2016
28. februar 2016
21. februar 2016
14. februar 2016
07. februar 2016
31. januar 2016
24. januar 2016
17. januar 2016
10. januar 2016
03. januar 2015
20. december 2015
13. december 2015
06. december 2015
29. november 2015
22. november 2015
15. november 2015
08. november 2015
01. november 2015
18. oktober 2015
11. oktober 2015
04. oktober 2015
27. september 2015
13. september 2015
06. september 2015
30. august 2015
23. august 2015
02. august 2015
26. juli 2015
19. juli 2015
12. juli 2015
28. juni 2015
21. juni 2015
14. juni 2015
07. juni 2015
31. maj 2015
25. maj 2015
17. maj 2015
10. maj 2015
03. maj 2015
05. april 2015
29. marts 2015
22. marts 2015
15. marts 2015
08. marts 2015
01. marts 2015
22. februar 2015
15. februar 2015
08. februar 2015
01. februar 2015
18. januar 2015
11. januar 2015
04. januar 2015
14. december 2014
07. december 2014
23. november 2014
16. november 2014
09. november 2014
02. november 2014
26. oktober 2014
19. oktober 2014
21. september 2014
14. september 2014
07. september 2014
31. august 2014
17. august 2014
10. august 2014
03. august 2014
27. juli 2014
20. juli 2014
13. juli 2014
06. juli 2014
22. juni 2014
15. juni 2014
08. juni 2014
01. juni 2014
25. maj 2014
18. maj 2014
11. maj 2014
20. april 2014
13. april 2014
06. april 2014
30. marts 2014
23. marts 2014
16. marts 2014
09. marts 2014
02. marts 2014
23. februar 2014
16. februar 2014
09. februar 2014
02. februar 2014
19. januar 2014
12. januar 2014
05. januar 2014
15. december 2013
08. december 2013
01. december 2013
24. november 2013
17. november 2013
10. november 2013
03. november 2013
27. oktober 2013
20. oktober 2013
13. oktober 2013
06. oktober 2013
29. september 2013
15. september 2013
08. september 2013
01. september 2013
18. august 2013
10. august 2013
28. juli 2013
21. juli 2013
30. juni 2013
23. juni 2013
16. juni 2013
02. juni 2013
26. maj 2013
19. maj 2013
12. maj 2013
05. maj 2013
28. april 2013
21. april 2013
14. april 2013
07. april 2013
31. marts 2013