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

Kan big data erstatte cheftræneren og hans team?

Martin Dalskov, 07. december 2014 klokken 09:23 (Fodbold)

De sidste par uger, har jeg haft mit fokus på brugen af big data i moderne fodbold. Og tendensen går kun én vej, nemlig opad i brugen heri. I dag fortsætter jeg serien herom, og i dag er mit hovedfokus på et af de mest centrale spørgsmål i hele debatten om big data i moderne fodbold: ”Kan big data helt erstatte den topprofessionelle træner på sidelinjen?”.

Når ovenstående spørgsmål er rejst, leder det også tankerne hen imod den dualisme der ligger i den menneskelige, subjektive dømmekraft versus de rå data og de objektive facts.

 Jeg har flere gange før skrevet om det geniale fodboldanalyseprogram Prozone. Programmet bliver brugt af over 300 klubber på verdensplan, inklusiv alle klubber i den engelske Premier League, og kan give alt fra live- og postanalyser under træning og kamp til analyseteamet i klubben, men det kan endnu mere. Og dét skal jeg blandt andet uddybe længere nede.

Et engelsk forskningsprojekt, som netop havde Prozone som partner, viste, at havde man 10 fodboldspillere og gav dem 3 bolde i 10 minutter, ville dette resultere i mere end 7.000.000 datapunkter, som analyseprogrammet så kunne kæmpe sig igennem. 

Tyske TSG Hoffenheim er en af de klubber, der netop lægger enorm vægt på big data og objektiv dataindsamlingsteknikker i dagligdagen. I de senere år har Hoffenheim begyndt at påsætte sensorer på alt fra spillerne til målstolperne og bolden. Ja, simpelthen alt har en sensor inkorporeret. Det er med ét klart formål: at kunne tracke alt, hvad der foregår i den daglige træning. Og det hele er live, vel at mærke.

Spillerne har for eksempel en sensor på hver lægmuskel, og på denne måde kan analysestaben i klubben sidde og følge med i træningen live, og se, hvor hver enkelt spiller fortsat kan udvikle sig. Hopper spilleren højere med et et-bensafsæt til et hovedstød med det venstre ben, end han gør det med højre? Accelerere han altid på det samme ben, uanset hvorledes den specifikke spilsituation ser ud? Og hvilken vej skal spilleren løbe i et specifikt angivet spilmønster, så han og holdet præsterer optimalt? Det er sådanne spørgsmål, et analyseteam kan sidde og være medbestemmende i, når der er flere sensorer på alle spillerne.

 Når dette er beskrevet, er der naturligvis også en helt anden, og meget afgørende fordel, ved denne træningstilgang. Klubben er nemlig i stand til at tracke spillernes præstationer over tid, og med dette in mente, kan den fysiske stab have markant bedre muligheder for at opsnappe en måske kommende skade til en af spillerne, før end man ellers ville have opdaget den. Dette kan lade sig gøre, da spillerne jo trackes over tid, og ikke kun i kamp.

 Og netop her bliver fodboldklubbers skæbne tit afgjort.

Netop data og mange på hinanden følgende statistiske stikprøver for en given spiller, kan være afgørende for en fodboldklubs bestyrelsers beslutninger. Skal man købe Spiller A eller Spiller B? Det kan big data blandt andet være med til at beslutte.

For et af de helt essentielle succeskriterier i en elitær sportssammenhæng, er, om ens spillere er klar til træning og til kamp – og at de er dette så meget som muligt. Ved at tracke en spillers fysiske belastning (i forhold til hans kapacitetsgrad) over tid, kan man vurdere, objektivt, om han er så fysisk belastet, at han måske er ved at løbe ind i en skade. Og lige præcis bestyrelseslokaler og skadede fodboldspillere er en meget vigtig kombination. Hvordan, tænker du? Jo, hvis man gør fordele og ulemper op i kroner pr. kamp, så er det blandt andet sådan noget en velfungerende bestyrelse vil/skal kigge på. 

Ikke-spillende, dyre, fodboldspillere er en meget stor finansiel omkostning for hvilken som helst fodboldklub. Har man betalt dyre domme for en given fodboldspiller, vil man naturligvis gerne have noget igen fra selve investeringen. Men endnu værre er det, hvis investeringen ikke kan komme i kamp, og (måske) give noget tilbage til bestyrelsen eller ejeren af fodboldklubben.

Et af de mest velkendte eksempler på netop dette, er Jonathan Woodgate, som forlod Newcastle i Premier League i 2004 for at tage til Real Madrid. Sidstnævnte købte Woodgate for godt 125.000.000 DKK. Dette var et rigtig stort beløb for ti år siden. 

Jonathan Woodgate var i Real Madrid i 3 sæsoner, og da han forlod klubben i 2007, havde han blot spillet 9 kampe for klubben. Altså kostede han så at sige 13.888.888 DKK pr. kamp han spillede. Og dette er altså kun købsprisen, som Madrid betalte for at få ham – her er lønnen ikke medregnet.

 Og hvorfor er dette interessant? Jo, for Prozone har et helt unikt produkt. Et produkt, der via objektivt indsamlede data, kan fortælle klubejere eller klubinvestorer om hvor stor risiko der er, for at en given spiller bliver langtidsskadet, som f.eks. Woodgate blev det. Investeringen i Prozones teknologi (og produkt) er overhovedet ikke billig. Slet ikke. Men investeringen er billig set i forhold til, hvis man betaler dyre domme for en fodboldspiller, som der i stedet blot er skadet og samtidig skal have løn herfor. Derfor er Prozones produkt unikt.

Til trods for Prozones (og blandt andre også Tyske SAP, som jeg fortalte om for nogle uger tilbage) produkt er så unikt, har man valgt at gå ind i et marked, hvor konservatismen lever i bedste velgående. Den konservative tankegang er den man altid har brugt i trænerverdenen, og hvorfor skulle en topprofessionel, uddannet træner begynde at stole 100% på dataindsamlingsteknikker og firmaer, der kræver betaling herfor? Han kunne vel blot stole på sin egen mavefornemmelse?

Og dog. For det mest optimale er et eller andet sted en kombination heraf.

Jeg tror aldrig big data kommer til at erstatte cheftræneren, eller manageren. For der er én ting big data ikke kan: at motivere sine medarbejdere! Det er umuligt for dataindsamlingsfirmaer eller sensorer på spillerens krop, at motivere, engagere og give den daglige kontakt og tryghed, der også er mellem spiller og træner.

På den anden side, er der ingen tvivl om, at dataspecialister internt i de professionelle fodboldklubber bliver en stadig vigtigere figur! Og jeg er heller ikke i tvivl om, at det er en udvikling, vi kun ser mere til her i Danmark i de kommende år, ligesom supporterne i diverse klubber vil kunne genkende dataspecialister i deres yndlingsklub om nogle år.

Vi har igennem de sidste 3 uger været forbi bettingfirmaer, analysefirmaer, scoutingsystemer, tredjepartsleverandører til seeren i sofaen, Tysklands VM-triumf i Brasilien i år og FC Midtjylland, Chelsea, Hoffenheim, alle Premier League-klubber samt Prozone, SAP og Match Insight. Alle har én ting til fælles: De anvender big data i kampen om førstepladsen inden for deres område. For at få den sidste ekstra marginal på deres side, der gør at de kan trække sig sejrrigt ud af det næste opgør. Alt sammen for at optimere deres præstation.

Fodbold er gået fra at være mavefornemmelse til at være tal og hårdfine kalkuler.





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
30. november 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