VM 2014 vundet med big data

“Big data”. Ugens fodboldblog kommer til at have en lidt mere markant IT-vinkel på sig, end den måske plejer. Men det er helt med vilje – for ”big data”, som fænomenet, hvor man indsamler en masse, masse data, til at gøre sin præstation bedre. Emnet er sindssygt bredt, men vi tager hul på det her i dag. Dette bliver muligvis til en lidt længere seance af skriv, der kommer her på siden over de næste måneder.

“Big data” bruges af alle aktører i sportens verden. Fodboldens paraplyorganisationer som fodboldforbund, spillerforeninger, divisionsforeninger og –organisationer; fodboldspillere og deres trænere (især); og måske i største grad af bettingselskaberne rundt om i verden. En kæmpe milliardindustri i sig selv, bruger denne informationsindsamlingsteknik til både at score den største profit til selskabet selv, men også til at afsløre folk i at snyde eller til at afsløre eventuelle matchfiksere. Og så er der selvfølgelig tredjepartsaktørerne: statistikindsamlingsfirmaerne, der i særdeleshed bruger ”big data” – ja, måske er deres virksomheder bygget op omkring denne indsamlingsmetode.

Indsamlingsmetoden er banebrydende i mange sammenhænge, men måske i særdeleshed i sportsindustrien, som i virkeligheden er en underholdningsindustri, har denne informationstankegang vundet indpas over de sidste 3-5 år. Det er gået fra at være en nichetilgang til spillet, til i dag at være allemandseje og selv sofaseeren kan få adgang til uendelige rækker af data, som de så selv kan bruge til dét de vil og give dataene deres egen vinkel på kampen, på situationen, på begivenheden.

FC Midtjyllands nye ejer, Matthew Benham, har også sat nye standarder i en dansk kontekst på dette område. Matthew Benham har faktisk jagtet spillere med denne tilgang til fodbolden, via hans bettingfirma Smartodds. Her er der 70 analytikere ansat til at kigge al statistik igennem og derefter analysere denne. Der har også være historier om, at efter man har fået Matthew Benham ind i FC Midtjylland skal trænerteaemet på sigt have statistik med sig under kampen, som de så derefter kan agere efter på baggrund af kampens forløb og dennes hændelser.

Og apropos hændelser i en fodboldkamp, har fodboldanalysefirmaet Prozone tidligere sagt, at der er mellem 2.000 og 3.000 hændelser i en fodboldkamp. Totalt set, hvis man tager de fleste aktioner med. Men tager man eksempelvis alle vendinger, retningsskift, temposkift, accelerationer (og niveauer, retninger og så videre i alle disse aspekter), tror jeg vi rammer over godt 5.000 forskellige mængder af data.

At indsamle så mange data omkring en spiller, en kamp, en hændelse i kampen (og måske omkring en specifik spiller) er ikke blot en dårlig undskyldning for at gøre tilgangen til fodbolden mere videnskabelig eller akademisk – men det er også en metode til at indsamle og forstå data (og ikke mindst hvorledes man kan bruge dette bagefter selve kampen er spillet).

Hvis du ikke er blevet grebet af “big data” endnu, og ikke har set alle de spændende synsvinkler og perspektiver i dette fænomen, så kan følgende måske endda overbevise dig.

Et af de bedste, og mest aktuelle eksempler, hvorpå man (måske) kan konkludere at “big data” har virket i praksis, er Tysklands Verdensmesterskabssejr over Argentina i finalen i Rio i sommers. Tyskland bruge under sommerens VM-slutrunde et analyseværktøj, der hedder Match Insights – et system, udviklet af den tyske softwaregigant SAP AG, og som kan optage flere tusind datapunkter pr. sekund (!!!). Alt sammen styret via kameraer placeret rundt omkring banen (i øvrigt meget som man kender det fra andre kampanalyseprogrammer som både hold i Superligaen og Premier League benytter sig af). Match Insights kan måle alt fra spillerplaceringer, retningsskift, temposkift, løbe- og accelerationshastigheder og nærmest alt mellem himmel og jord. Match Insights indsamler flere hundrede-millioner datapunkter på bare én kamp, og al data sendes til SAP AGs kæmpe statistikdatabase, hvori trænere, holdledere og andre fagfolk kan lave målrettede, og egenproducerede, analyser til spillerne og til deres feedback. Og feedbacken kommer endda på alle tænkelige enheder, også mobile enheder og tablets.

Noget af dét som Tyskland (og DFB, det tyske fodboldforbund) konkret brugte Match Insights til, var at skære de individuelle spilleres tid på bolden ned. Altså, skulle tiden, hvor hver enkelt spiller havde bolden i fødderne, skæres ned og blive så minimal så muligt – for derfor at tvinge spillet op i et generelt højere tempo.

Faktisk blev den gennemsnitlige boldbesiddelsestid for hver enkelt spiller skåret ned fra 3,4 sekunder til 1,1 sekund. Via systemet fik hver enkelt spiller visualiseret de ting, de hver i sær skulle forbedre, og derved kunne spillerne tage feedbacken med ud på banen til næste træning og kamp.

Og virkede dette så? Ja, man kan insinuere det i hvert fald: Da Tyskerne kørte Brasilien over med 7-1 i semifinalen scorede tyskerne tre af målene inden for 179 sekunder!

Faktisk havde Brasilien bolden i 52% af tiden i den kamp, men tyskerne, til trods for den lavere andel i boldbesiddelsen, spillede bare bolden signifikant hurtigere rundt for derved at skabe huller i Brasilianernes forsvar. Det lykkedes, kunne man sige…

Systemet, altså Match Insights, kan også bruges til at lave individuelle målsætninger for hver enkel spiller i løbet af kampene, og derefter kan træneren eller holdlederen sende resultatet, samt udvalgte statistikker, til hver enkelt spiller på deres mobile enheder. F.eks. hvis en træner ville have spiller A til at løbe hurtigere, når han vendte 180 grader med bolden, eller hvis han ville have ham til at spille bolden 5 gange fremad til højre med det dårlige ben, så havde Match Insights samlet alle klip, hvor spilleren lykkedes eller mislykkedes med netop hans specifikke mål og så kan den respektive spiller modtage netop denne statistik samt alle klippene.

At Match Insights indsamler alle disse millioner og atter millioner af data er én ting. Men måden at viderebehandle og overlevere data til modtageren/kunden er en anden ting. For der er rigtig mange firmaer, og klubber, der har adgangen til førstnævnte – men at demonstrere og viderebehandle, samt at få en statistisk fordel ud af alle disse data, er der knapt så mange, der formår. Både på klub- og landsholdsplan.

Match Insights er også et af de systemer, der kan måle, og visualisere, spilleres og holds positionelle areal og hvor meget hver enkelt spiller (eller hold) står og løber mest. F.eks. brugte Tyskernes forsvarsspillere systemet til at analysere Christiano Ronaldos løbebaner, hvordan han kom ind i feltet og hvordan han modtog bolden på banens midterste tredjedel. Alt sammen, igen, for at få en fordel i form af “big data” og indsamlingen heraf.

Inden, og under VM, var Tysklands landshold (og dermed DFB) det eneste landshold, og klubhold for den sags skyld, der kunne bruge Match Insights – men SAP AG vil i fremtiden blive mere kommercialiseret og mere udbredt i både klub- og landsholdsfodbold, det er jeg helt overbevist om. Og måske allerede fra 2015.

Før i tiden havde DFB faktisk haft mange, nærmest umenneskeligt mange, universitetsstuderende siddende til alle Tysklands landskampe for at indsamle og analysere data.

Ovenstående fortælling omkring Tysklands “big data”-VM-sejr er vel i virkeligheden fortællingen om, hvorfor “big data” og sport overhovedet er relavant. Netop for at få den lillebitte sandsynlige fordel fra start af kampen, som modstanderen ikke kan have. Den viden, man kan opnå, hvis man kan finde ud af at indsamle, analyserer og præsentere al denne data, er nærmest ubetalelig.

“Big data” er kommet for at blive – og man har brugt det i årevis i England og i de seneste 5-7 år i Danmark (på lavere niveau) – og udviklingen vil kun gå én vej. Fremad. 

Næste
Sofabold.dk
Alle logoer tilhører de respektive klubber, turneringer, forbund og TV stationer - © Sofabold 2011-2020
Vi gør opmærksom på, at alt info er vejledende og TV kanalerne kan lave sidste minuts ændringer. 🤷🏻‍♂️