Big data i fodboldscouting

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.  

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. 🤷🏻‍♂️