De hoeveelheid verzamelde data in voetbal stijgt. Camerasystemen volgen tegenwoordig de posities van spelers in het veld, topsporters dragen sensoren onder hun sportkleding en er worden applicaties ontwikkeld om inzicht te krijgen in blessurerisico’s. De vraag naar sportanalisten bij sportclubs neemt hierdoor toe. Er worden vandaag de dag steeds vaker afdelingen opgezet bij sportclubs die gericht zijn op het analyseren van statistieken en data om zo concurrentievoordeel te behalen ten opzichte van andere clubs.
De opkomst van data in sport
Dat de wereld van data en sport steeds meer naar elkaar toegroeit, blijkt uit het toenemende aantal initiatieven. De eerste data-initiatieven in de sport laten veelbelovende resultaten zien. Zo liep de Keniaan Eliud Kipchoge de snelste marathontijd ooit door het juiste parcours uit te zetten om zo geen snelheid te verliezen en uit de wind te blijven. Of wat dacht je van de voetbalclub FC Midtjylland? Deze club werd met behulp van data kampioen van Denemarken.
Tracking systemen
Om data van spelers te verzamelen, wordt er in de voetbalwereld gebruik gemaakt van tracking systemen. Deze statistieken worden vervolgens gebruikt om de prestaties van zowel het team als individuele spelers te verbeteren en ontwikkelen. De eerste tracking-systeem-methode heet ‘Optical tracking’. Bij deze methode worden camera’s langs de voetbalvelden geplaatst en worden alle bewegingen vastgelegd. Iedere tien seconden wordt de locatie van een speler en de bal op de x- en y-as van het veld gemeten. Dat levert per wedstrijd zo’n 2 tot 3 miljoen datapunten op waarmee sportanalisten aan de slag kunnen. Met deze ingewonnen data wordt ‘event data’ vastgelegd. Hierin worden alle doelpunten, assists, doelpogingen, tackles, passes, dribbels en balveroveringen in kaart gebracht.
De tweede methode heet LPM (local position measurement). Spelers dragen een zender onder hun shirt om de looplijnen, de ruimtes tussen de spelers en ook het aantal afgelegde meters in het veld vast te leggen. Dit systeem wordt niet alleen bij voetbal gebruikt, maar ook bij schaatsen om de bewegingen van schaatsers vast te leggen. Een groot voordeel van deze manier van meten is dat je ook de mogelijke blessurerisico’s kunt inschatten.
Data mining en algoritmes
Met de eerdergenoemde tracking systemen is in het voetbal bergen aan data verzameld. De uitdaging is om met deze data aan de slag te gaan. Voetbal is in vergelijking met bijvoorbeeld honkbal een veel complexere sport. Er gebeuren ontzettend veel dingen tegelijk op het veld: de posities zijn flexibel, balbezit is niet beschermd en er wordt veel minder gescoord. Maar toch kun je statistieken gebruiken en daarom is de techniek ‘data mining’ een logische stap. Door gebruik te maken van deze techniek kan een computer vaststellen waar in de data interessante patronen opduiken.
Door met algoritmes te werken, kan men continu afwegen welke combinaties lijken te werken, maar ook of die vaak genoeg voorkomen om relevant te zijn. Dankzij deze informatie kunnen tactische verbeteringen kunnen worden doorgevoerd. Echter, de context waarin dit wordt toegepast blijft belangrijk. Het patroon kan bijvoorbeeld overduidelijk aangeven dat de bal in de hoeken van het speelveld moet komen. Maar wat de computer met deze patronen ontdekt, is geen spontane spelsituatie: het zijn corners. Ondanks dat deze informatie weinig toevoegt, bevestigt het wel dat het algoritme werkt.
Sport-dataplatforms
Door de opkomst van grote hoeveelheden aan data in de sport, moet men waken voor een overload aan informatie. Het is belangrijk om hier de relevante inzichten uit te halen. Hier komen sport-data platforms aan bod die het mogelijk maken om data integraal te verzamelen, slim te analyseren en te delen met anderen. Deze data kan gevisualiseerd worden aan de hand van dashboards. Door middel van een tool zoals Soccerlab kunnen coaches, sportteams en sporters zelf data inzien en dit gebruiken om slimmer te sporten, bruikbare feedback te verkrijgen en prestaties te verbeteren.
Het belang van data in voetbal
De ontwikkelingen op het gebied van data-analyse hebben niet stilgestaan. Kunstmatige intelligentie (AI), data science en machine learning hebben bijvoorbeeld hun intrede gemaakt in de sportwereld. Door deze technieken te gebruiken kunnen onzichtbare ontdekkingen worden gedaan en voorspellingen worden gemaakt. Deze ontwikkelingen zorgen voor verbeteringen in:
- De prestaties van spelers;
- De speelkwaliteit van een team;
- De individuele risico’s voor blessures;
- Waardoor concurrentievoordeel behaald kan worden.
Iedereen kan data verzamelen, maar als men niet in staat is om de betekenis uit te leggen achter hoe dit een speler, het team of de club kan helpen verbeteren, dan is de data nutteloos.