Club Brugge: Ondersteuning van voetbaltactiek door visualisatie van bewegingsdata
Data-analyse in het voetbal: iedereen Marc Wilmots?
In de zomer van 2014 kleurde heel België rood en leefde jong en oud vol verwachting toe naar de deelname van ons klein landje op het WK voetbal. Niet alleen de prestaties van de voetballers zelf, maar ook de manier waarop elke wedstrijdfase geanalyseerd werd, zijn op zijn minst bewonderenswaardig te noemen. De tijd dat op televisie naar het voetbal kijken een passieve activiteit was, ligt ver achter ons. Veel kijkers geven graag commentaar op elke actie, al dan niet gebruik makend van sociale media. Bovendien zijn er honderd en een mogelijkheden voor de voetballiefhebber om zelf een favoriete opstelling te maken, om het aantal schoten van je favoriete spits te bestuderen, en ga zo maar door. In België biedt de website van Sporza verschillende programma’s waarbij de heatmap wellicht de meest in het oog springende is. Ooit al eens willen weten hoe het komt dat de spelers van F.C. Barcelona altijd als bijen rond de verdedigers van de tegenstander lijken te zoemen? Of waarom Real Madrid er altijd in slaagt om zo snel aan de overkant van het voetbalveld te geraken? Een glimp (in de bijlage) op de heatmaps van beide ploegen leert ons meteen dat de kleine vleugelaanvallers van Barcelona tijdens een wedstrijd veel meer horizontaal bewegen, terwijl het sterrenelftal van Real Madrid zo snel mogelijk de achterlijn wil halen. Er is blijkbaar een enorme hoeveelheid aan gegevens aanwezig voor de voetbal-analist in elk van ons. Waar komen al deze gegevens vandaan? Hoe betrouwbaar zijn ze? Op welke manier kunnen we uit de opgestelde visualisaties informatie halen die nuttig is voor een trainer? Stap mee in de voetsporen van een data-analist om het te ontdekken!
Video-analisten, die het beeldmateriaal van elke voetbalwedstrijd uitgebreid analyseren, bestaan al een tijdje, maar de laatste jaren maken ook data-analisten hun intrede in de topsport. Wat is nu net de taak van zo een data-analist? Elke analyse start met het verzamelen van gegevens, met als doel uit al deze gegevens nuttige informatie te halen om de prestaties van de ploeg te verbeteren. Deze gegevens, ook nog data genoemd, kunnen van allerlei bronnen afkomstig zijn. Zo kan tijdens een voetbalwedstrijd zowel de hartslag, de positie op het veld als de vermoeidheid van een speler opgemeten worden. De heatmaps, bijvoorbeeld, maken gebruik van de positie van een speler tijdens een wedstrijd. Data-analisten gaan op zoek naar spelpatronen in wedstrijden of onderzoeken in welke formatie hun ploeg de beste resultaten haalt. Een aantal mogelijke conclusies zijn bijvoorbeeld dat een ploeg meer kans heeft om te scoren als een hoekschop kort genomen wordt of dat trainers best hun eerste wissel doorvoeren voor de 58e minuut indien hun team aan het verliezen is.
Het is niet omdat we alle data hebben, dat we deze meteen kunnen gebruiken. Zo is er bij grote hoeveelheden data vaak ‘vuile’ data aanwezig: data die waarden aannemen die het eigenlijk niet zou mogen aannemen. Denk hier maar aan een voetballer die plots twee keer sneller zou lopen dan Usain Bolt doordat sommige meetpunten zeer hoge waarden aannemen. Maar hoe kun je dan gaan kiezen wat ‘goede’ en wat ‘slechte’ data is? Hiervoor bestaan er geavanceerde wiskundige modellen, die data met een bepaalde zekerheid beschouwen. Dat zorgt ervoor dat data kunnen gezien worden als ‘onbekend’ tot ‘absoluut zeker’. Een mogelijke manier om vervolgens aan data-analyse te doen is het opstellen van een visualisatie, waarin informatie zichtbaar is. Om de visualisaties op te stellen wordt gewerkt met alle data die zo ‘zeker’ mogelijk is. Zo een visualisatie kan dan bijvoorbeeld gebruikt worden om na te gaan hoe de hartslag van een speler tijdens een wedstrijd verloopt of hoe de speler zich over het veld verplaatst.
De laatste stap is in zekere zin de moeilijkste, maar tegelijk ook de belangrijkste stap en bestaat er in om uit de opgestelde visualisaties conclusies te trekken die relevant zijn voor de trainers. Voor een trainer is het niet voldoende om mee te delen dat zijn verdediger elke wedstrijd tijdens “de laatste vijf minuten van de eerste helft een te hoge hartslag heeft”, maar is het wel belangrijk om na te gaan wat de reden hiervan is.
Trainers halen er natuurlijk het meeste voordeel uit indien deze informatie hen zo snel mogelijk bereikt, liefst tijdens de wedstrijd zelf nog. Zo maakte de technische staf van de Spaanse voetbalclub Atletico Madrid al eens gebruik van de Google Glass om wedstrijdstatistieken op te vragen en de ploeg bij te sturen. Aangezien er momenteel binnen de FIFA hierover nog geen reglementeringen zijn, werd er in de media weinig aandacht aan besteed. Maar binnen de wielerwereld zorgde de introductie van een andere technologie, de befaamde ‘oortjes’, wel voor een schokgolf. Managers waren plots in staat om live aan hun renners door te geven wanneer ze in de aanval moesten gaan. Met al de miljarden die in de voetbalwereld circuleren is het maar de vraag hoe lang het nog zal duren vooraleer dergelijke technieken ingeburgerd geraken…
Het is dus zeker niet overdreven om te stellen dat er een stijgende interesse is voor de informatie, verkregen door toepassing van analysetechnieken. Om af te sluiten laten we nog even Gert Verheyen, momenteel coach bij de beloften van de Rode Duivels, aan het woord, nadat we hem vroegen waarom het belangrijk is om naast het ‘buikgevoel’ van een trainer ook te beschikken over een objectieve manier om beslissingen te ondersteunen:
“Vertrouwen op perceptie is gevaarlijk. Als trainer denk je vaak van een speler dat hij er moe uit ziet, maar misschien kan hij nog gemakkelijk doorgaan; aan een andere speler zie je niets maar hij zit wel kapot. Op dat moment moet je beslissingen nemen die het verdere verloop van de wedstrijd beïnvloeden.” – het risico van het vak!
