xG kræver kontekst: Sådan får du bedre analyser af spillets mønstre

Hvordan kan du bruge kvantitative data til at forstå fodboldspillet? Hvad kan du bruge xG til – og hvornår kræver datapunktet flere nuancer? Hvordan kan data hjælpe trænere og analytikere til at identificere mønstre i spillet? Og lige så vigtigt: Hvordan imødekommer de faldgruber ved at arbejde med data? De spørgsmål får du svar på i denne episode af GameChanger, hvor Nicolai Fernández Pedersen, Head of Football Data Analytics hos Brøndby IF og ph.d. i deep learning (maskinlæring), og Thor Herdal, Head of Set Pieces & Football Analysis hos FC Nordsjælland, er i studiet. Podcasten tager udgangspunkt i kvantitative data knyttet til selve spillet – det vil sige eventdata og trackingdata, som registrerer handlinger og positioner på banen. Dermed afgrænser podcasten sig fra kvalitative analyser og fysiske data såsom GPS-målinger, pulsdata eller søvndata. Med afsæt i deres daglige arbejde i to danske topklubber diskuterer de, hvordan data kan bruges til at identificere mønstre i spillet, hvordan et udbredt nøgletal som xG kan bruges til mere end blot at tale som sandsynligheder. Det handler nemlig om kontekst, spillestil og taktik, og hvordan analyser omsættes til konkrete beslutninger i trænerstaben og på træningsbanen. Key-takeaways Kvantitative data kan hjælpe med at identificere mønstre i et komplekst spil og med at stille de rigtige spørgsmål, men de giver sjældent hele forklaringen alene. Det handler om at finde en gylden mellemvej mellem overordnede og specifikke data.  Data bliver først for alvor værdifulde, når de analyseres over tid. En enkelt kamp kan give et misvisende billede.  Data giver mest mening, når de sættes ind i en taktisk kontekst: Hvilken spilfase er situationen opstået i, og hvad forsøger holdet at gøre? Kombinationen af flere nøgletal – for eksempel xG og xT – kan give et mere nuanceret billede af, hvor og hvordan et hold skaber eller tillader chancer. Analysens værdi afhænger af oversættelsen fra datasprog til trænersprog, så indsigterne kan omsættes til adfærd, beslutninger og træning på banen.  »Garbage in, garbage out«: Du skal rense dine data, for datakvalitet er afgørende for analyserne. Den største faldgrube er at bruge data til at bekræfte en allerede eksisterende opfattelse. Læs mere om GameChanger og få mere indhold på gamechanger.nu