Den teknologiske udvikling har i løbet af de seneste to årtier fundamentalt forandret mulighederne for at analysere fodboldspillet. Trackingsystemer, GPS og video genererer millioner af datapunkter i hver eneste kamp – ikke kun om boldens bevægelser og retninger på banen, men også om spillernes positioner, løbemønstre og aktioner. Samtidig registrerer såkaldte eventdata, som blandt andre Opta leverer, hændelser såsom assists, skud og tacklinger med præcis tids- og positionsangivelse.

Tilsammen danner det grundlag for avancerede modeller, der kan bidrage til indsigt i spillets taktiske og tekniske aspekter, ligesom de giver nye (og uanede) muligheder for at analysere fodboldspillet.

I denne artikel får du et overblik over velkendte analysebegreber såsom Expected Goals (xG) og Expected Goals on Target (xGOT) samt datamodeller, som fortæller om spillernes positioner, og som kan give credit til andre end blot afslutteren. For eksempel Expected Assists (xA) og Possession Value.

Under hvert afsnit får du en begrebsafklaring, beregningsmetode, eksempler, og hvordan du kan bruge modellen i praksis. Og til sidst i denne artikel finder du en opsummerende tabel, der giver dig hurtigt overblik over databegreberne.

Men inden du læser videre, kommer her en vigtig pointe:

Med de millioner af datapunkter, som er tilgængelige, følger mange overvejelser. For selvom du har adgang til data, har du ikke nødvendigvis behov for at bruge dem.

Her er et par spørgsmål, du kan stille dig selv og reflektere over, inden du går på jagt i data:

• Hvilke data har vi – og hvilke mangler vi?
• Hvad mangler vi svar på? Og hvilke data skal vi bruge for at få svar?
• Hvad ved vi ikke i dag, som vi gerne vil vide?
• Hvad skal data bruges til – og hvem skal bruge den?
• Hvilken adfærd eller praksis ønsker vi at påvirke – og hvordan skal det følges op?

 
LYT TIL: Fra bestyrelseslokalet til fodboldbanen: Sådan gør du data til en medspiller

Expected Goals (xG): Sandsynlighed for scoring

Det er banalt, men rigtigt: Fodbold handler om at score flere mål end modstanderen. For at øge sandsynligheden for dette må et hold forsøge at skabe så mange scoringsmuligheder som muligt – og samtidig begrænse modstanderens.

Traditionelle kampstatistikker som antal afslutninger og afslutninger på mål giver en vis indsigt, men er en grov forenkling. De tager ikke højde for, hvor afslutningen er foretaget fra, vinklen til mål, antallet af modspillere mellem bolden og målet, eller typen af aflevering, der førte til skuddet.

Expected Goals (xG) er en model, der søger at forbedre denne forståelse. I stedet for blot at tælle afslutninger, forsøger xG at kvantificere kvaliteten af dem. Modellen angiver sandsynligheden for, at en given afslutning bliver til mål – på en skala fra 0 til 1. En afslutning med xG 0,70 vurderes altså til at give mål i 70 procent af tilfældene.

Hvordan beregner du xG?

Hver afslutning vurderes ud fra en række præ-skud-parametre, som kan inkludere:

• Afstand til mål
• Vinkel til mål
• Skuddets placering i målet (hvis tilgængeligt)
• Spillets kontekst (åbent spil, omstilling, dødbold)
• Afslutningstype (hovedstød, spark med højre/venstre fod)
• Assisttype (stikning, cutback, indlæg)
• Om spilleren er under pres
• Om det er en én-mod-én-situation.

 
Derudover anvendes forskellige modeller afhængigt af konteksten. Straffespark tildeles typisk en fast xG-værdi (0,79), da konteksten er standardiseret. Direkte frispark modelleres særskilt, og hovedstød vurderes forskelligt afhængigt af, om de opstår i åbent spil eller ved standardsituationer.

Et eksempel kan være, at en angriber modtager bolden på kanten af det lille felt efter en flad aflevering og afslutter første gang. Modellen vurderer skuddet til at have xG 0,70. Det betyder, at lignende skud typisk fører til mål syv ud af ti gange. En angriber, der konsekvent omsætter den slags chancer, scorer “som forventet”. Gør spilleren det oftere, tyder det på ekstraordinær kvalitet i afslutningsspillet.

En nuance er, at en afslutning fra kanten af feltet med pres fra en forsvarsspiller og en spids vinkel have xG 0,05, mens en flad aflevering skråt tilbage til en fri angriber midt i feltet kan resultere i en afslutning med xG 0,70.

Her kommer et eksempel mere, som godt nok er af ældre dato, men meget sigende:

Selvom Brasilien i VM-semifinalen 2014 havde flere afslutninger i alt og på mål end Tyskland, havde Tyskland de fire tætteste afslutninger på mål. Og alle fire førte til scoringer.

Lægger du en model for Expected Goals ned over afslutninger i kampen, vil Tyskland forvente 3,1 mål mod Brasiliens 1,7 mål.

Selvom Expected Goals ligger et stykke fra kampens udfald (Tyskland vandt 7-1), bringer Expected Goals alligevel et andet og måske mere retfærdigt billede af kampen end de klassiske statistikker.

Expected Goals Against (xGA): Forventede scoringer imod

Mens xG beregner, hvor mange mål et hold burde score på baggrund af de chancer, det skaber, måler Expected Goals Against (xGA) det modsatte: Hvor mange scoringer et hold forventes at indkassere, givet de chancer modstanderen skaber.

xGA anvendes i både hold- og keeperanalyse til at vurdere, hvor stor defensiv modstand et hold udsættes for – og hvor godt det håndterer disse situationer. Sammenlignes xGA med det faktiske antal indkasserede mål, kan man vurdere, om en keeper eller en defensiv struktur over- eller underpræsterer.

Her er et eksempel: Et hold med en xGA på 2,0, men som kun lukker ét mål ind, har statistisk præsteret bedre end forventet – enten på grund af keeperens redninger, defensive aktioner eller modstanderens ineffektivitet.

Hvad kan du bruge xG og xGA til i praksis?

Du kan bruge xG og xGA til at

• Vurdere holdenes samlede præstationer i en kamp eller over en sæson
• Analysere, om et hold er ineffektivt foran mål (underperformer sin xG)
• Evaluere, hvilke typer afslutninger og positioner der oftest fører til mål
• Sammenligne angribere på baggrund af chancer, de bliver sat op til
• Vurdere, hvor effektive et hold er til henholdsvis at skabe chancer og at forsvare sig. Scorer holdet højt på xG og lavt på xGA, præsterer holdet godt i begge ender af banen.

Et redskab med begrænsninger

Det er vigtigt at have in mente, at xG er baseret på historiske data og beskriver den gennemsnitlige spiller i en gennemsnitlig situation. Modellen tager ikke direkte højde for individuelle forskelle i afslutterens kvalitet eller spilintelligens, og her ligger noget af den centrale kritik.

For eksempel indgår afslutterens tekniske niveau eller beslutningsdygtighed ikke eksplicit i modellens udregning. En spiller, som gentagne gange scorer på relativt svære chancer, kan derfor “outperforme” sin xG over tid – men det ændrer ikke på, at xG stadig er et relevant værktøj til at vurdere, hvor mange mål en spiller eller et hold forventes at score på baggrund af afslutningernes kvalitet.

Expected Assists (xA): Assistens reelle værdi

Den klassiske kamprapport angiver antal assists – altså den sidste pasning før en scoring. Men en assist afhænger fuldstændig af, at afslutningen omsættes til mål. Det betyder, at en spiller, som lægger en aflevering til en fri afslutter, ikke tildeles assist, hvis afslutningen mislykkes.

Hvor xG måler afslutningens kvalitet, måler Expected Assists (xA) afleveringen, der skabte scoringschancen. Sammen giver de et billede af opbygningens effektivitet og afslutningens kvalitet.

Det er baggrunden for udviklingen af begrebet xA. Hvor en assist kun registreres, når bolden ender i mål, måler xA kvaliteten af den afleverede bold – uafhængigt af, om afslutningen fører til mål eller overhovedet bliver udført. Det gør xA til et mere retvisende datapunkt for en spillers evne til at skabe chancer.

Hvordan beregner du xA?

Expected Assists måler sandsynligheden for, at en aflevering fører til en scoring. Værdien af pasningen – mellem 0 og 1 – beregnes ud fra flere faktorer, blandt andet:

• Afleveringens type (stikning, indlæg, cutback, chip etc.)
• Afleveringens længde
• Position på banen, hvor afleveringen foretages og modtages
• Retning og vinkel på afleveringen
• Om modtageren er i gunstig position til at afslutte
• Hvor mange modspillere der er mellem bold og mål.

 
En aflevering, der skaber en stor chance tæt foran mål, vil derfor få en høj xA-værdi – også selvom afslutningen brændes eller slet ikke tages.

Et eksempel kan være, at en midtbanespiller spiller en stikning mellem to forsvarsspillere til en angriber i feltet. Angriberen modtager bolden i en gunstig position, men vælger at trække forbi keeperen og mister kontrollen. Afleveringen bliver ikke til assist, da der ikke scores – men da afleveringen fører til en chance med høj xG (eksempelvis 0,40), vil pasningen blive registreret med xA = 0,40.

Dermed anerkender xA den afleverende spillers evne til at skabe en oplagt scoringschance – og frakobler vurderingen af afleveringen fra afslutningens kvalitet. Expected Assists er derfor et redskab til at analysere og sætte tal på, hvem der skaber chancerne – ikke kun hvem der har sidste fod på bolden.

Hvad kan du bruge xA til i praksis?

Du kan bruge xA til at

• Evaluere spillere, som konsekvent skaber scoringsmuligheder – også uden at få credit i form af assists
• Identificere, hvilke afleveringsmønstre, positioner og spillere der skaber mest værdi offensivt
• Sammenligne holdets offensive effektivitet: Konverterer de chancer skabt gennem gode afleveringer?

Expected Goals on Target (xGOT): Afslutningens kvalitet

Hvor Expected Goals (xG) måler kvaliteten af den chance, der fører til en afslutning, går Expected Goals on Target (xGOT) skridtet videre og vurderer selve skuddet – når det rammer målet.

Med andre ord: Mens xG fortæller, hvad chancen burde blive til, fortæller xGOT, hvad spilleren formåede at gøre med chancen.

Du kan således se xG som en pre-shot-model, der estimerer scoringssandsynligheden før afslutningen udføres. Og du kan se xGOT som post-shot-model, som vurderer sandsynligheden for, at et skud, som er rettet mod målet, faktisk fører til scoring (baseret på, hvor bolden rammer i målet, hvor hårdt og præcist).

Hvordan beregner du xGOT?

xGOT-modellen er baseret på historiske data fra skud, der rammer inden for målrammen, og den kombinerer to centrale aspekter:

1. Skuddets oprindelige xG (hvor god chancen var, før skuddet blev taget)
2. Skuddets placering (eksempelvis om det er rettet mod hjørnet eller midt i målet).

 
Et skud placeret tæt op ad stolpen eller i hjørnet, vil få en højere xGOT-værdi end et skud, der går lige på keeperen – selvom de to skud har samme udgangspunkt (xG).

Et vigtigt princip i modellen er, at kun skud, der rammer inden for målrammen, tildeles en xGOT-værdi. Et skud uden for mål eller blokeret undervejs kan aldrig resultere i scoring, og derfor er sandsynligheden (xGOT) = 0.

Et eksempel kan være, at en angriber modtager bolden på kanten af feltet og afslutter fladt mod det lange hjørne. Skuddet rammer mål – tæt ved stolpen – og keeperen må strække sig maksimalt for at redde.

Skuddet vurderes før afviklingen til at have en xG på 0,10 – altså en relativt lav chance, når vi har afstand og vinkel in mente. Men fordi skuddet placeres præcist og hårdt mod det lange hjørne, får det en xGOT på 0,65. Det betyder, at afslutningen i sig selv havde høj scoringssandsynlighed – uanset den oprindelige chancekvalitet.

Expected Goals on Target Against (xGOT against): Forventede scoringer imod

Expected Goals on Target Against (xGOT Against) måler den samlede kvalitet af de skud på mål, som et hold eller en keeper står overfor. Hvor xGA baserer sig på alle modstanderens afslutninger – også dem, der går forbi eller bliver blokeret – ser xGOT Against udelukkende på skud, der faktisk rammer målet.

Denne model tager højde for præcision og placering i målet, og derfor er den særligt brugbar i keeperanalyse. Hvis en keeper over en periode indkasserer færre mål end summen af xGOT Against, indikerer det, at keeperen præsterer over forventet og redder skud, der statistisk burde resultere i mål.

Lad os tage et eksempel: Hvis en keeper over en kampserie har xGOT Against på 6,2, men kun har lukket fire mål ind, tyder det på høj redningsevne og stærk positionering.

Hvad kan du bruge xGOT og xGOT Against til i praksis?

Du kan bruge xGOT og xGOT Against til at

• Evaluere spillere i forhold til afslutninger: Eksempelvis en spiller, som konsekvent leverer høj xGOT i forhold til sin xG, demonstrerer god afslutningsteknik og evne til at ramme målet præcist
• Vurdere keepere: Ved at sammenligne mål indkasseret med xGOT against (imod) kan du vurdere, om en keeper over- eller underpræsterer. En keeper, der ofte redder skud med høj xGOT, leverer over middel
• Foretage holdanalyse: xGOT giver indsigt i, om et hold generelt udnytter deres chancer effektivt – ikke blot om de skaber dem.

Possession Value (PV): Værdien af boldbesiddelse

I moderne fodbold er det ikke kun afgørende, hvor meget et hold har bolden, men også hvad de gør med den. Og her kommer Possession Value (PV) ind billedet, som er en model, der måler sandsynligheden for, at et hold scorer inden for de næste 10 sekunder af en given boldbesiddelse. Dette giver en mere nuanceret forståelse af, hvordan forskellige handlinger på banen påvirker holdets chancer for at score.

Hvordan beregner du PV?

Stats Perform har udviklet en model til beregning af Possession Value, som analyserer sekvenser af boldbesiddelse og vurderer, hvordan hver handling – såsom pasninger, driblinger eller boldtab – ændrer sandsynligheden for at score. For eksempel, hvis en spiller foretager en fremskudt pasning, der flytter bolden tættere på modstanderens mål, vil PV-værdien stige. Omvendt vil en fejlaflevering eller et boldtab reducere PV-værdien.

Modellen tager højde for op til fem tidligere hændelser i samme boldbesiddelse og sammenligner dem med historiske data for at estimere sandsynligheden for, at boldbesiddelsen resulterer i et mål. Jo tættere en handling er på en potentiel afslutning, desto større indflydelse har den på PV-værdien.

Hvis vi tager et eksempel: Forestil dig en situation, hvor en midtbanespiller modtager bolden på egen banehalvdel og foretager en præcis, fremskudt pasning til en angriber, der befinder sig i en fordelagtig position tæt på modstanderens mål. Før pasningen var PV-værdien 0,02 (to procents sandsynlighed for at score inden for 10 sekunder). Efter pasningen stiger PV-værdien til 0,15 (15 procents sandsynlighed). Det betyder, at pasningen har øget holdets scoringssandsynlighed med 13 procentpoint – altså, en betydelig forbedring.

Hvad kan du bruge PV til i praksis?

Du kan bruge PV-modellen på flere niveauer. Herunder til at

• Evaluere spillere: PV giver mulighed for at vurdere en spillers samlede bidrag til holdets angrebsspil, ikke kun baseret på mål og assists, men også på deres evne til at øge scoringssandsynligheden gennem forskellige handlinger på banen
• Analysere holdets spil: Trænere og analytikere kan bruge PV til at identificere, hvilke sekvenser og spillertyper der oftest fører til farlige angreb, og justere taktikken derefter
• Identificere talenter (talent-ID): Ved at analysere PV kan klubber identificere spillere, der konsekvent bidrager positivt til holdets angrebsspil, selvom de måske ikke skiller sig ud i traditionelle statistikker.

On-Ball Value (OBV): Værdien af hver boldberøring

I fodbold er det afgørende at forstå, hvordan hver handling med bolden påvirker holdets chancer for at score eller undgå at indkassere mål. On-Ball Value (OBV) er en model, der kvantificerer værdien af hver boldberøring ved at måle ændringen i sandsynligheden for at score og indkassere mål som følge af en bestemt handling. Dette giver en mere nuanceret forståelse af, hvordan forskellige handlinger på banen påvirker holdets præstation.

Hvordan beregner du OBV?

OBV-modellen analyserer hver enkelt handling med bolden – såsom pasninger, driblinger, skud og defensive aktioner. Modellen vurderer, hvordan handlingen med bolden påvirker holdets sandsynlighed for at score og indkassere mål. Hvis en spiller foretager en fremskudt pasning, så bolden kommer tættere på modstanderens mål, vil OBV-værdien stige. Omvendt vil en fejlaflevering eller et boldtab reducere OBV-værdien.

Modellen tager højde for flere faktorer. På den måde tildeles en handling en negativ eller positiv værdi, afhængigt af handlingens indflydelse på holdets chance for at score eller indkassere mål.

• Position på banen: Hvor handlingen udføres
• Type af handling: Pasning, dribling, skud etc.
• Pres fra modstandere: Om spilleren er under pres
• Kropsdel anvendt: Fod, hoved etc.

 
Hvis vi skal opstille et eksempel, kan du forestille dig en situation, hvor en midtbanespiller modtager bolden på egen banehalvdel og foretager en præcis, fremskudt aflevering til en medspiller/angriber, der befinder sig i en fordelagtig position tæt på modstanderens mål. Før pasningen var OBV-værdien 0,04 (fire procents sandsynlighed for at score). Efter pasningen stiger OBV-værdien til 0,16 (16 procent sandsynlighed for at score). Det betyder, at pasningen har øget holdets scoringssandsynlighed med 12 procentpoint.

Hvad kan du bruge OBV til i praksis?

OBV-modellen kan du eksempelvis bruge til at

• Evaluere spillere: OBV giver mulighed for at vurdere en spillers samlede bidrag til holdets præstation, ikke kun baseret på mål og assists, men også på deres evne til at øge scoringssandsynligheden gennem forskellige handlinger på banen
• Analysere holdets spil: Trænere og analytikere kan bruge OBV til at identificere, hvilke sekvenser og spillertyper der oftest fører til farlige angreb, og justere taktikken derefter
• Identificere talenter (talent-ID): Ved at analysere OBV kan klubber identificere spillere, som konsekvent bidrager positivt til holdets angrebsspil, selvom de måske ikke skiller sig ud i traditionelle statistikker
• Analysere modstanderen: OBV kan bruges til at identificere, hvor modstandere skaber mest værdi på banen, og hvilke spillere der er mest indflydelsesrige. Det kan være fordelagtigt i forhold til defensive strategier.

Overblik over databegreber