AF MORTEN B. RANDERS
Lektor, Institut for Idræt og Biomekanik ved Syddansk Universitet og gæsteprofessor ved Universitet i Tromsø, Norges Arktiske Universitet

Adgangen til såvel event- som trackingdata giver mulighed for, at modspillernes positioner også medtages eller sofistikerede modeller udelukkende på baggrund af positionelle data fra trackingsystemer udvikles. Begreber som dangerousity og expected possession value er blevet præsenteret. Det overordnede formål med disse begreber er som flere af de begreber omtalt i den første artikel at kunne værdisætte spilleres aktioner – også lidt længere tilbage i opbygningen af angreb samt i angreb, der ikke nødvendigvis fører til afslutning. Dangerousity bygger på fire komponenter – 1) boldens position, 2) graden af boldkontrol ud fra bevægehastighed og tid på bolden, 3) pres på spilleren, samt 4) afstand til og tæthed af modstandere mellem bold og mål. Når modeller udvikles på baggrund af trackingdata i stedet for events, kan en værdi udregnes til enhver tid og situation. Dangerousity værdisætter kun spillet på de sidste 34 m inden modstanderens mål, mens en lignende anden avanceret model kaldet expected possession value (EPV) beregner værdien af boldbesiddelsen og spillernes aktioner på hele banen.

Expected possession value evaluerer ved hjælp af machine learning værdien af aktionen, den forventede ændring i værdien af boldens og alle spilleres placering, ændring i værdi hvis boldbesiddelse tabes samt sandsynligheden for at pasningen når frem til en given lokation. Således kan pasninger, der spilles i frie rum og ikke blot til en modtager også værdisættes. Ligeledes kan bagudrettede pasninger jo give mulighed for at flytte bolden til mere værdifulde rum, og derved være den rigtige løsning ud fra med- og modspilleres placering. Pasninger indenfor et mindre område, der tiltrækker modstandere og ændrer modstandernes indbyrdes forhold, inden bolden flyttes til modsatte side, kan have høj værdi, trods bolden ikke flyttes meget. Men fordi disse afleveringer trækker i modstandernes defensive formation og skaber ubalance, der kan føre til frie rum andre steder på banen, kan disse pasninger godt have væsentlig værdi. Man kan derved få en mere realistisk værdisætning af de enkeltes spilleres bidrag til opspil og gennembrud. Ved at sætte aktionens (typisk en pasnings) sandsynlighed for at lykkes overfor den forventede værdiændring af aktionen, kan mulighederne i enhver situation evalueres, og aktioner med høj belønning for lille risiko kan identificeres. Sådanne modeller hører selvfølgelig til de mere avancerede, men med dygtige analytikere og adgang til store datamængder, vil sådanne objektive evalueringer af spillets udvikling og spillernes individuelle beslutningstagen i relevante situationer kunne foretages. Men der ligger flere lag af udregninger til grund for sådanne modeller.

Et helt simpelt mål for pasningens betydning i forhold til at bringe bolden tættere på modstanderens mål og skabe scoringsmuligheder er pasninger forbi modstandere, outplayed players også kaldet packing rate. På pasningstidspunktet trækkes en linje gennem bolden, ofte parallelt med mållinjen, og de spillere, som bolden passerer indtil modtagelsen, tæller i packing rate som outplayed players. I et tidligere indlæg tog vi udgangspunkt i VM-semifinalen 2014 mellem Brasilien-Tyskland kampen. Brasilien havde i den kamp en packing rate på 341 mod Tysklands 402. Det svarer til, at pasninger foretaget af Tyskland passerede 18% flere modstandere end Brasiliens pasninger. Med tanke på at de forsvarsspillere, der er tættest på målet, har størst betydning, er et begreb som impect udviklet ovenpå. Impect er antallet af forbispillede modstandere af de 6 spillere nærmest målet inklusive målmanden. Tyskland havde på den parameter 58% højere værdi end Brasilien – 84 mod Brasiliens 53.

I forhold til pasninger og forståelsen af interaktioner mellem spillerne anvendes ofte netværksteori. Spillerne illustreres som cirklen (knudepunkter) og interaktionerne mellem spillerne som linjer. Ofte anvendes størrelse på cirklen og tykkelse på linjerne mellem cirklerne som udtryk for antallet af boldberøringer (cirklens størrelse) og pasninger (linjens tykkelse). Spillernes (cirklernes) placering på banen vil ofte være gengivet med en gennemsnitlig pasningsposition.

Gennem disse analyser af pasningsnetværk kan centrality beskrives – altså hvilke spillere er centrale spillere i holdet pasningsspil. Modellerne kan rejse fokus på, hvilke spillere, der ofte modtager bolden og til hvem, de i givne situationerne ofte spiller den videre til. Betweenness centrality beskriver, hvor ofte en spiller indgår i en pasningssekvens mellem to andre spillere. Er der ubalance i en holds betweenness centrality, vil det være nemt at lukke ned for bestemte pasningsmønstre, da spillet i meget høj grad går gennem bestemte spillere. En række andre værdien til beskrivelse af interaktionerne mellem spillerne og sandsynligheden for at en spiller vil modtage bolden efter en række pasninger, kan beregnes på baggrund af sådanne netværksmodeller.

En af de mest ekstreme kampe med hensyn til pasninger er sidste sommers VM-ottendedelsfinale mellem Spanien og Rusland, som jo endte med at russisk sejr efter straffesparkskonkurrence. Spanien havde i den kamp hele 1137 afleveringer og 1031 succesfulde. Til sammenligning havde Danmark og Kroatien 1163 afleveringer og 931 succesfulde afleveringer i ottendedelsfinalen – til sammen. Ifølge kamprapporten havde Spaniens Sergio Ramos 55 afleveringer til Jordi Alba, der havde 54 afleveringer til Isco. I modsatte side have Pique kun 11 afleveringer til Nacho og 12 til Carvajal, der afløste Nacho efter 72 minutter. Marco Asensio, der spillede i samme side som Nacho/Carvajal modtog kun bolden 46 gange i alt mod Iscos hele 158. Der var således en tydelig skævvridning, hvor spillerne i venstre side havde langt flere boldberøringer og pasninger imellem sig.

En helt central parameter, som vi i denne artikel også har haft fokus på, er involvering i forhold til at skabe scoringsmuligheder og offensiv værdi. Lægges sådanne modeller ned over pasningsnetværket fra Spanien-Rusland, træder det imidlertid frem, at der var en stærk offensiv værdiskabende relation mellem Nacho, Asensio og videre til Costa. Pasningsnetværket kan også belyse interessante vinkler ved at lægge et filter af eksempelvis lange bolde ned over. I Spanien-Rusland kampen viser analyser således, at specielt Nacho på højre back modtog mange lange bolde fra Isco og Ramos, der begge havde udgangspunkt i venstre side. Sammenholdes disse analyser, ses de velkendte tiki-taka pasningstrekanterne mellem Ramos, Alba og Isco, hvis formål er at tiltrække og samle modspillerne i en side, for hurtigt at skifte side (med en lang bold til Nacho) og igangsætte angreb i den modsatte side (Nacho, Asensio, Costa).

Pasningsnetværk kan således identificere centrale spillere i bestemte faser af spillet. I pasningsnetværk kan flere af de tidligere beskrevne faktorer også medtages og kvalificere analysen yderligere. En sådan analyse anvendt på både enkeltstående kampe og som identifikation af ”key passers” i engelsk fodbold kan læses i denne spændende artikel.

Til alle de forskellige begreber kan der lægges filtre eller bestemte parametre nedover. Eksempelvis kan det være, at man kun er interesseret i de af modstanderens afslutninger, der kommer efter omstillinger. Således vil man kunne filtrere de situationer ud, som starter i modstanderens egne 1/3 af banen og som ender med en afslutning. Det kan også tænkes, at spillere agerer og bidrager forskelligt i slutningen af kampe, hvor en føring skal køres hjem sammenlignet med kampe, hvor et resultat skal jagtes. Dette kan være med til at sætte fokus på spillere, der er specielt vigtige i bestemte situationer. Selvom der genereres mange data i en fodboldkamp, må man dog være opmærksom på, at mange situationer kun opstår få gange i løbet af en kamp, hvorfor der ofte skal samles data fra mange kampe, før man reelt kan kalde datamængden big data og få et reelt billede af spilmønstrene.

De fleste af alle disse begreber kan bruges både til at evaluere egen præstation og udvikle eget hold, men i lige så høj grad som evalueringsværktøj for kommende modstandere. Nogle begreber kan synes at have offensivt fokus, men det kan i lige så høj grad anvendes med omvendte fortegn til at evaluere modstanderens evne til ikke at afgive høj xG og lukke ned for bestemte spillere i pasningssekvenser.

Fodbold er et komplekst spil og disse modeller er forsimplinger. Men de giver mulighed for objektiv evaluering og kan skabe ny indsigt og diskussion af spillet, vi alle holder af. I denne artikel er præsenteret nogle (få) af de mange begreber, der findes til at analysere fodbolden, og det er vigtigt at individualisere analysemodeller i forhold til en klubs egen spillestil og strategi i tæt samarbejde mellem analytiker, cheftræner og øvrigt trænerteam.

Data i sig selv har relativ lille værdi. Det er den viden, der kan genereres ud fra disse data, som er interessant, og som kan ændre praksis.