Hvordan kan man forbedre Expected Goals, så det bliver så kvalificeret som muligt? Hvordan kan man med en simpel model rangere enkelte Superliga-spilleres afslutningsevner? Og hvilke dataanalytiske begreber er værdifulde at benytte sig af som supplement til trænerens øje?

Det er nogle af de spørgsmål, som Gamechanger søger svar på i denne uges podcast. Her er der fokus på dataanalyse, som kan bruges som endnu et værktøj i fodboldklubbens værktøjskasse. Expected Goals er således blevet et begreb, der ofte benyttes i fodbolddebatten, men modellen kan stadig forbedres og udbygges, ligesom der eksisterer andre måleparametre, der kan være værdifulde.

I udsendelsen fra GameChanger medvirker Mikkel Keldmann, der er data scientist i Brøndby IF og Christian Kejser, som arbejder som præstationsanalytiker i Team Danmark. Hvor Mikkel Keldmann arbejder tæt på Superliga-holdet i Brøndby med data i forbindelse med træning, kamp og scouting, er Christian Kejser tilknyttet flere forskellige sportsgrene som ishockey, håndbold og badminton. I udsendelsen kan han således sætte fodboldens dataanalyse i perspektiv til andre sportsgrene og sportskulturer som eksempelvis den amerikanske, hvor data længe har fyldt meget.

”Man kan finde på mange fuldstændigt interessante ting ud fra data, men det vigtige handler om, hvorvidt vi kan bruge det i hverdagen. Om vi kan tage det med ud på træningsbanen eller i kamp; det er det, som er vigtigt,” siger Mikkel Keldmann.

Forbedring af Expected Goals

Diskussionen om brugen af Expected Goals har længe været et tema i fodboldens verden, men for Mikkel Keldmann handler det i bund og grund om at kvalificere målchancer, hvilket trænere og analytikere længe har gjort manuelt. På den måde er Expected Goals ikke banebrydende, men det er alligevel et værdifuldt værktøj, der kan bruges som supplement til de øvrige analyseredskaber som eksempelvis video.

Men udregningsmodellerne, der bruges til Expected Goals, kan stadig forbedres. Det handler blandt andet om modstanderens positionering og spillernes afslutningsevner.

”Modellerne bliver nok aldrig færdigudviklet, for spillet ændrer sig. Der vil nok være nogle grundlæggende sandheder, man kan prøve at komme frem til, men når det sker, vil nogen reagere på det og ændre forudsætninger. Lige nu er der en masse forskellige Expected Goals-sandheder, der udvikles af forskellige udbydere. Langt de fleste bygger på event data, der ikke medregner hvor mod- eller medspillere er placeret. Derved mister man en masse information. Når vi inden for de næste par år får implementeret tracking data fra langt flere ligaer, kan vi formentlig bygge modeller, der er mere avancerede og korrekte – og som kan give indspark til, hvordan vi kan skabe de største chancer,” siger Mikkel Keldmann.

Sætter man dette i perspektiv til ishockeyens verden, bruger man ikke Expected Goals på samme måde, men der er alligevel lignende analysebegreber.

”I ishockey har man været igennem samme rejse som fodbold. Man startede med at måle safe percentage og shot location, hvor man evaluerede målmandens redningsprocent. Siden er man gået over til at måle, hvor mange skud man tillader og hvor mange man selv kommer frem til, og hvor mange skud man misser. De senere år er man så gået over til mere avancerede modeller, og den seneste trend handler om at kigge på pre shot movement, hvor man ser på det, der sker lige før afslutningen,” siger Christian Kejser.

På det danske ishockeylandshold har man analyseret 4.000 offensive indgange og mere end 1300 mål for at definere hvilke elementer, der har haft indflydelse på scoringerne.

”Hvis de gode spillere bliver bragt i situationer, hvor de kan bruge deres kompetencer, skal de nok bruge dem rigtigt. Det handler om at skabe de situationer, hvor de kan udnytte deres kompetencer,” siger han.

Han peger desuden på, at man i snakken om Expected Goals også bør medregne målmandens placering og kvaliteter, fordi det har indflydelse på chancens størrelse. Mikkel Keldmann anerkender dette synspunkt og påpeger også, at skyttens kvaliteter er vigtige at have in mente, når man taler om Expected Goals. Et ofte fremført kritikpunkt er, at Expected Goals ikke tager højde for afslutterens niveau, men der findes simple modeller, man kan benytte i denne sammenhæng.

”I fodboldens verden har vi mest fokus på afslutteren frem for målmanden – og så alligevel ikke. For modellerne inkluderer ikke, om det er Messi fra La Liga eller Flemming fra Serie 5. Men man kan godt prøve at inkludere det. Det er ikke standard i mange klubber eller forbund, men det er nævnt på diverse blogs inden for dette område. En polsk fodboldanalytiker ved navn Marek Kwiatkowski har i 2017 forsøgt at inkludere den individuelle afslutter i nogle avancerede Expected Goals-modeller. Bruger man den model, kan man faktisk rangere de bedste afsluttere i Superligaen fra 2015 til 2019 baseret på 20.000 skud fra 600 spillere,” siger Mikkel Keldmann.

I udsendelsen uddyber han hvordan man kan måle afslutningsfærdighederne hos de enkelte spillere, så det rent faktisk viser en statistisk kvalitetsforskel mellem den ene og den anden.

De nye dataværktøjer

I slutningen af udsendelsen sætter Mikkel Keldmann og Christian Kejser også fokus på nogle af de nyere begreber inden for dataanalyse. Begreber som Expected assists, expected second assists, Expected Chain, Expected Threat og Expected Possession Value vinder mere og mere frem. Men hvordan fordeler man værdien på disse områder? Og hvordan fremhæver man en spiller frem for en anden, når man skal værdisætte det opbyggende spil?

”Snakken i fodboldens verden har bevæget sig væk fra kun at omhandle Expected Goals til at være mere omfattende med EPV-modeller – men før vi kom så langt, var der flere forslag til, hvordan man kunne udvide Expected Goals, så også spillerne i det opbyggende spil fik kredit. Først var der Expected Assists, så spilleren, der laver afleveringen til skuddet, får tilskrevet skuddets Expected Goal. Dette blev hurtigt til Expected Chain, hvor alle spillere i opbygningen til målet får tilskrevet denne værdi – men dette betyder også, at alle får lige stor kredit – og det er næppe rigtigt. Så man kunne jo tænke sig modeller hvor Expected Goal Chain falder, jo længere tilbage i kæden spilleren er,” siger Mikkel Keldmann.

”Lige nu er det store emne i fodbold data nok ”Expected Possession Value”, altså at kunne sige for et givent punkt i tid – ”Hvad er chancen for at vi score?” – men det har faktisk været noget, der har været talt om længe – i såkaldte ”Non-shot expected goals”-modeller. Den grundlæggende ide er dog den samme; at alle aktioner på banen kan værdisættes i forhold til mål,” tilføjer han.

Nogle af disse begreber kan perspektiveres til andre sportsgrene, hvor man i ishockey har målet second assists i officielle statistikker årevis, men også i håndbold er det værdifuldt at måle, hvordan chancen kan spilles større. Og i basketball bruger man også om modeller, der kan værdisætte de spillere, der for det blotte øje ikke fylder meget i spillet på banen.

”Der er en term i basketball, der hedder no-stats-all-star. Det er de spillere, der ikke træder frem i de officielle statistikker. Vi har prøvet at lave udregninger, der fremhæver de spillere, der bidrager til det defensive eller offensive spil uden at lave vigtige afleveringer eller tacklinger. De har en vigtig funktion alligevel og en indvirkning på spillet. Der findes modeller, der kan identificere, hvilke spillere der har en positiv indvirkning på spillet. For hvem er det, der kan skabe noget dynamik på banen? Det handler om løbemønstre, afstand mellem spillere og så videre,” siger Christian Kejser.

Dette kan også blive relevant i fodboldens verden, og således er der flere interessante pointer og dataanalytiske begreber, der kan inspirere mellem de forskellige sportsgrene. I udsendelsen går Mikkel Keldmann og Christian Kejser i dybden med flere af disse begreber og trækker også tråde til diskussionen om Table of Justice.

Hele samtalen kan høres i den nyeste podcast-episode fra Gamechanger. Udsendelsen findes i Mediano Lab-kanalen eller via afspilleren nederst i denne artikel.