De datagestuurde pitch: hoe geavanceerde statistieken over actieve spelers de moderne voorspellende analyse hervormen
Sport lijkt iets waar men vooral talent, doorzettingskracht en goede training voor nodig heeft. Toch werkt men steeds meer met technologie. Dat doen ze onder andere door prestaties te beoordelen en de training hierop aan te passen, maar er wordt ook technologie gebruikt om voorspellende analyses te maken. Die worden op hun beurt voor verschillende doeleinden gebruikt.
Datagestuurde modellen zijn in het online casino al lang een feit
Niet alleen in de sportwereld maakt men gebruik van geavanceerde modellen om voorspellingen te doen. In het online casino Nederland wordt het dagelijks gebruikt. Zo houden ze met de nieuwste digitale modellen bij op welke spellen men inzet. Dit helpt het casino om persoonlijke aanbevelingen te doen. Wie van roulette houdt, zal in dit geval meer opties te zien krijgen voor dit spel. Ook specifieke promoties op basis van de voorkeur van de speler horen hierbij.
Het doel van de voorspellende analyse in sport
In sport gaat heel veel geld om, zeker als het gaat om de aankoop van nieuwe spelers. Zeker als het gaat om de meest bekende sport van het land, voetbal, zijn de prijzen die neergelegd worden voor spelers gigantisch. Denk aan de transfer van Tijjani Reijnders naar Manchester City in 2025. De transfer had een prijskaartje van € 55 miljoen. Een ander voorbeeld is Jeremie Frimpong, die de overstap maakte naar Liverpool. Met deze transactie was een prijskaartje van 40 miljoen gemoeid.
Met zulke hoge bedragen is het vanzelfsprekend dat clubs willen weten of ze een goede investering doen. Men wil ten eerste weten of een speler bepaalde kwaliteiten heeft. Toch is een topscorer niet per se een goede investering als diegene regelmatig een blessure heeft. Voordat men overgaat tot een transfer, zal men de belangrijkste punten op een rijtje willen zetten, te weten:
Blessures - Hoe vaak heeft een speler een blessure en hoe ernstig zijn die blessures? Men zal hierbij onder andere naar de hersteltijd kijken en beoordelen of die langer of korter is dan gemiddeld voor die specifieke blessure.
Speeltijd - Men zal informatie willen over hoe lang de speler gemiddeld ingezet wordt tijdens wedstrijden en wat de reden is dat er gekozen wordt voor een wissel. Als dit regelmatig gebeurt vanwege uitputting of verlies van focus, dan zal het gevolgen hebben voor de beoordeling van de speler.
Kwaliteiten - Nieuwe sportclubs willen weten waar een speler goed in is. Strikt over voetbal gesproken wil men weten of de speler een goede aanvaller is, beter functioneert in de verdediging, of andere kwaliteiten heeft.
Alle beschikbare informatie over een speler wordt gebruikt om te bepalen of die een kans krijgt binnen het team. Dat is echter niet waar het ophoudt; ook voor het inzetten van een speler zal de individuele analyse er weer bijgepakt worden. Trainers en coaches zullen aan de hand van die gegevens bepalen of en wanneer spelers worden ingezet.
Voorspellende analyse van de teamprestatie
Het is één ding om een speler als individu te analyseren; het zou nog mooier zijn als de volledige prestatie van het team kan worden beoordeeld. In principe zijn de gegevens van alle spelers beschikbaar en kunnen trainers en coaches dankzij hun kennis en ervaring een vrij goede beoordeling maken. Toch zijn er dingen die zij niet kunnen en dat is het beoordelen van grote hoeveelheden datasets.
AI-gestuurde systemen
Om de beste voorspellende analyse te maken, zou het voor een team ideaal zijn als het grote hoeveelheden data van verschillende wedstrijden en alle spelers samen kan voegen. Dit handmatig doen is haast niet te doen. Gelukkig kunnen ze tegenwoordig terugvallen op digitale hulpmiddelen zoals AI-gestuurde systemen die datasets kunnen beoordelen.
Met behulp van machine learning-modellen kan alle beschikbare data vergeleken worden om tot het ideale team te komen voor een specifieke wedstrijd. Niet alleen de informatie per speler, maar ook informatie zoals het klimaat, de hoogte van het stadion en het soort wedstrijd kan ingevoerd worden. Dat op zichzelf is al een hele berg data, maar om een goede inschatting te kunnen maken is data van de tegenpartij ook onmisbaar.
Handmatige controle
Het bijzondere aan machine learning-modellen is dat ze zelfstandig grote hoeveelheden data kunnen verwerken en hiervan kunnen leren. Het model wordt hierdoor in principe steeds beter en zou steeds betere voorspellingen kunnen doen. Een kanttekening is, dat veel van deze modellen nog in de ontwikkelingsfase zitten, waardoor het van belang is dat er controle is vanuit het team. Desondanks kunnen trainers en coaches al heel veel bruikbare informatie uit de analyses halen.
De toekomst is veelbelovend
In sport gaan miljoenen euro's om. Dankzij die inkomsten is er ruimte om de analyses steeds beter te maken. Elke keer zullen er nieuwe databronnen aangeboord kunnen worden die een analyse kunnen maken die nog specifieker is. Op dit moment zijn trainers tijdens de wedstrijd vaak nog druk bezig met het herzien van de opstelling, afhankelijk van wat er op het veld gebeurt.
Een plotselinge blessure, een gele kaart of zelfs een schorsing kan een gat slaan in de manier waarop men speelt. Trainers moeten in dat geval rekenen op hun expertise om snel in te grijpen en de juiste wijzigingen te maken. In de toekomst is dat waarschijnlijk niet meer nodig. De modellen kunnen realtime data van het eigen team en de tegenpartij verwerken om voorspellingen te doen. Op basis van die gegevens kan een coach besluiten om de opstelling aan te passen of iemand te wisselen.
Een belangrijke bron van informatie zullen draagbare sensoren zijn. Nu al dragen veel voetballers de sensoren om een goed beeld te krijgen van hun prestaties. Belangrijke data die vergaard wordt, is het energieniveau van een speler. Spelers waarvan bekend is dat ze op een bepaald moment een energiedip krijgen, kunnen hierdoor op tijd vervangen worden door iemand die juist heel goed is in alles geven gedurende een korte periode.