Big Data im Fußball #1: Taktik, Training, Spielvorbereitung – wie Daten den Fußball verändern

Die Arbeit der Analysten beginnt bereits lange vor einem Spiel, wenn unter anderem eine ausgiebige Analyse des gegnerischen Teams durchführt wird. Ziel ist es herauszufinden, wie sich dieses in bestimmten Situationen verhält. Dabei wird auch ermittelt, aus welchen Arealen auf dem Platz die größte Gefahr für das eigene Gehäuse ausgeht. Hierbei wird oftmals der Begriff der “expected Goals” (xG) genutzt. Darunter versteht man einen Wert, der sich aus der Entfernung zum Tor, dem Schusswinkel, der Position des Torhüters, der Passqualität und Art des Schusses ergibt. Er gibt an, wie wahrscheinlich es statistisch ist, dass eine bestimmte Torchance zum Treffer führt. 

Ist der xG-Wert einer Mannschaft hoch, hat sie viele gute Torchancen. Hat sie allerdings trotz eines hohen xG-Wertes nur wenige Treffer erzielt, ist nicht die Taktik als solche fehlerhaft – schließlich kam die Mannschaft ja zu qualitativ hochwertigen Torchancen, sondern die Chancenverwertung war das Problem. Im Umkehrschluss: Hat eine Mannschaft einen geringen xG, aber eine vergleichsweise gute Torausbeute, ist das Ergebnis trügerisch. Das Team hat dann weit weniger gut gespielt, als es das Ergebnis suggeriert, und profitierte von Glück – worauf sich die Mannschaft nicht in jedem Spiel verlassen sollte. Neben dem xG gibt es weitere wichtige Kennzahlen, wie dem Pressure Build-Up (wie gut ein Gegner von hinten herausspielen kann) oder dem Packing (wie viele Gegenspieler überspielt werden). Teams versuchen nun gezielt Räume zu besetzen, in denen ihr Gegner einen hohen xG-Wert aufweist, also besonders häufig trifft. Verdeutlichen tut dies ein Zitat des ehemaligen Trainers des FC Chelsea London, Graham Potter, der 2023 nach der Heimniederlage seines Teams gegen Aston Villa über das Gegentor durch John McGinn sagte: “Wenn man sich den xG-Wert dieses Schusses anschaut, war es eigentlich keine allzu große Chance”. 

Man sieht, es gibt freilich keine Garantie, dass der Gegner nicht zum Torabschluss kommt, wenn man die Areale besetzt, aus denen er gute xG-Werte aufweist. Die Wahrscheinlichkeit eines Treffers wird jedoch signifikant gesenkt. Wie in jeder Branche mit komplexen Daten, liegt die Herausforderung auch im Fußball darin, die erhobenen Daten auch korrekt zu interpretieren. Typische Fehler, die besonders Laien häufig unterlaufen, sind beispielsweise der sogenannte Outcome Bias – also das Überbewerten des Resultats einer Aktion. Erzielt ein Stürmer zum Beispiel ein Tor, spielt aber zuvor drei besser platzierte Mitspieler nicht an, wird dies kaum als Fehler erkannt. Die Wahrscheinlichkeit, dass dieses Kunststück öfter gelingt, ist jedoch gering. Das Tor war eher Zufall und die Spielweise des Stürmers schadet seinem Team in mehr Fällen, als sie nützt. Ebenso verbreitet ist das Überbewerten von spektakulären Einzelaktionen. Der brillante Assist fällt häufig mehr auf als die drei Pässe zuvor, die aber große Räume öffneten und das Tor erst ermöglichten. In solchen Fällen machen Daten Unsichtbares erst sichtbar und helfen, systematisch auf Spielverläufe zu reagieren und besonders wertvolle oder schädliche Aktionen der SpielerInnen sichtbar zu machen, die sonst verborgen geblieben wären. Das Trainerteam kann dann gezielt reagieren und das Verhalten der eigenen SpielerInnen anpassen.