Rekrutierung Metriken

Neue StatsBomb Modelle und Metriken: xPass, Pass Clustering und mehr

Von Hudl Statsbomb | August 17, 2023 | Lesezeit : 6 Minuten
Rekrutierung Metriken

Neue StatsBomb Modelle und Metriken: xPass, Pass Clustering und mehr

Bei StatsBomb entwickeln wir laufend neue Modelle und Metriken, um unseren Kunden einzigartige Erkenntnisse zu verschaffen, mit denen sie in einer zunehmend wettbewerbsorientierten und datenbasierten Welt einen klaren Vorsprung erzielen.

Nachfolgend einige der Modelle, die wir in den letzten Monaten veröffentlicht haben.

HOPS

Das Heading Orientated Performance System, kurz HOPS genannt, ist ein Modell, das die Lufthoheit eines Spielers anhand gewonnener Kopfballduelle messen kann.

„Gewonnene Kopfballduelle in Prozent“ wird seit jeher als Metrik verwendet, um diese Leistung abzubilden, hat jedoch einen großen Nachteil: Die Kopfballstärke jener Spieler, gegen die diese Kopfballduelle gewonnen oder verloren wurden, bleibt dabei unberücksichtigt.

HOPS lässt diese wichtige Information mit einfließen, um die tatsächliche Kopfballstärke der Spieler besser darstellen zu können.

Hierbei kommt eine abgewandelte Version des Glicko-Systems zum Einsatz (ein Wertungssystem, das die Spielstärke von Schachspielern misst): Zunächst erhält jeder Spieler einen Basis-Score zugewiesen. Nach jedem Kopfballduell wird dann der Score beider Kontrahenten neu berechnet, indem der jeweilige Score-Wert vor dem Duell mit dem Ergebnis des aktuellen Duells in Relation gesetzt wird. Das heißt, gewinnt zum Beispiel ein bisher als kopfballschwach eingestufter Spieler ein Luftduell gegen einen kopfballstärkeren Gegner, würde er mehr Score-Punkte erhalten, als wenn er gegen einen Spieler gewinnt, der vor diesem Duell einen noch niedrigeren Score hatte als er.

Das Modell erzeugt verschiedene Werte, wobei das sogenannte HOPS-Rating die Wahrscheinlichkeit angibt, mit der ein Spieler ein Kopfballduell gegen einen durchschnittlichen Spieler gewinnt. Bei einem HOPS-Wert von 0,65 erwarten wir also beispielweise, dass dieser Spieler 65 % seiner Kopfballduelle gewinnt, wenn er dabei auf einen durchschnittlich spielenden Gegner trifft.

Diese auf Fähigkeiten basierende Metrik-Variante sorgt für einen unbestreitbaren Nutzen beim Spieler-Scoutingprozess. Sucht eine Mannschaft zum Beispiel einen kopfballstarken Innenverteidiger, kann HOPS als erster Filter eingesetzt werden, um jene Spieler zu identifizieren, die diesem Profil entsprechen.

Die folgenden fünf Innenverteidiger im Alter von 23 Jahren oder jünger erzielen die höchsten HOPS-Werte (Auswertung von über 120 Fußballturnieren und Wettbewerben, die wir weltweit erfassen):

  • Fallou Ndiaye, FC Haka (Finnland): 0,79 HOPS
  • Leo Skiri Østigård, SSC Napoli (Italien): 0,79 HOPS
  • Patric Pfeiffer, FC Augsburg (Deutschland): 0,78 HOPS
  • Didier Bueno, Sheriff Tiraspol (Republik Moldau): 0,78 HOPS
  • Mohamed Amine Tougai, Espérance de Tunis (Tunesien): 0,78 HOPS

Die HOPS-Werte liefern darüber hinaus äußerst wertvolle Informationen, um Bewertungssysteme für Standardsituationen auszuarbeiten. Wo treten Abstimmungsfehler auf?

Bei komplexeren Entscheidungsprozessen lässt sich mit dem HOPS-Rating sogar die Wahrscheinlichkeit ermitteln, inwieweit eine bestimmte Strategie angesichts der jeweils involvierten Spieler überhaupt zielführend ist. Wenn z. B. der Top-Stürmer einer Mannschaft höhere HOPS-Werte erzielt als die anderen Stürmer im Kader, wäre es klug, auch dann noch auf lange Pässe zu setzen, wenn die Nummer eins im Sturm nicht zur Verfügung steht?

xPass

Unser xPass-Modell ist im Prinzip das Pendant zu den „Expected Goals" und berücksichtigt Faktoren wie Position, Winkel und Länge des Passes, mit welchem Körperteil der Ballkontakt erfolgte, und ob der Pass unter gegnerischem Druck gespielt wurde (eine exklusiv bei StatsBomb erhältliche Metrik). Auf diese Weise wird jedem Pass eine erwartete Erfolgsquote zugewiesen, die auf historischen Daten für Pässe mit ähnlichen Merkmalen basiert.

Ein klassischer Prozentwert für ausgeführte Pässe lässt allerdings keine Rückschlüsse darauf zu, wie schwierig es war, den jeweiligen Pass erfolgreich zu platzieren. Vergleicht man diesen Prozentsatz jedoch mit der erwarteten Erfolgsquote, die von xPass ermittelt wird, kann man die Passgeber-Qualität eines Spielers viel besser einschätzen.

Folgendes Beispiel aus der 1. Bundesliga der Saison 2022/23 zeigt die fünf Mittelfeldspieler mit der höchsten Pass-Effizienz, das heißt, ihre Erfolgsquoten liegen über dem erwarteten Wert:

  • Joshua Kimmich, FC Bayern München: +3,00%
  • Ellyes Skhiri, 1. FC Köln (jetzt, Eintracht Frankfurt: +1,68%
  • Marcel Sabitzer, FC Bayern München (jetzt, Borussia Dortmund): +1,66%
  • Salih Özcan, Borussia Dortmund: +1,52%
  • Emre Can, Borussia Dortmund: +1,48%

Die folgenden fünf Spieler erzielten mit ihren Pässen wiederum die niedrigste Effizienz-Quote unter dem erwarteten Wert:

  • Suat Serdar, Hertha BSC: -8,58%
  • Leandro Barreiro, FSV Mainz 05: -7,71%
  • Elvis Rexhbeçaj, FC Augsburg: -6,27%
  • Jens Stage, Werder Bremen: -5,51%
  • Christoph Baumgartner, TSG 1899 Hoffenheim: -5,40%

Auf Vereinsebene kann xPass herangezogen werden, um das Passspiel einer Mannschaft auszuwerten und zu prüfen, ob und wie stark sich das Passverhalten je nach Situation verändert, z. B. wenn die Mannschaft in Führung geht, in Rückstand gerät oder den Ausgleich erzielt:

All dies ist nur die Spitze des Eisbergs dessen, was das Modell an Einsichten bereitstellen kann – insbesondere wenn es mit anderen Metriken und/oder Formen der Visualisierung kombiniert wird, um die Entwicklung von Spielern und Mannschaften noch genauer zu analysieren.

Pass Clustering Modell

Das Pass Clustering Modell von StatsBomb basiert auf verschiedenen Variablen wie Spielfeldposition, Richtung und Länge der gespielten Pässe sowie die Flughöhe des Balls. Anhand dieser Daten werden alle Pässe mit ähnlichen Merkmalen gruppiert, um die Visualisierung und Analyse von Pass-Profilen der Mannschaft oder einzelner Spieler zu erleichtern.

Dadurch können wir beispielsweise erkennen, welche Passarten für jede Mannschaft am charakteristischsten sind ...

... oder welche Passarten sie in bestimmten Spielphasen am häufigsten einsetzen, zum Beispiel während des Spielaufbaus.

Das Pass Clustering Modell kann auch eingesetzt werden, um Spieler mit ähnlichem oder individuellem Pass-Profil zu finden, was sowohl beim Spielerscouting-Prozess als auch bei der Gegneranalyse oder der Verbesserung der Mannschaftsleistung von großem Nutzen wäre.

Aktualisiertes StatsBomb xG-Modell

Vergangenes Jahr haben wir ein wichtiges Update unseres marktführenden „Expected Goals“ (xG) Modells vorgestellt, welches das Standardmodell (Pre-Shot) noch stärker ausdifferenziert und gleichzeitig den Nutzwert der Ergebnisse erhöht, die das Post-Shot-Modell liefert.

Die Änderungen sind umgehend in die Daten der aktuellen Saison eingeflossen und wurden in unserer Datenbank für alle vorherigen Saisons rückwirkend erfasst.

Folgende Neuerungen wurden umgesetzt:

  • Verbesserte Kalibrierung der Auswirkungen von Torhüter- und Abwehrspielerpositionen.
  • Höhere Zuverlässigkeit bei der Bewertung von Weitschüssen und Schüssen aus besonderen Situationen.
  • Entkopplung von Chancenqualität und Schussausführung, um sich ein besseres Bild von der Abschluss-Effizienz machen zu können.
  • Abgrenzung der Torwartposition und deren Auswirkung auf die xG-Werte von der Paradequalität des Torwarts
  • Berücksichtigung der Schussgeschwindigkeit im Post-Shot-xG-Modell.

Aufgrund dieser Weiterentwicklung sind wir nun in der Lage, für jeden Schuss die folgenden Werte auszugeben, was eine genauere und gründlichere Leistungsanalyse von Torhütern und Feldspielern ermöglicht:

  • Chancenqualität (Standard, Pre-Shot-xG)
  • Schussausführung (Post-Shot-xG aus der Perspektive des Torschützen)
  • Paraden-Schwierigkeitsgrad (Post-Shot-xG aus der Perspektive des Torwarts).

StatsBomb xG war ohnehin schon das präziseste und zuverlässigste Modell für Expected Goals auf dem Markt – mit diesen Neuerungen haben wir unseren Vorsprung weiter ausgebaut.

Fazit

Diese Modelle liefern unseren Kunden neue Erkenntnisse, mit denen sie die Entscheidungsfindung über verschiedene Abteilungen hinweg vorantreiben können, von Spielerscouting und Rekrutierung bis hin zur Gegneranalyse oder der internen Bewertung von Mannschafts- und Spielerleistung.

Im Gegensatz zu einigen unserer Mitbewerber, deren Liga-Daten lediglich kleine Teilmengen abbilden, sind die neuen StatsBomb-Modelle und die darauf aufbauenden Metriken für jedes einzelne Spiel der über 120 Fußballturniere und Wettbewerbe verfügbar, die wir weltweit erfassen – einschließlich der ersten drei Spielklassen der deutschen Fußball-Ligapyramide, der Österreichischen Fußball-Bundesliga, der Schweizer Super League und Challenge League sowie der Deutschen Frauen-Bundesliga.

Egal, ob Sie sich als Verein, Liga oder Verband, als Glücksspielorganisation oder als Medienunternehmen für StatsBomb interessieren – wenn Sie mehr darüber erfahren möchten, wie Sie Ihre Arbeitsprozesse mit unseren Daten- und Analyselösungen verbessern und rationalisieren können, kontaktieren Sie uns einfach. Wir beraten Sie gerne individuell und stellen Ihnen auf Wunsch eine Demo-Version zur Verfügung.

Von Hudl Statsbomb | August 17, 2023