Sådan analyseres rivaler som Bielsa på mindre end 1 minut

Bielsa viser sin analyse på pressekonference

Bielsa er kendt for sit arbejde med at studere rivaliserende teams. Hans opmærksomhed på detaljer og dybde i hans analyse gør ham unik. I hans Excel-ark, Powerpoint-præsentationer og personlige pjecer kunne du finde resultater, formationer, bedste spillere og hver eneste ting om alle holdene, han vil møde.

Dermed er hans konklusioner fremragende, hans håndlavede processer tillader ham ikke at få det fulde potentiale ud af sin dataindsamling. De to hovedspørgsmål, han står over for, er:

  1. Dataindtastningen er ikke effektiv. Der er ikke noget optimeret og struktureret værktøj, som de kan indtaste dataene på. Samarbejdspartnere mister meget tid på at skrive enkle ting, der kan tages fra enhver dataleverandør (mål, røde kort osv.) Eller tegne det samme formationsdiagram igen og igen.
  2. Da informationen distribueres i forskellige filer, er det virkelig kompliceret at kombinere data fra forskellige kilder. Dette kan også føre til versionproblemer, da flere mennesker bruger de samme filer.

I denne artikel vil vi forklare, hvordan man forbedrer processen for automatisk at få de samme resultater på mindre end 1 minut ved hjælp af Data Science og teknologi. Den nye metode består i at indsætte dataene i en venlig webapp, der gemmer informationen i en unik database og derefter hente rapporterne automatisk.

Lad os som et eksempel på denne proces se, hvordan vi kan forbedre de rivaliserende formationsanalyse bedre.

Indtastning af data

Indsættelse af oplysningerne er ikke så forskellig, som det gøres nu. Vi bruger en webapp, hvor analytikere indtaster dataene på en venlig og nem måde.

Web-app-skærmbillede

I denne webapp indsættes data som følgende:

  1. Vælg turnering, sæson, spil og hold.
  2. Indsæt startopstillingen (periode = 0 og minutter = 0).
  3. Indsæt ny formation, når der sker en ændring i skemaet eller spillerne, og informer altid om perioden og minuttet, når denne nye opstilling startede.

Rapportering

Der er mange analyser, der kunne udføres af disse oplysninger, men i betragtning af omfanget af dette indlæg vil vi fokusere på de vigtigste. Disse er:

  1. Brugte formationer og spillere.
  2. Formationen ændres i henhold til resultatet.

På grund af fortrolighedsformål bruger vi Wyscouts data til dette eksempel.

1. Brugte formationer og spillere

Denne information giver trænere et overblik over, hvordan det rivaliserende team normalt stiller op.

For at gøre dette tjekker vi (programmatisk) alle formationer og spillere, der bruges i løbet af sæsonen. Så får vi den tid, hvor hvert skema blev brugt, og de spillere, der blev mest brugt i hver position.

Lad os se resultatet af denne rapport anvendt på Estudiantes de La Plata i Superliga 2019-20. Lad os tage højde for, at denne og følgende analyse blev genereret automatisk ved at vælge hold, liga og datoer.

I de følgende grafer kan vi se, at Estudiantes spillede i en 4–2–3–1 formation størstedelen af ​​tiden.

Estudiantes 'mest anvendte formationerEstudiantes 'mest anvendte formation

Vi kunne også tage et dybere dykk og analysere individuelle spillere og positioner. Ved hjælp af dette værktøj kan vi få dette på få sekunder.

For eksempel kan vi her se de mest almindelige skemaer og positioner, som Enzo Kalinski har spillet.

2. Dannelsen ændres i henhold til resultatet

En anden nyttig analyse er at se, hvordan coach reagerer på resultater.

I denne rapport deler vi formationsændringer i henhold til resultatet på det tidspunkt i spillet (vinde, uafgjort eller tabt). Til reference, lad os kalde skema 0 til den formation, der er spillet indtil det øjeblik, og skema 1 til den, der er ansat efter ændringen.

Skema ændres i henhold til resultatet

Vi kan her se, at når sejren ændrer Estudiantes nogle gange sin formation til et fem-mands forsvar (fortæller, at 3-5–1–1 også kunne læses som 5–3–1–1).

Denne information er nyttig til at kende alle de rivaliserende trænerens alternativer og være parat til at reagere i tilfælde af, at disse ting sker i løbet af spillet.

Som vi tidligere har set, kunne denne rapport også udvides, for eksempel for at se, hvilke spillere der er, der oftest er udskiftet ind og ud.

Konklusion

Det ville være dumt at tvivle på Bielsas arbejde og kapacitet. Ikke desto mindre er hans håndlavede analyse ikke effektiv og bruger en masse besparende tid. Selvom han siger, at han gør meget mere, end han har brug for bare for at holde sig rolig, kunne han (og hans samarbejdspartnere) dedikere den dyrebare tid til en mere produktiv ting.

Nye teknologier giver os mulighed for at generere Bielsas analyse på en meget hurtigere og billigere måde. For at bruge dette værktøj bliver dataregistrering mere effektiv, og på få sekunder kan vi visualisere alle oplysningerne og få grafer som dem, vi har set i denne artikel.

Dette viser eksemplet til formationer, men det kunne gøres og tilpasses til forskellige processer, afhængigt af hver coachs arbejde.

Data & teknologi ændrer fodboldparadigmer, og de bedste hold i verden bruger allerede det til at tage smarte beslutninger.

Hvis du er interesseret i at inkorporere dataanalyse i dit team, kan du besøge vores websted og skrive os til [email protected] eller via Twitter.