Datenanalyse im Sport
Im Jahre 2002 stellte ein Baseball Verein mit einem vergleichbar geringen Budget einen in der amerikanischen Liga noch nie zu vor gesehenen Rekord von 20 Siegen in Folge auf. Diese Siegessträhne der Oakland Athletics inspirierte nicht nur einen erfolgreich verfilmten Bestseller (Moneyball: Die Kunst, ein unfaires Spiel zu gewinnen), sondern erlaubte es der Datenanalyse im Bereich des Sports weiter Fuß zu fassen. Denn das damalige Team der Oakland Athletics bestand fast ausschließlich aus billigen, rein aufgrund von statistischen Zusammenhängen erkauften Spielern.
Ein so ungewöhnlicher Erfolg setzte in einem monetär geprägten Feld wie dem Sport ein deutliches Zeichen: Es gibt noch unerforschtes Potential.
Nun stellt sich jedoch die Frage wie so etwas überhaupt funktionieren kann. Statistik und Sport? Das passt doch eigentlich gar nicht zusammen.
Sports Analytics - eine (un)wahrscheinliche Symbiose
Wie wahrscheinlich ist es, dass das eine Team das andere besiegt? Wie viel Geld sollte tatsächlich investiert werden, um einen neuen Spieler oder eine neue Spielerin zu kaufen? Wie sehr beeinflusst der Ausfall eines Spielers, die Chance das Finale zu erreichen? Um solche und ähnliche Fragen zu beantworten, muss sich die Sportindustrie bereits seit geraumer Zeit mit diversen Statistiken auseinandersetzen (vgl. discoverdatascience). Aktuell wird diese Art der Analyse im Sport immer technischer und wissenschaftlicher, die Data Science hat auch hier ihren Einzug gehalten. Der Fußballclub Manchester Unitedhat 2021 einen „Director of Data Science” ernannt, welcher mit seinem Department das Team und die Organisation seither erfolgreich unterstützt. (vgl. BBC, 2021)
Data Science und die Datenanalyse im allgemeinen Sinn haben sich mittlerweile als fester Bestandteil der Sportindustrie etabliert. Doch die Anwendungsbereiche dieser Techniken lassen sich nicht nur auf das Vorhersagen von Spielergebnissen reduzieren. Diverse Bereiche der Sportindustrie bedienen sich bereits der Mittel der Data Science.
Scouting
Ein Bereich des Sports, der schon lange auf Statistik vertraut, ist das Finden und Anwerben von neuen SpielerInnen (vgl. discoverdatascience). Dabei können Data Scientists den Trainern und Experten der Teams helfen, ihre Entscheidungen auf Basis von größeren Datenmengen zu treffen. Morgulev et al. beschreiben wie Big Data genutzt werden kann, um solche sehr wichtigen, kostenintensiven Entscheidungen besser begründen und nachvollziehen zu können (vgl Morgulev, 2018).
Sportwetten
Im Bereich der Sportwetten sind Statistiken schon immer das Um und Auf. Sie bestimmen die Quote und somit den potenziellen Gewinnbetrag. Durch das Integrieren von Data Science Modellen und Algorithmen lassen sich diese präziser denn je bestimmen. (vgl. Kollár, 2021)
Dies könnte in der Zukunft zu einer spannenden Dynamik führen, falls auch Privatpersonen solche Herangehensweisen erfolgreich nützen können.
Sport Simulationen & Esports
Gerade wenn es um Sport Simulationen geht, lässt sich ein direkter Zusammenhang zwischen Statistik und der Materie nicht mehr abstreiten. Jeder der schon einmal Fantasy Football oder ähnliches gespielt hat, hat sich auch schon mit diversen Statistiken im Sport auseinandergesetzt. In solchen Spielen und Sportsimulationen wie zum Beispiel FIFA, oder NBA2K kann der Sport ausschließlich auf statistische und mathematische Operationen reduziert werden.
Screenshot: Fantasy Football Team Ranking
Ein nicht außer Acht zu lassender, relativ neuer Bestandteil der Sportszene ist der Esport. Da die Umgebung in Computerspielen um Welten besser reguliert ist, können diese auch enorm von der Sportanalyse profitieren. Denn gerade hierbei gibt es, dank der mathematisch basierenden Verhältnisse, nur sehr wenige unbekannte Variablen und ein geringes Risiko sich auf fälschliche Annahmen zu verlassen.
Zahlen lügen nicht… oder?
Die einzige, große Problematik in der Sportanalyse ist der menschliche Faktor. Unterschiedliche physische und psychische Zustände der einzelnen SpielerInnen können einen enormen Einfluss auf die Ergebnisse der Analysen haben. Zusätzlich sind diese, oftmals gesundheitsbedingten, menschlichen Aspekte relativ schwer zu prognostizieren. Dies ist ein Hindernis, welches aber auch vielfach zu erklimmen versucht wird. Zum Beispiel haben Senbel et al. die Auswirkung von Training und Schlaf auf die Verletzungsrate thematisiert, und haben dabei versucht diese kritischen Punkte zu quantifizieren. (vgl. Senbel et al. 2022)
Dank der sich weiterentwickelnden Technik und den immer größer werdenden Datenmengen lassen sich solche Hürden auch immer leichter überwinden. Durch den Einsatz von Deep Learning Netzen können präzise Analysen durchgeführt werden. Zum Beispiel können im Football die Entscheidungen des Quarterbacks klassifiziert werden (vgl. Burke, 2019). Auch im Basketball können die Bewegungsmuster der SportlerInnen mithilfe von Deep Learning genau analysiert werden (vgl. Nistala, Guttag, 2019).
Außerdem sind die Daten der einzelnen SpielerInnen sowie die Ressourcen der einzelnen Vereine mittlerweile so zugänglich und präzise dokumentiert wie nie zuvor. (Basketball: https://www.basketball-reference.com/; Fußball: https://fbref.com/en/)
Schlussendlich braucht es auch nicht Ziel der Sportanalyse zu sein, jedes Detail eines Spiels oder jede Sekunde eines Matches exakt zu prognostizieren. Denn die Sportanalyse ermöglicht eine einzigartig fundierte Perspektive auf die unterschiedlichen Sportarten, welche es Individuen in der Industrie durchaus erlaubt, Vorteile daraus zu ziehen.
Literatur/Quellenverweise
(discoverdatascience 2022): https://www.discoverdatascience.org/industries/sports/#:~:text=Sports%20statisticians%20(or%20analysts)%20will,scientists%20for%20the%20sports%20industry.
(Senbel et al., 2022): https://ieeexplore.ieee.org/document/9690164
(Nistala, Guttag, 2019): https://www.sloansportsconference.com/research-papers/using-deep-learning-to-understand-patterns-of-player-movement-in-the-nba
(BBC, 2021): https://www.bbc.com/sport/articles/crydkxv1l50o
(Morgulev, 2018): https://link.springer.com/article/10.1007/s41060-017-0093-7
(Kollár, 2021): https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3852372
