Analyse: Die Vermessung des Fußballs

Düsseldorf In dieser Woche startete die FIFA Fußballweltmeisterschaft in Russland mit dem Eröffnungsspiel des Gastgebers gegen Saudi-Arabien. Das ohnehin hohe Interesse am Fußball wird in den vier Wochen des Turniers noch vergrößert. Denn Journalisten und Fachleute werden sich unzählige Stunden in Fernsehberichten sowie Print- und Online-Publikationen mit sämtlichen Facetten des Spiels auseinandersetzen.

In dieser medialen Dauerberieselung wird aller Voraussicht nach auch ein Thema Aufmerksamkeit finden, welches im fußballerischen Alltag oft in Vergessenheit gerät: Die statistische Vermessung des Fußballs. Die Tatsache, dass rund um den Fußball eine Reihe von Statistiken geführt wird, ist seit geraumer Zeit selbstverständlich. Daten zur Anzahl der Torschüsse, zum Ballbesitz, zu Zweikampfwerten und zur Laufleistung sind zu einem zentralen Bestandteil der Berichterstattung geworden. Darüber hinaus gibt es aber eine riesige Menge an weiteren Daten, die ihren Weg bisher nicht in die öffentliche Wahrnehmung gefunden haben. Dennoch sind sie alltägliche Werkzeuge von Trainern, Analysten, Managern und professionellen Wettern. Zu den bekannteren Statistiken zählen etwa „Expected Goals“.

Dabei wird das Spielfeld in sehr kleine Segmente unterteilt, und für jedes Segment eine Wahrscheinlichkeit errechnet, mit der ein Schuss von dort den Weg ins Tor findet. Eine andere komplexe Statistik ist das vom Ex-Profi Stefan Reinartz entwickelte „Packing“. Mit dieser Methode wird quantifiziert, wie viele Gegenspieler ein Spieler mit einer Aktion ausschaltet.

Der Einsatz von Big Data-Analysen gilt als eine der bedeutendsten Entwicklungen der digitalen Welt. Solche Analysen verschaffen zum Beispiel Unternehmen neue Möglichkeiten, Prozesse zu optimieren und neue Geschäftsmodelle zu entwickeln. Big Data-Analysten sind daher hochbezahlte und händeringend gesuchte Experten. Die Möglichkeiten für den Einsatz von Big Data im Fußball sind außerordentlich groß, da – wie die genannten Beispiele zeigen – immense Datenmengen bereits vorliegen. Jedes professionelle Fußballspiel wird anhand zahlreicher Metriken vermessen. Und beim Training wird in vielen Fällen sogar mit Sensoren in Ball, Trikots und Schuhen gearbeitet, um noch umfangreichere und genauere Daten zu sammeln.

Dennoch wäre es ein Irrtum, zu glauben, dass der Profifußball zu einem Eldorado der Big Data-Analyse geworden ist. Denn die Diskrepanz zwischen Potenzial und Wirklichkeit im Alltag ist enorm. Dafür sind im Wesentlichen drei Gründe ausschlaggebend:

• der ungeordnete Ablauf des Spiels,
• der „Expert Bias“ sowie
• Fehlschlüsse der Datenanalyse.

Die bislang am gründlichsten statistisch vermessene Sportart ist Baseball, da dort die Bedeutung von Spiel- und Spielerdaten schon sehr früh erkannt wurde. Der Hauptgrund dafür liegt in der relativ statischen Natur des Spiels: Es basiert auf einer Aneinanderreihung klar definierter Spielzüge. Damit ist es sehr gut geeignet für statistische Analysen, vergleichbar damit, als würde Fußball nur aus Elfmetern, Eck- und Freistößen bestehen.

Die Qualität und Aussagekraft der Baseball-Daten ist dabei so hoch, dass es eine Reihe ökonomischer Studien zur Bestimmung von Diskriminierung gibt, die darauf beruhen. Auch die ursprüngliche Idee des „Moneyballs“ kommt aus dem Baseball. Einer breiten Öffentlichkeit wurde dies durch den Bestseller von Michael Lewis bekannt: Darin wird die Geschichte des Baseball-Managers Billy Beane erzählt, der auf ein detailliertes Statistikverfahren setzte, um wirtschaftliche Nachteile seines Clubs auszugleichen. Mithilfe von Datenanalyse gelang es Beane, unterbewertete und damit günstige Spieler zu identifizieren.

Der Roman basiert auf den damals revolutionären Methoden des Baseball-Teams Oakland A's und wurde später mit Brad Pitt verfilmt. Auch im Football sind umfassende Datenanalysen weit verbreitet. Football ist zwar im Ablauf dynamischer als Baseball, besteht aber ebenfalls aus einer Aneinanderreihung von kurzen, immer wieder neu startenden Spielsequenzen. Das gleiche gilt für Basketball und Eishockey. Beide Sportarten sind zwar sehr dynamisch, aber durch ein kleines Feld und eine geringe Anzahl von Spielern charakterisiert. Deshalb haben dort statistische Modelle seit Längerem eine große Bedeutung.

Fußball dagegen wird auf einem großen Spielfeld mit vielen Akteuren gespielt. Zudem ist das Spiel hochgradig dynamisch, es wird nur selten unterbrochen und wenige Tore entscheiden den Ausgang der Partie. Dies hat zur Folge, dass der Einfluss des Zufalls größer und die Prognosefähigkeit statistischer Modelle geringer ist. Zudem spielt im Fußball der „Expert Bias“ eine besondere Rolle. Denn das Spiel selbst erfolgreich auf hohem Niveau gespielt zu haben, gilt gemeinhin als wichtigste Voraussetzung dafür, es erklären, vermitteln oder managen zu können.

Sportdirektoren und Manager leiten im Profifußball millionenschwere Unternehmen; ihre Qualifikation besteht aber häufig im Wesentlichen darin, dass sie selbst erfolgreiche Fußballer waren. Erst in der letzten Zeit setzen Vereine zunehmend auf junge, gut ausgebildete Trainer, die keine großen Spielerkarrieren hinter sich haben. Allerdings werden diese ob ihrer analytischen Herangehensweise an das Spiel oft abfällig als „Konzept-“ oder „Laptoptrainer“ bezeichnet. In einer Branche, in der die persönliche Erfahrung als Spieler als zentrales Kriterium für eine Karriere als Trainer oder Manager gilt, ist es schwierig, die neuen Möglichkeiten von Big Data-Analysen in die trainierten Abläufe zu implementieren.

Der Fußballjournalist Christoph Biermann beschreibt in seinem vor wenigen Monaten erschienen Buch „Matchplan“ sehr eindrücklich, dass immer noch das Bauchgefühl von Managern und Scouts oder die Beziehungen zu Spielerberatern die Kaderzusammenstellungen dominieren – trotz verfügbarer Datenbanken mit Unmengen von Spielerinformationen. Finden Statistiken trotz dieser Hürden doch den Weg in die Wahrnehmung der Entscheider, müssen aber noch die richtigen Metriken gewählt und diese richtig interpretiert werden. Wie schwierig dies mitunter ist, lässt sich an der Beurteilung von Spielern aufzeigen.

Stürmer werden häufig an der Anzahl ihrer geschossenen Tore gemessen. Im Vorfeld der WM etwa konkurrierten die Mittelstürmer Sandro Wagner und Nils Petersen um einen Platz im deutschen Aufgebot (um schließlich beide nicht nominiert zu werden). Petersen war in der abgelaufenen Bundesliga-Saison fünfzehnmal erfolgreich, Wagner dreizehnmal. Der Blick auf die Tore ist zwar interessant. Ebenso muss aber berücksichtigt werden, dass Wagner (zumindest in der Rückrunde der Saison) beim souveränen deutschen Meister Bayern München, Petersen beim lange Zeit abstiegsbedrohten SC Freiburg auf Torejagd ging.

Das heißt: Wagner wurde von seinem Team mit signifikant höherer Wahrscheinlichkeit in gute Abschlusssituationen gebracht, Petersen wiederum war der Elfmeterschütze seines Teams. Gleichzeitig war Wagners Wahrscheinlichkeit, auf dem Feld zu stehen, deutlich geringer – schließlich hatte er einen Konkurrenten wie Robert Lewandowski im eigenen Team. Diese Liste lässt sich ewig fortsetzen und zeigt, wie schwierig die Beurteilung eines Stürmers sein kann. Ein weiteres Beispiel: Christiano Ronaldo war die vergangenen sechs Jahre in Folge Torschützenkönig der Champions League, er ist fraglos ein Ausnahmestürmer.

Expected Goal-Statistiken zeigen aber, dass der dreifache Weltfußballer aus jeder Lage mit einer vergleichbaren Wahrscheinlichkeit das Tor trifft wie ein Durchschnittsspieler der spanischen Liga, in der er spielt. Was ihn von anderen Spielern abhebt, ist nicht die Qualität seiner Abschlüsse, sondern dass er häufiger aus vergleichsweise gefährlichen Lagen aufs Tor schießt. Wie viele Tore er schießt, hängt also elementar damit zusammen, wie er ins taktische Konzept eingebunden ist und in welchen Lagen er bedient wird. Die hier beschriebenen Beurteilungen von Spielern sind nur zwei Beispiele dafür, wie komplex die Interpretation von auf den ersten Blick klaren Statistiken sein kann.

Eine Mannschaft, die mehr läuft, gewinnt nicht zwingend das Spiel. Die vom Star-Trainer Pep Guardiola betreuten Mannschaften etwa dominieren ihre Gegner damit, dass sie den Ball in den eigenen Reihen halten und den Gegner hinterherlaufen lassen. Die Statistik der erfolgreichen Pässe ist wenig aussagekräftig, wenn eine Mannschaft den Ball mit vielen ungefährlichen Querpässen durch die eigenen Reihen laufen lässt. Die Mehrzahl der Zweikämpfe zu gewinnen hilft wenig, wenn man die entscheidenden verliert oder wenn die gegnerische Defensive mit einem guten Stellungsspiel vermeiden kann, überhaupt Zweikämpfe führen zu müssen.

Der Fußball befindet sich theoretisch in einem goldenen Datenzeitalter. Jedes Spiel, jeder Spieler, ja jede Aktion wird vermessen und aufgezeichnet. Leider wird dieser Datenschatz bislang kaum systematisch genutzt, zumindest nicht in dem Maße, in dem es möglich wäre. Dies ist kein Plädoyer für eine blinde Datengläubigkeit, zu groß sind die Limitierungen der potenziellen Anwendungsmöglichkeiten aufgrund der Natur des Spiels. Aber eine stärkere Einbeziehung als zusätzliches Hilfsmittel wäre den Vereinen sicher zu empfehlen.

Bestes Beispiel ist die Beurteilung des deutschen Topspielers Mesut Özil. Dieser wird häufig dafür kritisiert, in weiten Phasen des Spiels „abzutauchen“ und zu wenige wichtige Aktionen zu initiieren. Dennoch haben seine Trainer – ob Arsene Wenger beim FC Arsenal oder Joachim Löw in der deutschen Nationalmannschaft – in den vergangenen Jahren bei aller Kritik hinter dem Offensivspieler gestanden. Den Grund dafür findet man, wenn man tiefer in die Datenanalyse einsteigt. Löw und vor allem Wenger gelten als moderne Trainer, die Datenanalysen nutzen. Ihr Befund lautet: Özil ist einer der besten Zielspieler der Welt; seine große Qualität ist es, in wichtigen Räumen anspielbar zu sein.

Denn Packing-Statistiken zeigen, dass seine Laufwege und sein Raumverhalten überragend sind. Durch Pässe auf ihn werden extrem viele Gegner aus dem Spiel genommen.
Özil ist somit ein Weltklassespieler – eine Tatsache, die beim Blick auf traditionelle Statistiken verborgen bleibt. Das zeigt, das Vereine von moderner Datenanalyse durchaus profitieren können.

Rechnet man gegen, mit welchen finanziellen Aufwendungen Spielerverpflichtungen, Kaderumbauten oder Trainerentlassungen verbunden sind, sollte man erwarten, dass alle zur Verfügung stehenden Hilfsmittel zu Rate gezogen werden. Hier hat der Fußball noch einen weiten Weg vor sich.

Der Autor ist Head of Economic Analysis am Handelsblatt Research Institute.