Forskarens motintuitiva fynd: att medvetet sparka bollen i touch på motståndarens planhalva kan vara fotbollens smartaste drag

När datavetenskap möter det vackra spelet

Fotboll har länge betraktats som för flytande och kaotiskt för att analyseras med statistiska metoder. Det finns inga naturliga pauser som i basket eller amerikansk fotboll, spelet formas av ögonblicksbeslut och det händer sällan särskilt mycket — ett genomsnittligt proffsmatch rymmer kanske tre eller fyra mål, utspridda över 1 500-plus aktioner. Det har gjort det svårt att bygga meningsfulla träningsdatamängder.

Men enligt MIT Technology Review är det precis det problemet som Jesse Davis, professor i datavetenskap vid det belgiska universitetet KU Leuven, ägnat det senaste decenniet åt att lösa — och han och hans forskargrupp börjar nu betraktas som världsledande inom fotbollsanalys.

Inkastet som vapen

Ett av de mest uppseendeväckande resultaten från Davis labb handlar om ett drag som de flesta tränare instinktivt skulle avfärda: att medvetet sparka bollen i touch alldeles innanför motståndarens planhalva, och låta dem kasta in den.

Logiken bakom verkar bakvänd — varför frivilligt ge bort bollen? Men Davis forskarteam byggde ett träningsdatamaterial med över 1,4 miljoner passningar och runt 60 000 inkast, delvis hämtat från VM 2022, och använde beslutsträdsmodeller för att simulera konsekvenserna av olika taktiska val. Slutsatsen, publicerad i en artikel 2024 med den träffande titeln Boot it, visade att ett inkast i det egna anfallet kan placera laget inom tio aktioner från ett mål.

I ett spel med lite målskytte och enormt många aktioner är det en statistiskt sett dramatisk förbättring av utgångsläget. Det är den typen av insikt som är svår att nå intuitivt, men som träder fram tydligt när man låter modellerna bearbeta tillräckligt stora datamängder.

Från mammografier till mittlinjen

Det intressanta med Davis bakgrund, enligt MIT Technology Review, är att han inte kom till fotbollen via sporten — han kom via maskininlärningsforskningen. Han växte upp i delstaten Wisconsin med basket och amerikansk fotboll, och det var först VM 2002 som tände intresset för fotboll på allvar. Sedan dess har han tillämpat metoder som ursprungligen utvecklades för medicinsk bildanalys — bland annat mammografitolkning — på taktisk spelanalys.

Det är ett mönster vi ser om och om igen inom tillämpad maskininlärning: metoderna är domänoberoende. En beslutsträdsmodell bryr sig inte om den analyserar tumörvävnad eller passningsvägar. Det är kontexten och datakvaliteten som avgör användbarheten.

Klubbarna börjar lyssna

Att forskningen fått genomslag utanför akademin är tydligt. Hugo Rios-Neto, ansvarig för datadrivna spelarrekryteringar på belgiska RSC Anderlecht, beskriver Davis labb som "det mest betydelsefulla inom fotbollsanalys" — ett starkt omdöme i en bransch där det numera finns gott om aktörer.

Det är också ett tecken på att vi kommit förbi den första vågen av fotbollsstatistik, den där man i huvudsak räknade passningsprocent och avslut på mål. Den andra vågen handlar om att förstå taktiska strukturer, rumslig positionering och kedjan av händelser som leder fram till målchanser — och där är maskininlärning ett genuint kraftfullt verktyg.

För mig som systemutvecklare är det fascinerande att se hur tekniker från andra domäner — beslutsträd, sekvensmodellering, simuleringsbaserad utvärdering — nu tillämpas på en sport som i generationer analyserats med blotta ögat och magkänsla. Det handlar inte om att ersätta tränaren; det handlar om att ge tränaren ett bättre beslutsunderlag.

Fotboll är och förblir ett mänskligt spel. Men de lag som förstår hur man ställer rätt frågor till data kommer att ha ett strukturellt övertag — och det övertaget växer för varje säsong.