Die besten Daten aus der Welt des Fußballs: Hudl Statsbomb führt neue HOPS-Kennzahlen und ein Modell für Standardsituationen ein

Von der Bewertung der Kopfballstärke bis hin zur phasenspezifischen Analyse von Standardsituationen – unsere Verbesserungen bei HOPS und Standardsituationen helfen Ihnen dabei, Vorteile zu entdecken, die Ihren Konkurrenten entgehen.

Wir bei Hudl Statsbomb sind stolz darauf, nicht nur die genauesten und detailliertesten Daten der Branche anzubieten, sondern auch darauf, dass unser erstklassiges Data-Science-Team neue Modelle entwickelt und diese kontinuierlich aktualisiert, um den Anforderungen des modernen Fußballs gerecht zu werden.

Deshalb freuen wir uns, bekannt geben zu können, dass wir neue HOPS-Kennzahlen (Header Orientated Performance System (HOPS)) und ein verbessertes Modell für Standardsituationen in die Hudl Statsbomb API aufnehmen.

Ob einzeln oder gemeinsam genutzt, bieten sie Analysten eine Vielzahl neuer Kennzahlen, mit denen sich bessere und umfassendere Erkenntnisse gewinnen lassen, die die Spielerverpflichtung, die Analyse und die Gestaltung von Standardsituationen verbessern.

HOPS auf ein neues Niveau: Neue Kennzahlen für die Luftzweikämpfe

Analysten wollen nicht nur wissen, ob ein Spieler ein Kopfballduell gewonnen hat – sie wollen wissen, wie schwierig dieses Duell war. Doch ohne den Kontext der wichtigsten Variable – der Qualität des Gegners – konnten einfache Kopfballstatistiken nicht das ganze Bild vermitteln.

Deshalb haben wir HOPS bereits im Jahr 2023 entwickelt. Wir haben erkannt, dass ein Modell erforderlich ist, das über die Standardkennzahlen „Kopfballduelle gewonnen pro 90 Minuten“ und „Prozentsatz gewonnener Kopfballduelle“ hinausgeht und die Kopfballstärke des gegnerischen Duellanten berücksichtigt, um den Sieger des Duells angemessen zu würdigen. 

HOPS hat funktioniert. Endlich hatten die Analysten eine Möglichkeit, Virgil van Dijk mit – nun ja – jedem zu vergleichen, der nicht Virgil van Dijk war.

Doch der Fußball entwickelt sich ständig weiter – und damit auch die Fragen, die uns Analysten stellen. Können wir beispielsweise die gesamte Kopfballstärke einer Mannschaft messen, nicht nur die einzelner Spieler? Können wir quantifizieren, wie anspruchsvoll die Kopfball eines Verteidigers tatsächlich war?

Unsere Datenexperten haben sich an die Arbeit gemacht. Bildlich gesprochen haben sie Box-Jumps, Pin-Squats und Einbein-Jumps absolviert, um sicherzustellen, dass HOPS neue Höhen erreicht.

Im Rahmen der Einführung ist HOPS nun in der Hudl Statsbomb API verfügbar und umfasst zudem die folgenden neuen Kennzahlen:

• HOPS Rating (Normalized): Eine standardisierte Bewertung der Kopfballstärke auf einer Skala von 0 bis 1 zur Analyse der Spielpaarungen vor dem Spiel.
• HOPS Raw Rating: Der Rohbewertungswert, der für die genaue Berechnung der Duellwahrscheinlichkeit verwendet wird.
• Duel Win Probability: Die Wahrscheinlichkeit (0–1), dass ein Spieler ein bestimmtes Duell gewinnt, basierend auf den HOPS-Werten der Teilnehmer.
• xHeaders (Match & Season): Die Summe der Gewinnwahrscheinlichkeiten aller Luftduelle, an denen ein Spieler teilgenommen hat.
• Aerial Duel Difficulty: Die durchschnittliche Wahrscheinlichkeit, mit der ein Gegner die Luftduelle gewinnt, denen eine Mannschaft ausgesetzt ist.
• Aerial Unit Rating: Eine zeitgewichtete Durchschnittsbewertung der fünf besten Kopfballspieler einer Mannschaft auf dem Spielfeld.
• Aerial Team Rating: Eine zeitgewichtete Durchschnittsbewertung aller 11 Spieler auf dem Platz, die die allgemeine Stabilität der Mannschaft widerspiegelt.

Schauen wir uns einmal an, wie diese neuen Kennzahlen in der Praxis funktionieren, und betrachten wir dazu das „Aerial Unit Rating“ in einem realen Kontext.

Natürlich existiert die Kopfballstärke nicht in einem Vakuum. Wo verdienen sich die besten Kopfballspieler ihren Lebensunterhalt? Bei Standardsituationen. Das bringt uns zu unserer zweiten Verbesserung…

Optimierung von Standardsituationen: Phasenspezifische Analyse

Die Analyse von Standardsituationen hat sich rasant weiterentwickelt – ebenso wie die Fragen, die sich Analysten stellen. Zwar konnten sie bisher mithilfe von Videos die erste Phase der Ausführung von der zweiten Phase unterscheiden, doch dies war zeitaufwendig. Sehr zeitaufwendig. Die eigentliche Herausforderung besteht darin, schneller zu diesen Erkenntnissen zu gelangen.

Auf Grundlage von Kundenfeedback haben wir das Set-Piece-Modell weiterentwickelt, um dieses Problem zu lösen: Es erfasst mehr Standardsituationen (insbesondere zuvor übersehene Chancen in der zweiten Phase) und liefert sofort phasenspezifische Analysen – nicht erst nach stundenlanger Videoauswertung.

Unser dynamisches Modell basiert auf den Bewertungen unserer Experten und ist auf kontinuierliches Umlernen ausgelegt. Es verbindet fundiertes Fußballwissen mit maschinellem Lernen. Die Architektur des Modells ermöglicht eine kontinuierliche Verbesserung: Es berücksichtigt weiteres Kundenfeedback und passt sich neuen taktischen Trends an, da Standardsituationsstrategien immer ausgefeilter werden.

Der entscheidende Wandel besteht darin, dass wir uns von zeitbasierten Fenstern wegbewegen, hin zu kontextbezogenen Modellen, die das Spielgeschehen tatsächlich verstehen. Die harten Fakten – ausgeführte Ecken, vergebene Freistöße, Einwürfe – bleiben völlig unverändert. Was sich geändert hat, ist die darüber liegende Intelligenz.

Im Rahmen der Einführung stehen nun die folgenden neuen Kennzahlen für Standardsituationen zur Verfügung:

• Indirekte Freistöße: Bisher zusammen mit allgemeinen Freistößen aufgeführt, nun – endlich – in einer eigenen Kategorie. Enthält Statistiken zu Freistößen, Toren, Torschüssen und xG sowohl für die Offensive als auch für die Defensive.
• Effizienzkennzahlen: Wir haben die Leistungskennzahlen automatisiert, die Analysten bisher ohnehin manuell berechnet haben. Für jede Kategorie von Standardsituationen – Ecken, Einwürfe, direkte und indirekte Freistöße – liefert die API nun standardmäßig xG pro Standardsituation, Schussquote und Torquote.
• Erweiterte Feldzuordnung: 30 neu berechnete Kennzahlenfelder und insgesamt über 70 zugeordnete Felder, darunter Durchschnittswerte pro Spiel im Endpunkt „Saison“. Mehr Daten, weniger Aufwand mit Tabellenkalkulationen.

Durch die Unterscheidung zwischen der ersten und der zweiten Phase können wir uns ein differenzierteres Bild von der Effektivität von Standardsituationen machen.

Betrachtet man die in der diesjährigen Premier-League-Saison erzielten xG-Werte, so zeigt sich, dass Arsenal und Brentford in der Liga führend sind, wenn es darum geht, bereits aus dem ersten Spielzug heraus hochwertige Torchancen zu generieren. Newcastle hingegen bildet einen interessanten Gegenpol: Das Team ist in der zweiten Phase erfolgreicher bei der Schaffung hochwertiger Torchancen, hat jedoch Schwierigkeiten beim ersten Spielzug.

Dies ist nur ein kleiner Ausschnitt dessen, was mit dem neuen Modell analysiert werden kann. Man kann beispielsweise jede Kennzahl auf beide Phasen aufteilen und auch untersuchen, welche Mannschaften die meiste Zeit in Phase 1 und 2 verbringen.

Kraft vs Strategie: Wo HOPS auf Standardsituationen trifft

Die Frage lautet also: Führt eine in der Luft überlegene Abwehr dazu, dass bei Standardsituationen weniger Gegentore kassiert werden? 

Man könnte versucht sein, eine Mannschaft zusammenzustellen, die voll mit HOPS-Monstren gespickt ist. Die Daten zeigen jedoch, dass es nicht so einfach ist. 

Wenn wir die Stärke der Kopfballabteilung gegen die in Phase 1 und Phase 2 kassierten xG-Werte auftragen, sehen wir, dass der Zusammenhang nicht linear ist. Die dominierendsten Kopfballspieler auf dem Platz zu haben, bedeutet nicht, dass man bei Standardsituationen weniger Chancen zulässt.

Die Stärke der Abwehrreihe allein ist kein Allheilmittel, um Tore nach Standardsituationen zu verhindern – entscheidend für den Erfolg bleibt, wie man sich organisiert, um freie Spieler und Ungleichgewichte zu vermeiden.

Hier kommen die neuen HOPS-Kennzahlen und das verbesserte Modell für Standardsituationen ins Spiel. Sie trennen das „Was“ vom „Wie“. Eure Abwehrreihe dominiert in der Luft. Großartig. Aber seid ihr so aufgestellt, dass ihr die Gefahren des Gegners neutralisieren könnt? Nutzen sie eure Schwächen bei der ersten Flanke aus oder setzen sie auf Chancen nach dem zweiten Ball? Decken eure besten Kopfballspieler die gefährlichsten Gegner ab – oder werden Ungleichgewichte ausgenutzt?

In Kombination mit einer speziellen Analyse-Ressource, helfen dir diese Modelle, noch größere Vorteile zu finden: die taktischen Schwachstellen, die deine Gegner noch nicht entdeckt haben, und die Ungleichgewichte in deiner eigenen Aufstellung, von denen du nichts wusstest.