Team Match Insight: að tengja hlaupatölur, xG og úrslit

Þjálfarateymi Breiðabliks spurði einfaldrar en djúprar spurningar: er munur á hlaupatölum í sigrum og töpum? Og ef svo er — tengist hann einhverju sem skiptir máli í leiknum sjálfum, eins og færum og marklíkindum (xG)? Vandinn er að svarið liggur ekki í einum leik. Einn leikur er hávaði: liðið getur hlaupið mikið og tapað, hlaupið lítið og unnið. Team Match Insight safnar saman öllum leikjum tímabilsins, les GPS- og IMA-hreyfingu hvers leiks á móti úrslitum og Wyscout-tölfræði, og dregur fram mynstrin sem sjást fyrst þegar nógu margir leikir eru komnir saman. Þetta er lýsandi lag (descriptive) — það hjálpar þér að skilja hvernig liðið spilar, án þess að snerta daglegu ákvörðunina um hver er grænn, gulur eða rauður.

Team Match Insight sameinar tvo gagnaheima sem venjulega búa hvor í sínu kerfi: líkamlegt álag (GPS/IMA úr Catapult) og leikframmistöðu (úrslit + Wyscout-tölfræði). Hún birtir fjögur lög: Fyrri hálfleikur vs venjan. Hlaupatölur síðasta leiks bornar saman við eðlilegt viðmið liðsins — sást óvenjulegt fall eða toppur í fyrri hálfleik? Sigrar vs töp. Hreyfimælikvarðar flokkaðir eftir úrslitum (W/D/L) með áhrifastærð (Cohen's d) fyrir hvern mælikvarða, svo þú sérð hvaða þættir eru raunverulega ólíkir en ekki bara örlítið frábrugðnir. Fylgni við úrslit. Hver hreyfimælikvarði á móti úrslitastigi (sigur = 1, jafntefli = 0,5, tap = 0), raðað eftir styrk. xG × hreyfing. Marklíkindi liðsins (xG með og xG á móti) á móti hreyfingu leiksins — þetta lag opnaðist þegar við bættum við niðurhalaðri Wyscout-tölfræði per leik, án nokkurs API.

Yfir 20 leiki þessa tímabils (11 sigrar, 5 jafntefli, 4 töp) er munurinn á sigrum og töpum skýr — og hann liggur í vörninni. Í sigrum gaf Breiðablik frá sér að meðaltali 1,69 í xG; í töpum 2,84. Á sama tíma lækkaði sóknar-xG liðsins ekki í töpunum — það var í raun ögn hærra (2,15 í töpum á móti 1,79 í sigrum). Með öðrum orðum: liðið skapaði nóg í leikjunum sem það tapaði; það sem breyttist var hvað það gaf frá sér. Þetta er varnarleg saga, og það er nákvæmlega sú tegund innsæis sem hvorki markatafla né hlaupatölur einar og sér gefa þér. En úrtakið er lítið — aðeins fjögur töp á tímabilinu — svo þetta er vísbending, ekki niðurstaða. Síðan merkir alltaf við þegar tölur byggja á fáum leikjum. Síðan minnir líka á að úrslit og frammistaða eru ekki það sama. Breiðablik tapaði 4:3 fyrir Fram þrátt fyrir að búa til meira í xG (3,01 á móti 2,77), og vann KR 6:3 þótt liðið væri undir í xG (2,83 á móti 3,59). Einn leikur getur logið; mynstur margra leikja gerir það síður.

Við keyrðum Pearson-fylgni hvers mælikvarða á móti úrslitastigi (sigur = 1, jafntefli = 0,5, tap = 0) yfir leiki tímabilsins. Hér eru sterkustu tengslin. Leiktölfræði (20 leikir): • Mörk á móti — r = −0,60 (p < 0,01) • xG á móti — r = −0,47 (p < 0,05) • Skot á móti — r = −0,39 • xG-munur (fyrir − á móti) — r = +0,28 • xG (fyrir), skot, boltahald, sendingar — r ≈ 0 GPS / IMA (19 leikir með gögnum): • IMA hraðaminnkun á mínútu — r = −0,55 (p < 0,05) • IMA hröðun á mínútu — r = −0,42 • Player Load á mínútu — r = −0,23 • Heildarvegalengd á mínútu — r = −0,18 • Háhraðahlaup, sprettir og hámarkshraði — r ≈ 0 Tvennt sker sig úr. Í fyrsta lagi vörnin: mörk á móti og xG á móti eru sterkustu tengslin við úrslit — liðið tapar þegar það gefur frá sér, ekki þegar það skapar lítið. Í öðru lagi hemlun: meiri IMA hraðaminnkun (og hröðun) á mínútu tengist verri úrslitum — líklega vegna þess að lið sem er undir bremsar og eltir meira, sem er afleiðing þess að tapa fremur en orsök. Það sem er athyglisvert er hvað mælist EKKI: háhraðahlaup, sprettir, sóknar-xG og boltahald hafa nánast enga fylgni við úrslit. Að hlaupa hraðar eða eiga boltann meira segir ekkert um hvort leikurinn vannst. Fyrirvari: úrtakið er lítið — aðeins þrjú til fjögur töp með gögnum — svo þetta eru vísbendingar en ekki niðurstöður, og fylgni er ekki orsök. Enginn þessara mælikvarða veldur úrslitum; þeir mælast bara saman.

Þegar hreyfimælikvarðar eru lesnir á móti úrslitum koma fram tengsl sem eru rökrétt en verða að skoðast varlega vegna lítils úrtaks. Í gögnum Breiðabliks hallast heildarvegalengd á mínútu og háhraðahlaup á mínútu í átt að betri úrslitum, meðan sumir stefnubreytingaþættir hallast hina áttina. Kerfið reiknar Pearson-fylgni beint úr gögnunum og raðar mælikvörðunum eftir styrk, en það merkir alltaf við þegar úrtakið er of lítið til að treysta tölunni. Mikilvægt: fylgni við season-xG (uppsafnað per leikmann) er veik — í kringum 0,3 — sem er einmitt það sem búast má við. Að hlaupa meira gerir þig ekki að betri markaskapara; þessir tveir hlutir mælast bara stundum saman. Team Match Insight sýnir þessa veiku fylgni heiðarlega frekar en að fela hana.

Þetta er kjarninn í því hvernig síðan er hönnuð. Team Match Insight segir aldrei „hlauptu meira og þið vinnið". Hún sýnir samband (association), aldrei orsök og aldrei spá. Ástæðurnar eru þrjár. Í fyrsta lagi getur þriðji þáttur skýrt bæði: lið sem er undir í leik hleypur oft meira á eftir boltanum, svo mikið hlaup getur verið afleiðing þess að tapa fremur en orsök þess að vinna. Í öðru lagi er úrtakið lítið — um tuttugu leikir — svo einstakir leikir toga fast í tölurnar. Í þriðja lagi er xG sjálft líkan með óvissu, ekki sannleikur. Þess vegna birtir síðan áhrifastærðir og fylgnitölur með skýrri viðvörun um lítið úrtak, og heldur öllu í lýsandi laginu. Hún hjálpar þjálfara að spyrja betri spurninga — „af hverju gáfum við frá okkur svona mikið í þessum töpum?" — ekki að fá sjálfvirkt svar.

Team Match Insight fylgir sömu reglu og allt annað í MicroPulse: eitt kerfi, einn dómur, sýnilegur alls staðar. Þessi síða er samhengislag — hún snertir aldrei readiness-litinn, daglegu ákvörðunina né þjálfunartillöguna. Grænn, gulur og rauður koma áfram úr persónulega viðmiðinu (hvernig dagurinn í dag ber saman við venjuna hjá hverjum leikmanni), ekki úr því hvort liðið vann síðasta leik. Gögnin bera líka sitt eigið uppruna-merki: hreyfing kemur úr Catapult GPS/IMA, úrslit úr leikjaskránni og xG úr Wyscout-tölfræði sem er hlaðin niður per leik. Þú sérð hvaðan hver tala kemur og hversu fersk hún er. Það er allur tilgangurinn — að þjálfari geti lesið dóminn á sekúndum, séð ástæðuna á eftir, og grafið niður í tölurnar og heimildirnar þegar hann vill.

Impellizzeri, F. M., Marcora, S. M., & Coutts, A. J. (2019). Internal and external training load: 15 years on. International Journal of Sports Physiology and Performance, 14(2), 270–273. https://doi.org/10.1123/ijspp.2018-0935 Bradley, P. S., & Ade, J. D. (2018). Are current physical match performance metrics in elite soccer fit for purpose or is the adoption of an integrated approach needed? International Journal of Sports Physiology and Performance, 13(5), 656–664. https://doi.org/10.1123/ijspp.2017-0433 Gabbett, T. J. (2016). The training—injury prevention paradox: should athletes be training smarter and harder? British Journal of Sports Medicine, 50(5), 273–280. https://doi.org/10.1136/bjsports-2015-095788 Rathke, A. (2017). An examination of expected goals and shot efficiency in soccer. Journal of Human Sport and Exercise, 12(2proc), S514–S529. https://doi.org/10.14198/jhse.2017.12.Proc2.05 Athugasemd: Tölur um Breiðablik eru reiknaðar úr Wyscout-liðstölfræði per leik (20 leikir á þessu tímabili, 2026) og innri GPS/IMA-gögnum kerfisins. Heimildir eru í APA 7. útgáfu stíl og voru sannreyndar í gögnum útgefenda.