Sportanalytics: hoe verschillende sporten data-analyse gebruiken

Volgens de belangrijkste statistieken over datacreatie in 2022 worden er dagelijks 2,5 quintiljoen bytes aan data gecreëerd. Met zulke hoeveelheden data hebben steeds meer mensen toegang tot informatie waarmee ze betere beslissingen kunnen nemen. Het is dan ook geen verrassing dat data een steeds grotere rol speelt in bijna elke sector. Een gebied dat floreert in dit nieuwe tijdperk is sportanalytics. 

Iedereen die geïnteresseerd is in sportuitzendingen weet hoe groot de rol van data en statistieken tegenwoordig is in de sportindustrie. Een groeiend aantal mensen in de sport wil de kracht van analytics omarmen om elk statistisch voordeel te vinden dat ze kunnen, wat heeft geleid tot de opkomst van de sportanalytics-industrie. 

Wat is sportanalytics? 

Sportanalytics is de studie van sportprestaties en zakelijke gezondheid om de processen en het succes van een sportorganisatie te optimaliseren. Er zijn in essentie twee onderdelen van sportanalytics:

• On-field data-analyse. Dit gebied omvat het bijhouden van belangrijke on-field datametrics om methodes te beïnvloeden die kunnen worden gebruikt om in-game strategieën, voedingsplannen en andere cruciale gebieden die op ethische wijze de prestaties van atleten kunnen verbeteren, te optimaliseren. Het probeert vragen te beantwoorden over prestaties op het veld, zoals “welke voetballer heeft in Europa de meeste kansen gecreëerd?” of “welke speler heeft het snelst gelopen over 20 meter?” enz. 
• Off-field data-analyse. Hier ligt de focus op de zakelijke kant van sport. Het omvat het monitoren van belangrijke off-field datametrics zoals kaartverkoop, merchandiseverkoop, fanbetrokkenheid, enz. Dit type data-analyse wil besluitvormers binnen sportteams helpen om betere beslissingen te nemen die gericht zijn op meer groei en winstgevendheid. 

Data-analyse is van vitaal belang in moderne bedrijven. Verschillende ondernemingen in uiteenlopende sectoren hebben data-analyse ingezet om hun prestaties te optimaliseren. Door data-analyse te implementeren in hun bedrijfsmodel, beschikken bedrijven nu over voldoende informatie om betere zakelijke beslissingen te nemen en efficiënter kosten te verlagen.  

Waarom is data-analyse in de sport nuttig? 

De mondiale sportmarkt groeide van 354,96 miljard dollar in 2021 naar 496,52 miljard dollar in 2022, volgens onderzoek van the business research company, waarmee het een van de grootste markten ter wereld is. Naarmate de uitgaven in de wereldwijde sportmarkt toenemen, zijn sportteams veel meer geneigd te investeren in sportdata-analyse voor een concurrentievoordeel. Daarom wordt verwacht dat de sportanalytics-markt tegen 2025 zal groeien tot meer dan $4,5 miljard. 

Enkele belangrijke voordelen van data-analyse in de sport zijn: 

Informatiegestuurde besluitvorming

Sportdata-analyse kan een handig hulpmiddel zijn voor het nemen van belangrijke strategische beslissingen. Toen Thomas Tuchel, voormalig manager van Chelsea Football Club, bijvoorbeeld werd gevraagd waarom hij doelman Kepa Arrizabalaga laat in de verlenging inbracht, antwoordde hij: “We hadden wat statistieken, we waren goed voorbereid, en Kepa is qua percentage de beste in het stoppen van strafschoppen.” Hij voegde eraan toe: “Er is bewijs dat Kepa beter is in deze discipline.” Chelsea won vervolgens de strafschoppenserie, waarbij Kepa twee penalty’s stopte. 

Hoewel het in het bovenstaande scenario ook anders had kunnen aflopen, leiden beslissingen die op en naast het veld door data worden ondersteund doorgaans tot krachtigere en nauwkeurigere besluitvorming. 

Een ander voorbeeld hiervan is in de NBA. Verschillende teams, zoals de Philadelphia 76ers, maken gebruik van verfijnde data-analysetechnieken, zoals datavisualisatie en hypothesetoetsing, om NBA-wedstrijden te analyseren en zo de coachingstrategie te beïnvloeden. 

Dit type analyse heeft een diepgaand effect gehad op basketbal. Meer actie vindt plaats bij de driepuntslijn sinds teams hebben ingezien dat meer driepunters nemen de trade-offs waard is (teams missen wellicht meer schoten, maar als ze raak zijn, levert het meer punten op). 

Hogere omzet 

In het algemeen kunnen bedrijven die investeren in data en analytics aanzienlijke financiële rendementen behalen. Volgens onderzoek van McKinsey & Company bedroeg de gemiddelde initiële winststijging door big data zes procent, oplopend tot negen procent bij investeringen over vijf jaar. 

Een gebied waar sportteams data-analyse gebruiken om de omzet te verhogen, is kaartverkoop. Het effectief bepalen van ticketprijzen is een belangrijk maar lastig onderdeel van verkoop. Met data-analyse kunnen sportorganisaties meer inzicht krijgen in kerncijfers, zodat ze de beste prijs-kwaliteitverhouding kunnen bepalen voor klanten én de organisatie. 

Zo gebruikte de Houston Astros data-analyse om “what-if”-scenario’s door te rekenen om eenmalige ticketkopers beter te begrijpen, met de hoop hen te converteren naar seizoenkaarthouders en tegelijk de huidige seizoenkaarthouders te behouden. 

In een ander geval werd analyse ingezet om de afwegingen te begrijpen die fans maken tussen variabelen zoals zitplaatslocatie, eet- en drinkopties en andere alternatieven in het clubgedeelte. Het idee was om fans beter te begrijpen, zodat franchises ticketaanbiedingen konden afstemmen op de behoeften van fans in een specifieke sectie.

Data-analyse in de sport is ook uitstekend voor het optimaliseren van online sportretailomzet. Sportteams passen technieken toe zoals datamanipulatie, aggregatie, opschoning en meer om productdata te analyseren en de omzet te optimaliseren.  

De ontwikkeling van de sportanalytics-industrie 

Sport en data-analyse zijn al lange tijd nauw met elkaar verbonden. Honkbal was een van de vroege koplopers in sportanalytics, met Earnshaw Cook die in 1964 Percentage Baseball publiceerde. Verschillende statistici zullen de popularisering van sportanalytics echter toeschrijven aan Billy Beane, general manager van de Oakland Athletics van 1997 tot 2016.

Tot 2002 keken coaches en atleten in het honkbal vaak weg van diepgaande data-analyse en vertrouwden ze liever op onderbuikgevoel, het esthetische van een speler of oppervlakkige statistieken zoals het slaggemiddelde. Billy Beane, gebonden aan een minimaal budget, merkte dat lopers op de honken krijgen cruciaal is om meer punten te scoren. Met dat inzicht richtte Beane zijn strategie op het aantrekken van ondergewaardeerde startende werpers – meestal voor een fractie van de prijs van een grote naam – met een hoge on-base percentage, vanuit het idee dat teams met een hoger on-base percentage waarschijnlijker punten scoren. 

Beane’s succes met de Oakland Athletics trok de aandacht van andere Major League Baseball (MLB)-teams. In 2003 was de Boston Red Sox de volgende MLB-ploeg die een vergelijkbare aanpak omarmde. Zijn strategie om een team te optimaliseren met sportdata-analyse werd bekend als “Moneyball”. Maar pas in 2011, toen de film Moneyball uitkwam, werd de term “sportanalytics” populair in de mainstream sportcultuur.

Sindsdien heeft elke grote sport zijn eigen analytics-evolutie doorgemaakt. Verschillende sportteams zijn erop gebrand een concurrentievoordeel te behalen met data-analyse en investeren fors in het aannemen van sportdatawetenschappers om data op en naast het veld objectief te analyseren.   

Hoe verschillende sporten analytics gebruiken

Hoewel het fundamentele doel van sportdata-analyse universeel is – een concurrentievoordeel behalen via statistiek en data-analyse – gebruiken verschillende sporten uiteenlopende methoden om data efficiënt te verzamelen en te analyseren die bij hun sport past. 

Voetbal

Sportdata-analyse vormt een integraal onderdeel van off-field besluitvorming in het voetbal. Voetbalclubs wereldwijd hebben zwaar geïnvesteerd in data science en aanverwante technologie om de prestaties van spelers op het veld te verbeteren en betere beslissingen naast het veld te nemen. Dit omvat het bijhouden en monitoren van data zoals de positie van spelers tijdens wedstrijden, vermoeidheid tijdens trainingen, afgelegde afstand en andere gegevens die meer inzicht kunnen geven in de conditie van spelers. 

Andere statistieken kunnen worden verzameld om de prestaties van een individuele speler te onderzoeken, zoals geslaagde dribbels, passes en intercepties. Analyse van deze data biedt coaches en spelers meer inzicht in de sterktes en zwaktes van hun spel, wat nuttig is voor hun ontwikkeling. Je kunt meer lezen over hoe data science het voetbal verandert in een apart artikel. 

Honkbal

Als een van de eerste sporten die sportanalytics omarmden, zet honkbal al jaren de toon. Sommige van de scherpste geesten in het spel, zoals Theo Epstein, hebben nog nooit een wedstrijd in de Major of Minor League honkbal gespeeld. In plaats daarvan vertrouwen deze mensen op hun hoogstaande opleiding en passie voor cijferen om beslissingen op en naast het veld te helpen nemen.

Door de diepgaande verzameling van statistieken in honkbal over een lange periode zijn meer mensen zoals Theo Epstein naar de sportanalytics-community van honkbal getrokken. Een breed scala aan statistieken wordt bijgehouden om de besluitvorming van MLB-teams te ondersteunen, zoals:

• Het slaggemiddelde (batting average): Een statistiek berekend door het aantal honkslagen te delen door het aantal slagbeurten van die speler. Deze statistiek onthult de neigingen van een speler en welke worp hem meestal doet uitgaan. Het doel is spelers te helpen identificeren welk type worp hun zwakte is – het is ook de meest besproken statistiek in honkbal. 
• On-base percentage: Dit is een van de belangrijkste offensieve statistieken; het laat zien hoe vaak een slagman weet te voorkomen dat hij uitgaat aan de plaat en wordt gedefinieerd als het percentage keren dat een speler het honk bereikt via een honkslag, vier wijd of geraakt worden door een worp.  
• Slugging average: Het slugginggemiddelde meet het slagvermogen van een speler. Het meet het aantal honken dat een speler verdient met honkslagen. Hoe hoger het slugginggemiddelde, hoe groter de kans dat de speler voor extra honken slaat.

Je kunt je kennis van honkbal, Python en datavisualisatie met Matplotlib en Seaborn toepassen in ons project Vergelijk honkbalspelersstatistieken met visualisaties.    

Basketbal 

Daryl Morey was een van de eerste general managers in de NBA die geavanceerde statistische metrics als essentieel onderdeel van spelersbeoordeling inzette. Tegenwoordig hebben de meeste NBA-teams sportdata-analisten in dienst. Hun rol is coaches en spelers te ondersteunen met data, zodat zij prestaties op het veld kunnen maximaliseren en ondergewaardeerde spelers kunnen identificeren. 

Op het allerhoogste niveau van basketbal gebruiken teams datatrackingcamera’s vanuit alle hoeken van de arena om elke beweging van elke speler op het veld te registreren. Deze data wordt vervolgens gesynchroniseerd met de statistieken van de spelers om een volledige analyse van hun prestaties te bieden.

Wat doen sportanalisten? 

Een sportanalist zal waarschijnlijk het toegewezen sportevenement bekijken, commentaar voorbereiden en dat commentaar live of op papier leveren. Daarom moeten ze over uitzonderlijk sterke analytische en communicatieve vaardigheden beschikken, omdat dit een groot deel van hun dagelijkse verantwoordelijkheden uitmaakt. Bovendien hebben sportanalisten diepgaande kennis van hun gekozen sport, inclusief een goed beeld van de historische context en de belangrijkste statistieken die de competitie bepalen. 

Hoe word je sportanalist

Nu de sportindustrie blijft groeien, is een natuurlijk bijproduct een schat aan carrièremogelijkheden. Mensen met een talent voor data-analyse en een grote interesse in sport kunnen hun vaardigheden en hobby’s combineren om een bevredigende carrière als sportanalist op te bouwen. 

Sportanalist worden bestaat doorgaans uit drie kernelementen: onderwijs, vaardigheden ontwikkelen en ervaring opdoen. Als je je afvraagt hoe je in sportanalytics terechtkomt, kunnen deze stappen je helpen. 

Opleiding

De meeste sportanalisten beginnen als gewone sportfans. Maar zodra je besluit dat je doel is om sportanalist te worden, moet je zoveel mogelijk informatie over sport opnemen. Van sportanalisten wordt vaak verwacht dat ze een soort wandelende sportencyclopedie zijn.

Bovendien is kennis van statistiek essentieel. Statistiek is de voorkeurs-taal in sportanalytics. Het helpt over het algemeen om goed op te letten bij actuele wedstrijdresultaten, zoals spelersstatistieken, winst-verliesbalansen en andere beschikbare statistische informatie, om je statistische vocabulaire te vergroten terwijl je leert welke metrics belangrijk zijn voor sportprestaties.

Op de lange termijn helpt opleiding in deze twee gebieden je om gezaghebbende beoordelingen en voorspellingen te maken op basis van statistische modellen.

Veel sportanalisten volgen een vorm van opleiding in sports data science, ofwel meer gericht op de sportkant ofwel op de data science-kant. Natuurlijk kunnen ook andere vormen van onderwijs helpen, of dat nu in sport, statistiek, data science of aanverwante vakgebieden is.     

Vaardigheden ontwikkelen

Er zijn veel soft en hard skills nodig om sportanalist te worden: 

Soft skills 

Gefundeerde kennis van statistiek en je gekozen sport is slechts één deel van het proces. Het andere deel is die statistische kennis combineren met de context uit je sport om inzichten te genereren. Een goede relatie met stakeholders helpt daarbij enorm, omdat van sportanalisten wordt verwacht dat ze de behoeften van stakeholders (bijv. coaches, directeuren, enz.) begrijpen en tijdig accurate inzichten leveren. 

Hoe inzichten worden overgebracht is ook belangrijk. Stakeholders zijn waarschijnlijk minder technisch dan de sportanalist, wat betekent dat inzichten moeten worden gerapporteerd in een begrijpelijk en bruikbaar formaat om hun plannings- en besluitvormingsproces te vereenvoudigen.

Hard skills

Iedereen die met data werkt, moet data-geletterd en bewust zijn – volg onze cursus Understanding Data Science om meer te leren. Een belangrijk onderdeel van het werk van een dataprofessional is ervoor zorgen dat data accuraat en betrouwbaar is, wat goede kennis vereist van hoe data wordt verzameld, opgeslagen en opgehaald. Dit omvat ook zorgen dat data schoon is: er wordt vaak geschat dat 80% van de tijd van een data scientist naar datacleaning gaat. 

Je kunt je datacleaningvaardigheden testen in dit project Exploring Airbnb Market Trends, dat zich richt op het importeren en opschonen van data en datamanipulatievaardigheden om Airbnb-data van New York City te verkennen. 

Naast het kunnen lezen, schrijven, communiceren en redeneren met data, moeten sportanalisten ook beschikken over stevige technische kennis van diverse analysetools en programmeertalen. Deze sportanalytics-tools omvatten Excel-spreadsheets, SQL, R, Python en Tableau.