OMAT KOKEMUKSENI DATASTA VALMENNUKSEN APUVÄLINEENÄ

 OMAT KOKEMUKSENI DATASTA VALMENNUKSEN APUVÄLINEENÄ

 

Nykyisin on tarjolla vaikka minkälaista numeraalista dataa peleistä ja niiden erinäisistä tapahtumista. Keskustelut kollegoiden kanssa ympäri Suomen ovat antaneet kuvan, että data ohjaa päätöksiä tänä päivänä enemmän kuin se teki esimerkiksi kymmenen vuotta sitten. Miten tähän hetkeen ollaan päädytty?

 

Muistan kun ensimmäisen kerran törmäsin dataan 2018 kaudella, jolloin toimin Rovaniemellä kakkosvalmentajana. Päävalmentajamme halusi ja osasi tulkita dataa, jota kaikki Veikkausliigaseurat saivat yhtiöltä, jonka analyysit perustuivat robotiikalla tehtyihin numeraalisiin tuloksiin pelin tapahtumista. Jo hyvin varhaisessa vaiheessa kävi selväksi, että robotiikalla tehty jälkianalyysin data ei ollut kovinkaan pätevää pelitapahtumiin nähden. Esimerkkinä tästä voisi käyttää tilannetta, jossa keskuspuolustajamme yrittää syöttää pitkää diagonaalista ristipalloa, mutta se osuu matkalla keskikenttäpelaajan selkään kimmoten siitä vastustajalle. Tilanteesta robotiikka merkkasi keskuspuolustajalle onnistuneen syötön ja keskikenttäpelaajalle menetyksen. Tämä ei tietenkään ollut se mitä datalta halusimme. Seuraavaksi vuodeksi pohjoiseen saapui varmasti yksi Suomen parhaista pelianalyytikoista, joka rakensikin edustusjoukkueelle hyökkäysmekanismeja dokumentoivan taulukon. Tämä oli kuitenkin enemmän sellaista takapiha puuhastelua, mutta varmasti olimme edellä muita seuroja, jotka turvautuivat pelkkään robotiikan tuottamaan dataan. Nuo vuodet ovat olleet erityisen mieleenpainuvia sillä saamani oppi viisaammiltani jäsensivät oman pelifilosofiani teoksi pelkän teorian sijaan.

 

Vuosien aikana kyseinen yritys on fuusioitunut isomman analytiikka yrityksen kanssa ja tällä hetkellä he tuottavat suurimmalle osalle joukkueista videoita ja numeraalista dataa. Edelleen tuossa datassa on merkittäviä virheitä, johtuen ihmisten ja robotiikan välisestä kuilusta ymmärtää toisiaan. Tästä varmaankin karkein esimerkki on maaliodottaman arviointi. Trendaava xG eli maaliodottama lasketaan siten, että otetaan merkittävä määrä samankaltaisia tilanteita, josta maali syntyy tai ei synny. Tälle maalintekotilanteelle annetaan numeraalinen arvo. Virheellisen tuosta numeraalisesta arviosta tekee robotiikassa se, että se ei ota huomioon onko laukaisija tasapainoisessa asennossa suorittaessaan laukausta tai onko pallon ja maalin välissä yksi tai viisi pelaajaa estämässä maalintekoyritystä. Jokainen ymmärtää sen, että jos tilanteessa on tasapainoinen laukoja ja edessä vai yksi vastustaja on maalinteko todennäköisempää kuin se, että siinä olisi kyljessä horjuttava lähin vastusta sekä kaksi keskuspuolustajaa blokkaamassa laukausta. 

 

Tämä on massoja palvelevien datayritysten ongelma. Sillä jälkianalyysidataa odotetaan mahdollisimman nopeasti ilmestyväksi palvelimeen ottelun loppuvihellyksen jälkeen. Mikäli ottelu päättyy Suomessa esimerkiksi klo 20:00, on yleisimmin käytetyn ison datayrityksen arvot nähtävissä seuraavana päivänä puolen päivän aikaan. Hyvää palvelua, mutta onko tarkkuus yhtä hyvää… sitä on vaikea uskoa, sillä maailmalla pelataan myös muitakin jalkapallopelejä saman aikaisesti.

 

Tänä vuonna olen päässyt tutustumaan itselleni uuteen data-analyysi yritykseen, jonka tarkoituksena on tarjota numeraalista dataa otteluiden tapahtumista sekä yksittäisten pelaajien suorituksista. Kun videoita ei ole tarjolla, ei se myöskään vie aikaresurssia yritykseltä vaan kohdennettu numeraalisen datan tuottaminen on ydin toimintaa. Itselleni tämä lisää merkittävästi myös tarkkuutta. Jälkianalyysidatan tuottaminen vie yritykseltä myös enemmän aikaa kuin edellä kuvaamani aikataulu suuresta yrityksestä. Myös tämä antaa itselleni kuvan tarkemmasta työstä.

Itselleni on tänä vuonna avautunut myös kokonaan uusi maailma, koska seuramme strategiassa esiin nostettu tiedolla johtamisen kulttuuri on myös tuotu valmennustiimien arjeksi. Siksipä olen tänä kesänä tehnyt enemmän ja tarkennetumpaa omaa analytiikkaani toiminnoista kentällä. Minulla on ollut vastuuna hyökkäyspelimme toimintojen vaikuttavuus. Lisäksi olen pyrkinyt peilaamaan harjoiteltujen asioiden yhteyttä kenttätapahtumiin. Kuulostaa todella pahalta jalkapallojargonilta ja sitä se myös tarkoituksella on. Ehkä tulevaisuudessa avaamme kiinnostuneille tarkasti mitä tuolla tarkoitan. Joka tapauksessa uskon meidän löytäneen toiminnoistamme avaintekijän, jonka avulla pystymme joko kontrolloimaan tai dominoimaan peliä. Tätä avaintekijää seuraamalla olemme pystyneet määrittämään joukkueellemme ”sweet spot” arvot avaintekijän suhteen. Ne ottelut, jotka eivät ole päättyneet joukkueemme kannalta suotuisaan lopputulokseen, ovat olleet juurikin avaintekijän osalta haastavia. Kun taas avaintekijän osuminen ”sweet spot” alueelle on aiheuttanut kehutulvan myös joukkueen ulkopuolisten osalta erilaisin adjektiivein.

 

Kaikki kokemukseni datan käytöstä voidaan kiteyttää vanhaan sanontaan, että data on hyvä renki mutta huono isäntä. Välillä keskustellessani valmentajien kanssa tulee ”Moneyball” fiilis, jossa hienon lajimme mutkat pyritään suoristamaan datan avulla. Kaikista tärkeintä on ymmärtää, että valmentajuus on ihmisten valmentamista. Se ei ole robotiikan tuottaman datan tulkitsemista, koska kaikki inhimillisyys jää pois arvioinnista. Data erinomainen apuväline vahvistamaan valmennusprosessin vaiheita, mutta muistakaa arvoisat kollegat, ettette astu samaan monttuun kuin mihin itse astuin. Datasta voi halutessaan löytää ne asiat mitkä itse haluaa löytää. Ei siis pidä tulkita dataa omista erinomaisista näkökulmista vaan objektiivisesti mikäli haluaa löytää palautteen oman prosessin vaiheista. Samalla haluan kannustaa jokaista valmentajaa ja valmennustiimiä etsimään oman pelin avaintekijää, jonka avulla uskotte saavanne prosessinne kiihtyvän maksimivauhtiin. Se ei varmasti löydy ensimmäisellä oivalluksella tai toisellakaan, mutta yrittämällä ja erehtymällä kaikki muutkin maailman keksinnöistä on syntynyt. Oma jälkianalytiikka antaa sinulle myös parempia työkaluja jakaa palautetta pelaajille, jotta avaintekijöiden tärkeyden ymmärtäminen lisääntyisi ja sitä mukaa toiminnot kentällä.

 

Summa summarum, käytä dataa vahvistamaan ja poistamaan arvioita, joita olet prosessistanne tehnyt. Tulkitse erilaisia parametrejä ja pyri löytämään teidän kannalta ne oleellisimmat, koska kaikkia parametrejä ei kannata alkaa yrittää tulkitsemaan. Teidän avainparametrejä seuraamalla pystyt kauden jälkeen tekemään arvion toiminnoista sekä suunnittelemaan tulevaisuutta. Valmentajuus on kuin elämä… tutki, tee, tee virheitä, analysoi, opi ja tee uudestaan.