Urheilun seuraaminen on muuttunut paljon. Pelkkä sarjataulukko tai viime ottelun tulos ei enää riitä, jos haluaa ymmärtää peliä kunnolla. Nyt katsotaan laukaisukarttoja, juoksumääriä, xG-lukuja, syöttöketjuja ja sitä, miten joukkue reagoi eri pelitilanteissa. Kun dataa tulee koko ajan lisää, myös päätökset muuttuvat tarkemmiksi.

Moni huomaa tämän jo tavallisessa arjessa. Lauantai-illan ottelua ei katsota enää vain fiiliksen varassa, vaan rinnalla on tilastoja ja malleja. Se tekee seuraamisesta kiinnostavampaa, mutta myös vaativampaa. Siksi aihetta kannattaa katsoa rauhassa ja käytännön kautta.

Kun taustatyö tehdään kunnolla

Hyvä analyysi alkaa ennen kuin yksikään veto on harkinnassa. Ensin katsotaan otteluohjelma, kokoonpanot, pelitapa ja viime viikkojen rytmi. Sen jälkeen mukaan tulevat urheilutilastot, todennäköisyyslaskenta ja yhä useammin myös koneoppiminen, joka auttaa löytämään kuvioita laajoista datamassoista.

Kun numerot pyörivät pitkään ruudulla, moni hakee välillä kevyempää viihdettä muualta. Silloin lisensoitu ja selkeä kasino kiinnostaa juuri siksi, että ympäristö on helppo arvioida etukäteen ilman turhaa säätöä. Ajatus on sama kuin urheiludatassa – ensin tarkistetaan taustat, vasta sitten tehdään valintoja.

xG kertoo enemmän kuin pelkkä tulos

Jalkapallossa xG on noussut isoon rooliin, eikä syyttä. Se kertoo käytännössä, montako maalia tilanteista olisi keskimäärin odotettavissa. Jos ottelu päättyy 1-0, mutta xG-luvut ovat 2,4 ja 0,5, peli ei näyttänyt kentällä yhtä tasaiselta kuin tulostaulu antaa ymmärtää. Siksi moni katsoo tuloksen jälkeen heti myös paikkojen laadun. Pelkkä voitto ei vielä kerro, pelasiko joukkue oikeasti hyvin. Kun xG:tä käyttää järkevästi, huomio siirtyy siihen, mitä kentällä oikeasti tapahtui.

Hyvässä urheiluanalyysissä katsotaan yleensä ainakin nämä asiat:

• Laukausten määrä ja laatu.
• Pallonhallinnan sijaan hyökkäysten vaarallisuus.
• Puolustuksen kyky estää laadukkaat paikat.
• Otteluruuhka, matkustus ja kokoonpanon leveys.

Lista näyttää lyhyeltä, mutta juuri siksi se toimii. Kun samat perusasiat käy läpi joka kerta, huomio pysyy pelissä eikä karkaa yleiseen puheeseen tai yksittäiseen otsikkoon.

Koneoppiminen auttaa, mutta ei ajattele puolesta

Koneoppiminen on hyödyllinen työkalu silloin, kun dataa on paljon. Malli käy suuren määrän dataa läpi paljon ihmistä nopeammin. Se löytää samoja kaavoja yhä uudelleen, vaikka otteluita, pelaajia ja tilanteita olisi paljon. Sanasta koneoppiminen saa hyvän peruskuvan, mutta käytännössä hyöty näkyy siinä, että työ nopeutuu ja epäolennaista on helpompi karsia pois.

Silti mallin ulosanto ei ole valmis totuus. Jos lähtödata on huonoa, myös tulos on heikko. Sama koskee tilanteita, joissa joukkueen pelitapa on muuttunut äkisti valmentajan vaihdon tai loukkaantumisten vuoksi. Silloin vanha data kertoo vain osan kokonaisuudesta.

Tässä moni menee harhaan, vaikka olisi seurannut lajia pitkään. Yksi luku näyttää siistiltä ja selkeältä, joten siihen tekee mieli nojata liikaa. Käytännössä toimivampi tapa on katsoa, tukeeko mallin arvio sitä, miltä joukkue on oikeasti näyttänyt viime otteluissa.

Todennäköisyys ratkaisee enemmän kuin tunne

Vedonlyönnissä moni lähtee liikkeelle siitä, kumpi näyttää paperilla paremmalta. Se on vasta alku. Paljon hyödyllisempi tapa on arvioida, kuinka usein jokin tulos osuisi pitkällä välillä, jos samanlaisia otteluita olisi iso määrä. Siinä kohtaa puhutaan jo oikeasti todennäköisyyksistä.

Jos oma arvio kotivoitolle on 55 prosenttia, mutta markkina hinnoittelee sen selvästi alemmas, analyysissä voi olla etua. Jos taas oma arvio perustuu vain siihen, että joukkue “on ollut hyvässä vireessä”, pohja jää heikoksi. Tästä syystä todennäköisyys ei ole pelkkä teoriaosuus, vaan käytännön työkalu.

Tässä auttaa muutama arkinen sääntö:

• Älä rakenna arviota yhden ottelun varaan.
• Älä anna sarjataulukon peittää pelitavan muutosta.
• Älä sekoita hyvää lopputulosta hyvään suoritukseen.

Kun nämä pitää mukana, analyysi pysyy kasassa paremmin. Samalla välttää sen tavallisen ansan, jossa iso voitto tai iso tappio alkaa ohjata seuraavaa päätöstä liikaa.

Tauko tekee usein hyvää myös analyysille

Data väsyttää yllättävän nopeasti. Kun rivejä, prosentteja ja ottelulistoja katsoo pitkään, tarkkuus alkaa helposti laskea. Sen huomaa yleensä siitä, että samat tiedot lukee kahdesti eikä silti saa niistä enää selvää kokonaiskuvaa.

Silloin kannattaa tehdä tauko, eikä väkisin puristaa lisää. Osa siirtyy hetkeksi kokonaan pois urheiludatasta, osa vaihtaa kevyempään viihteeseen. Oleellinen asia on se, että päätöksiä ei tehdä väsyneenä. Se on yllättävän tavallinen syy huonoon arvioon.

Fiksu analyysi näyttää tylsältä ulospäin

Ulkopuolelta hyvä analysointi voi näyttää jopa vähän kuivakkaalta. Siinä ei ole suuria julistuksia eikä nopeita tunnepäätöksiä. Usein siinä on vain paljon muistiinpanoja, tarkistettuja lukuja ja malttia jättää heikko idea kokonaan väliin.

Juuri siinä sen arvo on. Moderni urheiluanalytiikka ei tee kenestäkään erehtymätöntä, mutta se auttaa katsomaan peliä selkeämmin. Kun urheilutilastot, koneoppiminen ja todennäköisyyslaskenta ovat kunnossa, päätöksenteko muuttuu rauhallisemmaksi ja järkevämmäksi. Se näkyy lopulta myös siinä, miten koko digitaalista viihdettä hallitsee.