Das Thema Datenanalyse besitzt im Sport einen hohen Stellenwert. Klubs suchen nach objektiveren Methoden, um die Leistung ihrer Teams zu bewerten und zu verbessern. Startups schießen aus dem Boden. Alle glauben an das Erfolgsmodell „Moneyball“.
Oakland im Jahr 2001: Die Oakland Athletics sind nach einer durchwachsenen Saison in der Major League Baseball früh in den Playoffs gescheitert. Die wenigen Top-Spieler sind zur Konkurrenz gewechselt. Finanziell sind die Athletics knapp bei Kasse. Teammanager Billy Beane steckt in einer Sackgasse.
Gegen heftigen Widerstand von Trainer und Scouts macht Beane aus der Not eine Tugend. Der Teammanager verpflichtet den jungen Yale-Absolventen, Computernerd und Baseball-Fan Paul DePodesta. DePodesta empfiehlt Beane das Team auf Basis der im Baseball verpöhnten „Sabermetrics“ neu zu besetzen. Daraufhin verpflichten die beiden diverse unbekannte Spieler. Diese wurden nach dem konventionellen Auswahlverfahren nicht hoch bewertet und sind deshalb günstig zu haben sind.
Du willst nicht abgehängt werden, wenn es um KI, Green Tech und die Tech-Themen von Morgen geht? Über 10.000 Vordenker bekommen jeden Tag die wichtigsten News direkt in die Inbox und sichern sich ihren Vorsprung.
Nur für kurze Zeit: Anmelden und mit etwas Glück Apple AirPods 4 gewinnen!
Mit deiner Anmeldung bestätigst du unsere Datenschutzerklärung. Beim Gewinnspiel gelten die AGB.
Der Plan scheint zunächst zu scheitern. Nach zahlreichen Querelen und Machtkämpfen gelingt den Athletics aber zwischenzeitlich eine Serie von 20 Siegen in Folge. Trotz finanzieller Unterlegenheit gegenüber der Konkurrenz gelang es den Athletics, von 2000 bis 2003 in die Play-Offs einzuziehen. Diese Phase wurde als Moneyball Years bezeichnet.
Die Athletics scheitern zwar jeweils in der ersten Play-Off-Runde, aber das Konzept setzt sich durch. Viele andere Teams übernehmen „Sabermetrics“. 2011 wird das Buch Moneyball: The Art of Winning an Unfair Game mit Brad Pitt und Jonah Hill verfilmt. Das Thema Datenanalyse im Sport bekommt einen völlig neuen Stellenwert. Im Bereich Sports Analytics verzichtet kaum ein Startup auf den obligatorischen „Moneyball“-Verweis.
Die Rolle von Sabermetrics für den Moneyball-Erfolg
Sabermetrics sind ein computergestütztes Statistikverfahren. Zu den Grundlagen der Sabermetrics gehört es, den Inhalt und die Aussagekraft von Statistiken kritisch zu hinterfragen. Ds Ziel ist es zu entscheiden, inwieweit diese für Analysen brauchbar sind. Klassische Statistiken wie Batting Average, RBIs (Run Batted In) oder Pitcher Wins sind nicht ausschlaggebend, da sie:
- nur einen Teilaspekt der Leistung eines Spielers betrachten (Beispiel: Der Batting Average berücksichtigt keine Extra-Base-Hits oder Walks),
- schlecht mit den erzielten Runs korrelieren
- oder Individual- und Mannschaftsleistungen vermischen (Beispiel: RBIs und Wins können nicht von einem Spieler alleine erzielt werden).
Dass der Ansatz etablierte Methoden und Taktiken kritisch hinterfragte, gefiel nicht allen. Traditionalisten kritisierten Sabermetrics dafür lange Zeit. Die Methoden oder statistischen Grundlagen wurden allerdings nicht widerlegt.
Zu den wichtigsten Methoden der Sabermetrics gehören:
- Entwicklung von Statistiken, die möglichst gut mit der Anzahl der erzielten oder abgegebenen Runs korrelieren
- Entwicklung von Statistiken, die die gesamte Leistung eines Spielers erfassen und nicht nur Teilaspekte
- Analyse von Statistiken unter Berücksichtigung aller Rahmenbedingungen wie Epoche oder Stadioneinflüssen
Die Bedeutung von Moneyball für das Sportbusiness
Der Einfluss datengetriebener Methoden wird zukünftig nicht abnehmen. Gleichzeitig werden aber „softe“ Komponenten bleiben: Intuition, Erfahrung, Stimmung oder das Momentum. Wie wertvoll ist der alternde Star als Vorbild für junge Spieler? Wie wirkt sich ein stabiles Umfeld auf das Team aus? Diese Fragen können Moneyball & Co. nicht zeitnah beantwortet.
Und auch je nach Sportart müssen wir differenzieren. Mark Cuban, Boss der Dallas Mavericks, dazu: „Im Basketball ist diese Analytik nicht so wertvoll für die Spielersuche. Ein Spieler kann in einem Team mit hohem Tempo ein bestimmte Anzahl an „Win Shares“ aufweisen, aber was passiert, wenn er in ein Team kommt, das langsam spielt?“
Jedes Team muss entscheiden, in welchem Maße Daten die eigene Performance verbessern können. Der Wert eines Spielers kann nicht immer in einer Gleichung dargestellt werden. In jedem Fall bieten Daten neue Perspektiven, die das geschulte Auge übersieht.
Das Ziel sollte kein Kulturkampf „Tradition versus Moderne“ sein. Das Beispiel der Oakland Athletics zeigt, wie wichtig es ist, der Entwicklung voraus zu sein. Das gilt bekanntermaßen nicht nur im Sport.
