Urheilutilastot näyttävät usein yksiselitteisiltä. Ottelun päätyttyä tulospalvelu kertoo, kuinka monta laukausta joukkueet ovat laukoneet, kuinka suuri pallonhallinta kummallakin oli ja kuinka monta maalipaikkaa ottelussa syntyi. Numerot vaikuttavat täsmällisiltä, mutta niiden taustalla on huomattavasti enemmän tulkintaa kuin moni tulee ajatelleeksi.

Moderni urheiluanalyysi perustuu valtaviin tietomääriin, joita kerätään sekä automaattisilla järjestelmillä että ihmisten tekemillä havainnoilla. Eri tilastopalvelut voivat kuitenkin ilmoittaa samasta ottelusta toisistaan poikkeavia lukuja. Tämä ei välttämättä tarkoita, että jokin palveluista olisi tehnyt virheen.

Urheiludatan luotettavuuteen vaikuttavat mittausmenetelmät, tilastolliset määritelmät, käytettävät mallit sekä aineiston käsittely. Numeroiden ymmärtäminen edellyttää myös niiden taustalla olevien menetelmien tuntemista.

Sama ottelu voi tuottaa erilaisia tilastoja

Tämän artikkelin esimerkkilajissa, jalkapallossa, yksi tavallisimmista tilastollisista epäselvyyksistä liittyy laukauksiin. Tilastopalveluiden ilmoittamat laukausmäärät eivät aina vastaa toisiaan.

Ongelma liittyy siihen, kuinka yksittäinen pelitilanne määritellään. Esimerkiksi puolustajaan osunut laukaus voidaan luokitella torjutuksi laukaukseksi tai maalintekoyritykseksi, jonka suuntaa puolustaja muutti. Tulkintaan vaikuttaa myös se, olisiko pallo mennyt kohti maalia ilman puolustajan kosketusta.

Tunnettu urheiludatan tuottaja Opta on julkaissut yksityiskohtaiset määritelmät käyttämilleen jalkapallotilastoille. Sen mukaan maalia kohti suuntautuneisiin laukauksiin kuuluvat maalit, maalivahdin torjumat laukaukset sekä tilanteet, joissa viimeinen puolustaja estää muuten maaliin päätyvän laukauksen.

Tilastointi ei siis perustu pelkästään pallon liikerataan, vaan myös tilanteen tulkintaan. Kun palveluntarjoajien määritelmät eroavat toisistaan, myös lopputuloksena syntyvät tilastot voivat poiketa.

Maaliodottama ei ole yksi yhtenäinen tilasto

Jalkapallon maaliodottama eli expected goals, lyhyemmin xG, on hyvä esimerkki tilastosta, jonka taustalla olevat menetelmät vaikuttavat olennaisesti lopputulokseen.

Maaliodottama kuvaa laukauksen arvioitua todennäköisyyttä johtaa maaliin. Jos laukauksen xG-arvo on 0,20, vastaavanlaisista tilanteista tehdään mallin mukaan keskimäärin maali noin joka viidennellä yrityksellä.

Arvio perustuu historiallisiin laukauksiin ja niiden ominaisuuksiin. Mallit huomioivat tavallisesti ainakin laukaisuetäisyyden, kulman, käytetyn ruumiinosan sekä tilanteeseen johtaneen syötön tai muun pelitapahtuman.

Kaikki maaliodottamamallit eivät kuitenkaan käytä samoja muuttujia. Osa huomioi puolustajien sijoittumisen, laukaisijaan kohdistuvan paineen tai maalivahdin sijainnin. Toiset käyttävät suppeampaa tietoa. Yksittäisen tilanteen odottama voi siis erota eri palveluntarjoajien välillä.

Myös kokonaisen ottelun maaliodottamat voivat erota palveluntarjoajien välillä. Lukujen vertaaminen ilman tietoa käytetystä mallista voi antaa virheellisen kuvan joukkueiden suorituksista.

Tilastotietojen kerääminen sisältää inhimillisiä virheitä

Kaikkia urheilutilastoja ei tuoteta automaattisesti. Monissa lajeissa ottelutapahtumien kirjaamiseen osallistuu edelleen ihmisiä, jotka tunnistavat ja luokittelevat tilanteita reaaliajassa.

Nopeatempoisessa ottelussa tapahtumia voi syntyä muutaman sekunnin sisällä useita. Tilastoijan on esimerkiksi erotettava, oliko kyseessä syöttö, pallonriisto, katko vai vastustajan epäonnistunut kosketus.

Myös pelaajien tunnistamisessa voi syntyä virheitä. Erityisesti ruuhkaisissa tilanteissa tapahtuma voidaan aluksi kirjata väärälle pelaajalle. Jälkikäteen tehtävä videotarkastus voi muuttaa tilastomerkintää.

Viralliset ottelutilastot eivät tämän vuoksi välttämättä ole lopullisia heti ottelun päättyessä. Tilastopalvelut voivat tarkistaa tapahtumia ja korjata havaittuja epäselvyyksiä myöhemmin.

Suuri tietomäärä ei automaattisesti tarkoita laadukasta dataa

Tilastollisessa analyysissä puhutaan usein suurten aineistojen eduista. Kun havaintoja on paljon, yksittäisten satunnaisten tapahtumien vaikutus pienenee. Tämä ei kuitenkaan tarkoita, että suuri aineisto olisi automaattisesti luotettava.

Jos aineiston keräämisessä esiintyy järjestelmällinen virhe, havaintojen lisääminen ei poista ongelmaa.

Esimerkiksi kahden eri kauden laukaisutilastoja vertaileva analyysi voi vääristyä, jos tilastointimenetelmä on muuttunut kausien välillä. Samoin eri sarjoista kerättyjä tietoja ei aina voida yhdistää suoraan, mikäli tapahtumien määritelmät poikkeavat toisistaan.

Tilastotieteessä tällaisia ongelmia kutsutaan muun muassa mittausvirheiksi ja systemaattiseksi harhaksi. Ne voivat vaikuttaa analyysin tuloksiin myös silloin, kun havaintojen määrä on erittäin suuri.

Urheilussa ongelma korostuu erityisesti silloin, kun eri tietolähteistä yhdistettyä aineistoa käytetään ennustemallien rakentamiseen. Malli voi tunnistaa virheellisestä aineistosta säännönmukaisuuksia, joita todellisessa pelissä ei ole.

Tilastollisen tiedon luotettavuus on keskeinen kysymys myös urheilun ulkopuolella. Esimerkiksi nettikasino hyödyntää digitaalisissa kasinopeleissään satunnaislukugeneraattoreita, joiden toimintaa voidaan arvioida tilastollisin testein.

Vaikka järjestelmän tuottamat tulokset olisivat satunnaisia, niiden asianmukaisen toiminnan todentaminen edellyttää riittävän laajaa aineistoa ja luotettavia testausmenetelmiä.

Ennustemallit ovat yhtä luotettavia kuin niiden lähtötiedot

Urheilun ennustemallit hyödyntävät usein joukkueiden aiempia otteluita, pelaajatilastoja, kokoonpanoja ja muita pelin lopputulokseen vaikuttavia muuttujia.

Vaikka laskentamenetelmä olisi matemaattisesti oikein rakennettu, virheelliset lähtötiedot voivat heikentää ennusteiden laatua.

Yksinkertainen esimerkki liittyy pelaajien poissaoloihin. Jos malli käyttää vanhentunutta kokoonpanotietoa, se voi arvioida joukkueen vahvuuden väärin. Sama koskee otteluohjelman muutoksia, pelaajasiirtoja ja muita nopeasti muuttuvia tietoja.

Ongelmat eivät rajoitu yksittäisiin virheisiin. Jos mallia on opetettu aineistolla, joka ei vastaa nykyistä kilpailuympäristöä, sen ennusteet voivat heikentyä vähitellen.

Urheilussa tällaisia muutoksia voivat aiheuttaa esimerkiksi sääntöuudistukset, pelitapojen kehitys ja kilpailujärjestelmien muuttuminen.

Tilastojen taustojen tunteminen parantaa niiden tulkintaa

Urheiludata on keskeinen osa nykyaikaista urheilututkimusta, mutta yksittäisiä lukuja ei pidä pitää automaattisesti virheettöminä.

Luotettava data-analyysi edellyttää, että tiedetään, mistä aineisto on peräisin, mitä tilastot tarkoittavat ja millaisilla menetelmillä ne on tuotettu. Erityisen tärkeää tämä on silloin, kun vertaillaan eri palveluntarjoajien lukuja tai useiden vuosien aikana kerättyjä tilastoja.

Maaliodottaman, laukaisumäärien ja muiden kehittyneiden mittareiden arvo ei vähene sen vuoksi, että niiden laskennassa on epävarmuutta. Sen sijaan epävarmuuden tunnistaminen auttaa ymmärtämään, mitä tilastot todella kertovat.

Urheilun numerot eivät synny tyhjiössä. Niiden taustalla on aina mittausmenetelmä, määritelmä ja usein myös joukko tilastollisia oletuksia. Vasta näiden tunteminen tekee numeroista kunnollisen analyysin perustan.