Udskiftningsmønstre i 3F Superliga: Hvordan hænger kampsituationen sammen med den kortsigtede effekt?

Udskiftninger er et af de vigtigste redskaber, en træner har til at påvirke en fodboldkamp undervejs. En udskiftning kan eksempelvis bruges til at ændre holdets taktiske tilgang, reagere på kampens udvikling eller tilføre friske kræfter. Men beslutningen om, hvornår og hvordan der skal skiftes ud, afhænger samtidig af den situation, kampen befinder sig i.

Skal du eksempelvis skifte tidligt eller vente til senere i kampen? Gør det en forskel, om holdet er foran eller bagud? Har det betydning, hvor stærk modstanderen er, eller om du skifter én eller flere spillere på samme tid? Og hvor effektive er udskiftningerne egentlig til at ændre kampens udvikling på kort sigt?

Tidligere forskning (Amez et al., 2021; Chen et al., 2025; Sun et al., 2024; Wei et al., 2024).  har blandt andet undersøgt betydningen af tidspunktet for en udskiftning, kampstillingen og modstanderens styrke. Der er dog stadig begrænset viden om, hvordan flere af disse faktorer spiller sammen, hvilke udskiftningsmønstre der opstår på tværs af forskellige kampsituationer, og om nogle af disse mønstre er forbundet med en større kortsigtet effekt end andre. Det gælder særligt i 3F Superliga, hvor området kun i begrænset omfang er blevet undersøgt.

Med udgangspunkt i 2024/2025-sæsonen undersøger et nyt speciale derfor både udskiftningsmønstre i 3F Superliga og den kortsigtede effekt af udskiftningerne. Formålet er at identificere forskellige mønstre og undersøge, hvordan både disse og de enkelte faktorer i kampkonteksten hænger sammen med ændringer i kampdynamikken efter en udskiftning. Specialet tog udgangspunkt i følgende forskningsspørgsmål:

Hvordan er forskellige udskiftningsmønstre og kontekstuelle kampfaktorer forbundet med efterfølgende kortsigtede ændringer i kampdynamikken i den danske Superliga?

Specialet og denne artikel er skrevet af Yosef Hassan på kandidatuddannelsen i Data Science på SDU. Specialet er blevet til i samarbejde med Divisionsforeningen.

193 kampe – 1.610 taktiske udskiftninger

Analysen tager udgangspunkt i alle 193 kampe fra 3F Superliga i 2024/2025-sæsonen. I alt blev der identificeret 1.739 udskiftninger. Da formålet var at undersøge taktiske udskiftninger, blev skadesrelaterede udskiftninger samt udskiftninger foretaget i første halvleg frasorteret. Det endelige datasæt bestod derfor af 1.610 taktiske udskiftninger foretaget fra pausen og frem.

Hver udskiftning blev beskrevet ud fra følgende syv kampfaktorer, der tilsammen skulle indfange den kampkontekst, som udskiftningen blev foretaget i:

Variablene blev valgt for at beskrive forskellige taktiske og situationelle forhold ved udskiftningerne. Kampminut og modstanderens styrke blev desuden undersøgt på forskellige måder – både som præcise numeriske værdier og gennem forskellige kategoriske inddelinger, med henblik på at undersøge, om måden variablerne blev repræsenteret på, påvirkede resultaterne.

Hvordan blev effekten af en udskiftning målt?

For at undersøge, hvor effektiv en udskiftning var på kort sigt, blev der udviklet et målpunkt baseret på expected goals (xG). Fordelen ved xG frem for eksempelvis scoringer er, at xG også indfanger kvaliteten af de chancer, et hold skaber og tillader. Det er særligt relevant inden for et kort tidsrum, hvor scoringer forekommer relativt sjældent.

For hver udskiftning blev holdets xG fem minutter før og fem minutter efter sammenlignet. Der blev taget højde for både holdets egen xG og modstanderens xG. xG Scoren stiger, når holdets xG udvikler sig mere positivt end modstanderens efter udskiftningen. Det kan både ske ved, at holdet skaber mere xG, at modstanderen skaber mindre, eller en kombination af disse. En negativ xG Score betyder omvendt, at xG-balancen udvikler sig i modstanderens favør. Den specifikke udregning af xG Scoren kan findes i den fulde rapport.

xG Score blev efterfølgende opdelt i fem cirka lige store kategorier. Udskiftninger med de laveste xG Scores fik en Impact Score på 1, mens udskiftninger med de højeste xG Scores fik en Impact Score på 5. Opdelingen af Impact Scores fra 1-5 kan ses i tabellen nedenfor:

Et eksempel på brugen af udskiftninger: Derbyet i Parken

Et godt eksempel på, hvordan xG Scoren fungerer i praksis, findes i det ikoniske derby mellem F.C. København og Brøndby IF den 13. april 2025, som indgår i det samlede datasæt med 193 kampe.

I de fem minutter før indskiftningen af Frederik Alves, blev Brøndby IF tildelt et straffespark, hvilket medførte, at de skabte 0,86 xG i perioden, mens F.C. København ikke skabte nogen xG. Brøndby havde dermed en xG-forskel på +0,86 før udskiftningen. Herefter blev Frederik Alves skiftet ind for Brøndby. Kort efter sin indskiftning begik Alves selv et straffespark på Mohamed Elyounoussi. Det betød, at F.C. København skabte 0,81 xG i de fem minutter efter udskiftningen, mens Brøndby ikke skabte nogen xG. Brøndbys xG-forskel var dermed -0,81 efter udskiftningen.

Brøndby gik altså fra en xG-forskel på +0,86 før udskiftningen til -0,81 efter udskiftningen. Ændringen mellem de to perioder gav en xG Score på -1,67, hvilket var den laveste blandt samtlige 1.610 udskiftninger i analysen.

Hele sekvensen kan ses i videoen her:

Hvordan blev udskiftningerne analyseret?

Analysen af de 193 kampe i sæsonen 2024/2025 bestod af to overordnede dele.

Først blev clustering anvendt til at identificere udskiftningsmønstre på baggrund af de syv variable. Udskiftninger, der lignede hinanden, blev samlet, hvorefter hvert identificeret mønster fik en beskrivelse, samt en gennemsnitlig Impact Score, baseret på de udskiftninger, der indgik i clusteret. På den måde var det muligt at undersøge, hvilke typer af udskiftninger der var forbundet med henholdsvis høj og lav kortsigtet effekt.

På tværs af clusteranalyserne blev de karakteristika, der oftest gik igen blandt udskiftningsmønstrene med henholdsvis den højeste og laveste effekt, samlet i to hypotetiske udskiftningsmønstre: det hypotetisk bedste og det hypotetisk dårligste udskiftningsmønster. Disse blev efterfølgende sammenlignet med de faktiske mønstre i data for at undersøge, hvor godt de stemte overens med de mest og mindst effektive udskiftningsmønstre, der faktisk blev identificeret.

I anden del af analysen blev Random Forest-klassifikation anvendt til at undersøge, hvor godt effekten af en udskiftning kunne forudsiges ud fra kampkonteksten. Modellen tog udgangspunkt i de syv variable og forsøgte på den baggrund at forudsige udskiftningernes Impact Score. Analysen blev gennemført med både fem, tre og to effektkategorier for at undersøge, hvor godt modellen kunne forudsige effekten ved forskellige grader af detaljer.

Hvilke udskiftningsmønstre var forbundet med størst og lavest effekt?

Clusteranalysen af det samlede antal kampe viste flere gennemgående forskelle mellem udskiftninger med henholdsvis høj eller  lav effekt på kort sigt. Udskiftninger midt i anden halvleg, dobbelte udskiftninger og udskiftninger foretaget, mens holdet var bagud eller mødte en svagere modstander (ud fra placering i tabellen), gik ofte igen blandt mønstrene med høj effekt. Omvendt var udskiftninger sent i kampen, enkeltudskiftninger og udskiftninger foretaget, mens holdet var foran, oftere forbundet med lavere effekt.  

Når de mest gennemgående karakteristika ved udskiftningerne blev samlet, kunne der opstilles et hypotetisk udskiftningsmønster, der virkede henholdsvis bedst og dårligst på tværs af kampene.

Hypotetisk set bestod det bedste udskiftningsmønster af:

• dobbeltudskiftninger midt i anden halvleg

• foretaget på udebane mod en svagere modstander mens det udskiftende hold var bagud

• uden at være en direkte reaktion på en modstanderudskiftning.

Det hypotetisk dårligste udskiftningsmønster var næsten det modsatte:

• sene enkeltudskiftninger

• foretaget på hjemmebane mod en jævnbyrdig modstander mens det udskiftende hold var foran

• uden at være en direkte reaktion på en modstanderudskiftning.

Sammenholder vi de hypotetiske og de reelle udskiftningsmønstre, er der nogle interessante resultater:

De reelle mønstre, der blev identificeret gennem clusteranalysen og havde de højeste og laveste gennemsnitlige Impact Scores, lå meget tæt på de hypotetiske udskiftningsmønstre. Det reelt mest effektive udskiftningsmønster adskilte sig kun fra det hypotetisk bedste mønster, når der ses på kampens stilling: Her var holdet foran frem for bagud. Dette reelle mønster havde en gennemsnitlig Impact Score på 3,33.

På samme måde fandtes der blandt de reelle mønstre med de laveste Impact Scores et mønster, som var identisk med det hypotetisk dårligste. Dette mønster havde en gennemsnitlig Impact Score på 2,87.

Det er særligt interessant, fordi de syv variabler hypotetisk kunne kombineres til 324 forskellige udskiftningsmønstre, mens clusteranalysen maksimalt identificerede 66 reelle mønstre. På trods af det relativt begrænsede antal reelle mønstre kunne både det hypotetisk bedste og det hypotetisk dårligste mønster genfindes blandt dem. Disse var samtidig blandt de mønstre, der havde henholdsvis den højeste og laveste gennemsnitlige Impact Score. Det tyder på, at de hypotetiske mønstre i høj grad afspejlede de tendenser, der faktisk fandtes i data.

Det er samtidig vigtigt, at resultaterne ikke læses som en opskrift på den optimale udskiftning. Analysen viser sammenhænge mellem kampkonteksten og udviklingen i xG efter en udskiftning, men kan ikke fastslå, at det eksempelvis er selve dobbeltudskiftningen eller tidspunktet, der forårsager den efterfølgende udvikling.

Hvor godt kunne effekten af en udskiftning forudsiges?

Random Forest-analysen viste, at kampkonteksten i nogen grad kunne bruges til at forudsige effekten af en udskiftning. Hvor godt modellen klarede sig, afhang dog tydeligt af, hvor detaljeret effekten blev opdelt.

Når Impact Score blev opdelt i fem effektkategorier, opnåede den bedste model en klassifikationsnøjagtighed på cirka 61 procent. Det betyder, at modellen i omkring seks ud af ti tilfælde korrekt kunne forudsige, hvilken af de fem effektkategorier en udskiftning tilhørte. Da effekten i stedet blev opdelt i tre kategorier, steg klassifikationsnøjagtigheden, og den blev endnu højere, når modellen kun skulle skelne mellem lav og høj effekt.

Med to effektkategorier opnåede den bedste model en klassifikationsnøjagtighed på cirka 74 procent, hvilket vil sige at modellen korrekt kunne forudsige effekten af en udskiftning knap tre ud af fire gange.

Resultaterne peger dermed på, at kampkonteksten indeholder information, som kan bruges til at forudsige den efterfølgende kortsigtede effekt af en udskiftning. Samtidig viser forskellen mellem de to analyser, at det er lettere at skelne mellem mere overordnede forskelle i effekten end at forudsige den præcise grad af effekt blandt fem forskellige kategorier.

Hvad kan resultaterne bruges til?

Resultaterne peger på flere interessante sammenhænge mellem kampkonteksten og den kortsigtede effekt af udskiftninger. Bestemte kombinationer af blandt andet tidspunkt, kampstilling og antal udskiftninger gik igen blandt udskiftninger med høj og lav effekt, mens Random Forest-analysen viste, at kampkonteksten i nogen grad kunne bruges til at forudsige effekten.

Resultaterne skal dog ikke forstås som en opskrift på den optimale udskiftning. Måden data blev repræsenteret på havde stor betydning for resultaterne, særligt for kampminut og modstanderens styrke. De fundne mønstre bør derfor betragtes som tendenser snarere end faste regler.

Samtidig er fodbold langt mere komplekst end de syv variable, der indgik i analysen. Modellerne tager eksempelvis ikke højde for, hvilke spillere der bliver skiftet ind og ud, deres positioner, den taktiske ændring eller spillernes fysiske tilstand. Resultaterne bør derfor ses som et datadrevet supplement til den fodboldfaglige vurdering, mens fremtidige analyser med flere faktorer og flere sæsoner kan give et endnu mere nuanceret og præcist billede.