Vellykket eller mislykket? Machine learning finder fire gennemgående triggers i organiseret højt pres

Erobringsspillet fylder mere og mere i moderne fodbold. Men når presset skal gøres op bagefter, findes der til gengæld kun ét udbredt tal: PPDA. PPDA står for Passes per defence action og angiver antallet af afleveringer, modstanderen får lov til at spille, før det pressende hold laver en defensiv aktion. PPDA fortæller, hvor meget et hold presser. Det fortæller ikke, hvor på banen presset skete, hvad gør resten af holdet imens, hvordan var holdets struktur, og hvorfor lykkedes presset reelt set.

I specialet Pressing Phase Triggers & Success Factors in Professional Football har Jonas Jensen undersøgt nuancerne mellem et vellykket og mislykket organiseret højt pres. Specialet er udarbejdet i samarbejde med Divisionsforeningen, der har stillet data til rådighed fra 3F Superliga-sæsonen 2024/25, og med Odense Boldklub, der har været med til at definere kriterierne for et succesfuldt pres.

Specialet bygger på en machine learning-model, som udelukkende tager højde for organiseret pres mod en modstander, der har bolden under kontrol på egen banehalvdel. Hvordan machine learning-modellen er anvendt, kan du læse om i denne artikel.

Problemformuleringen lød:

• Hvilke forhold i tracking- og eventdata hænger sammen med et vellykket højt pres i 3F Superliga?

• Hvilke konkrete prestriggers kan udledes fra machine learningen-modellens analyse?

• Kan én enkelt variabel som presintensitet forklare lige så meget som en machine learning-model, som ser på mange forskellige variabler?

I denne artikel kan du læse et resumé af specialets centrale fund, se et eksempel fra en kamp mellem AGF og FC Midtjylland, og til sidst får du nogle bud på, hvordan din klub kan bruge modellen.

Kort om metoden

Til at besvarelsen af dette har specialet bearbejdet tre forskellige fremgangsmåder, som alle er bygget op om det samme metodisk fundament hele vejen igennem:

1. En bred basismodel med alle typer pres

2. En model målrettet det organiserede høje pres, som også ser på udviklingen i sekunderne før og efter presset starter.

3. En simpel model med én enkelt variabel: presintensitet

I de to førstnævnte blev machine learning-modellerne Random Forest, XGBoost og LightGBM afprøvet imod hinanden. Den bedste var XGBoost i fremgangsmåde 2, og det er den model, resten af artiklen bygger på.

Data fra en hel 3F Superliga-sæson

Analysen bygger på 192 kampe fra 3F Superliga-sæsonen 2024/25. Én kamp er udeladt grundet manglende data. Eventdata fortæller os, hvad der skete i en kampsituation. Trackingdata fortæller, hvordan banens spillere og bolden i en kampsituation er placeret, hvilket sker 25 gange i sekundet, hvert af disse stillbilleder kaldes en frame. Machine learning-modellen anvender begge dele til analysen af pressituationerne.

De to datakilder er blevet synkroniseret, inden de blev anvendt, for at sikre tidsstemplet, koordinatsystemer, angrebsretningen stemte overens, således afstande og variabler kunne udregnes til anvendelse i modellen.

Hvad er et pres – og hvornår er det succesfuldt?

Et pres er i denne analyse blevet defineret som et målrettet løb imod bolden over flere sammenhængende frames:

• En spiller løber minimum 5,0 meter/sekunder

• Har en vinkel på højest 60 grader mod bolden

• Mindsker afstanden til bolden med minimum fire meter

• Har en minimumløbsdistance på fem meter.

Disse krav skal alle være opfyldt i mindst tre sammenhængende frames i træk, og eventuelle nærliggende løb lægges sammen til én samlet pressituation. Disse tærskelværdier er blevet defineret ud fra diverse forskningsartikler (Silva et al., 2024; Novillo et al., 2024; Forcher et al., 2022; Bekkers, 2025), samt justeret via 400 videovaliderede pressituationer.

Et succesfuldt pres kan ikke beskrives universelt. Det er alligevel nødvendigt at opsætte nogle kriterier for, hvad et succesfuldt pres er, før det kan analyseres. I specialet er et succesfuldt pres defineret ved, at et af følgende fire forhold opstod inden for fem sekunder efter presset:

1. en bolderobring med efterfølgende afslutning

2. en bolderobring med fastholdt boldbesiddelse

3. modstander tvunget til at sparke langt

4. bolden tvunget ud af spil.

Alt andet tæller som mislykket.

De fire forhold udgør en operationel definition - ikke universel sandhed. Det er også derfor, at machine learning-modellens design er udarbejdet med muligheden for at ændre definition for et succesfuldt resultat, givet den anvendte klub vægter forhold anderledes i sin brug af modellen.

Fire triggers, der går igen

Da machine learning-modellen havde bearbejdet event- og trackingdata fra de 192 kampe, viste det sig, at den ikke gav sin vurdering ud fra ét enkelt forhold, men grupper af forhold: presintensitet (intensity), indsnævring af modstanderens muligheder (spatial restriction) og holdets samlede struktur (collective structure).

Oversat til banen betyder forholdene følgende:

• Sæt ind hurtigt. Presintensiteten i sekundet før og sekundet efter, presset begynder, var blandt de stærkeste signaler i modellen. Det betyder, at det ikke er den samlede mængde pres, der tæller mest, men hvor hurtigt holdet er til at følge op på selve presset.

• Luk afleveringslinjerne. Modellen lagde stor vægt på, hvor mange afleveringsmuligheder modstanderen havde tilbage i selve pressituationen. Presset på bolden virker, når spillerne omkring den første presspiller samtidig lukker for den næste aflevering.

• Stå kompakt bagved. Forholdet mellem det pressende holds og modstanders position på banen indgik også i modellen. Modellen fandt det mere sandsynligt for et pres at være succesfuldt, hvis det pressende holds kollektive struktur i alle kæderne var til stede. Med andre ord var presset mere sandsynlig for at være vedvarende, når der var dækning bag den første presspiller - og dermed kostet det mindre, hvis modstanderen brød førstepresset.

• Tving spillet mod sidelinjen. Pres i de snævre zoner ude ved kanten hang sammen med flere vellykkede udfald. Sidelinjen fungerer som en ekstra forsvarsspiller, fordi den fjerner nogle af modstanderens muligheder.

  En mulig forklaring er spillerens fodpræference (Carey et al., 2001). Omkring 79 procent af fodboldspillere er højrebenede, og et pres i venstre side vil derfor typisk holde en højrebenet boldholder retningsbestemt mod sidelinjen, hvilket giver færre afleveringsmuligheder. Mønsteret stammer fra én sæson, og forklaringen er plausibel, men ikke påvist.

  

Intensitet rækker ikke alene

Ydermere undersøgte specialet, om analysen kan nøjes med ét datapunkt. Til sammenligning blev der bygget en model, der kun kendte presintensitet - et forskningsbaseret mål for, hvor meget pres der var på bolden, beregnet ud fra spillernes bevægelse mod bolden og den tid, de var om at nå frem (Bekkers, 2025). Denne model gav altså ét tal pr. pressituation i dens forudsigelse om presresultatet.

Men er ét datapunkt nok?

Svaret er nej. Målt alene fangede presintensitetsmodellen mange af pressituationerne, men den kunne ikke skelne mellem de vellykkede og de mislykkede pressituationer.

Machine learning-modellen havde et bedre og mere nuanceret billede, hvor modellens flere variabler rangerede pressituationerne tydeligt bedre. Intensitet er nem at kommunikere, men skal ses i sammenhæng med rummet omkring bolden, før den siger noget om udfaldet.

Hvad modellen kan – og ikke kan

Modellen finder ni ud af 10 vellykkede pressituationer. Til gengæld har machine learning-modellen svært ved at differentiere mellem nogle vellykkede og mislykkede pres, hvor kun cirka halvdelen af dens vellykkede forudsigelser rent faktisk lykkedes. Modellen præsterer dog stadig tydeligt bedre end den simple model, som kun bruger presintensitet.

Se de to klip i videoen nedenfor, som er fra AGF-FC Midtjylland den 19. juli 2024.

For øjet ligner de hinanden, og i data gør de også: spillernes positioner, afstande, hastigheder er næsten identiske. Alligevel lykkes det ene pres, og det andet mislykkes.

Forskellen ligger i det, som data ikke fanger: en presresistent aflevering, en vunden duel, et uheldigt opspring eller en dommerbeslutning. Små parametre, som hver for sig kan afgøre udfaldet for et veludført pres.

Figur 4 og 5 nedenfor viser de to situationer side om side målt på de samme parametre. De giver et indblik i, hvad machine learning-modellen fremviser, og hvorfor den vurderer begge pres som vellykkede.

Den grønne linje er presset, der lykkedes. Den røde er presset, der mislykkedes, men som modellen alligevel vurderede som vellykket.

• Figur 4 viser, at det mislykkede pres faktisk så mest lovende ud på de forhold, modellen lægger størst vægt på, når den skal lave sin forudsigelse. Her kan det ses, at det røde pres scorer lige så højt som det grønne eller faktisk højere.

• Figur 5 viser, pressituationerne på tværs af de numeriske værdier, hvor de to pres næsten ligger oveni hinanden, altså med andre ord i data er de stort set den samme situation. For modellen er der derfor intet at skelne imellem. Forskellen opstod på banen i sekunderne efter.

Sådan kan en klub bruge modellen

I praksis kan en analytiker køre modellen på en række selvvalgte kampe, trække alle organiserede høje pres ud og sortere dem efter, hvilke af modellens variabler og triggers der var til stede. Det giver et konkret klipgrundlag til kampoplægget på en brøkdel af den tid, manuel gennemgang kræver.

For træneren ligger værdien i de fundne triggers, som kan omsættes direkte til træningsindhold. På taktisk niveau kan modellen give et mere nuanceret indblik i, hvordan klubben rent faktisk presser frem for blot hvor meget.

Ydermere skal det påpeges, at definitionen af et vellykket pres afhænger af klubben. Den operationelle definition, som specialet bygger på, kan variere fra klub til klub og fra træner til træner (jævnfør de fire kriterier i afsnittet 'Hvad er et pres – og hvornår er det succesfuldt?').

Analysen dækker kun én sæson i én liga, så det er ikke beviseligt, om mønstrene holder i andre sæsoner og i andre ligaer. Samtidig inkluderer trackingdata kun positioner og bevægelse, men ikke kropsstilling, orientering, kommunikation og/eller de instrukser, spillerne har fået med.

Resultaterne skal derfor læses som et proof of concept på et beslutningsværktøj – ikke som facitliste over, hvilke pres der virker i praksis.