Liverpool F.C. Goal Analysis

 

 

A dynamic zone evaluation model

The embedded presentation shows the usage of zones by Liverpool FC before scoring goals in form of animated gifs. The purpose is to show how Jürgen Klopp's team move the ball into more dangerous zones of the pitch and towards the opponent's goal in order to increase their chance of scoring rapidly. Tracking data for the presentation with a total of nineteen goals (nine displayed in the slides) were provided by Friends of Tracking. Before analysing the positional data, there was however some preparatory work to be done, using event data and some football ideas.
 

The starting point for my analysis was to divide the football pitch into zones. There are several approaches out there and various used at different clubs. From a technical standpoint, there was as often a trade-off between precision (using as many zones as possible to make the model as accurate as possible) on the one hand and robustness and feasibility on the other (my device only has so much computing power). Plus, the choice also had to make sense from a pure football point of view. After some attempts with rather small zones (one for each square meter) which my laptop could not handle, I decided to discriminate between twenty-five different zones.

Vertically (seen from one goal to the other), the pitch is divided into five strips; the centre, the wings and the half-spaces in between. You can see a similar approach used for instance by Liverpool's title rivals on their training ground. Horizontally, I also used five layers, but unlike vertically, these are not symmetrical. The pitch is divided into four fourths, but the final fourth in the attacking direction is further halved. This is mainly due to the xG-model which I will describe later, because shots from outside the box should not be directly compared with tap-ins inside the six-yard box. All in all, this leaves us with twenty-five zones, which are displayed in the following graph.

The next step was to put a numeric value to each of these zones. These could be assigned manually with some football knowledge and some gut instincts, but a little more sophisticated model should do a better job. Additionally, I also wanted the value to be dynamic, changing as the game evolves and the ball is moved to other zones. Based on the assumption that teams in general try to keep the ball when they have it, score goals themselves and prevent the opponent from scoring, I opted for three parameters to assign the overall danger value of a zone in a given moment:

• pass probability (how easy are we going to get the ball there?)
• expected goal value (if we shoot from there, how likely are we to score)
• closeness to opponent goal (even if the chance of scoring from there is not very high, it might be a better location to have the ball)

Pass probability

Based on historical data, we can estimate how likely a pass will end within the reach of a teammate for each start and end zone of the pitch. Data therefore are provided by StatsBomb, who offer free event data including x,y coordinates for a number of competitions. For my model, I only used data from league games (NWSL, FA Women's Super League and La Liga), which left me with 677.277 passes.

As a first step, I looked at the historical completion rates of passes from one zone to each other (25*25, so 625 possible combinations). Some of these combinations are naturally more likely to happen than others. Furthermore, shorter passes are way more often than longer (the six most frequent combinations are passes that end in the same zone they are played from) and those within the midfield zone (second and third fourth of the pitch) are most common.

Some combinations, however, did not occur at all. As one could expect from a football point of view, teams don't tend to play passes across the pitch from one wing to the other, towards their own goal. Passes from the most defensive fourth to the most offensive one are also relatively infrequent in the dataset (maybe not so surprising, given that a lot of games in it are actually FC Barcelona matches). In order to overcome the scarcity of some combinations of interzonal passes, I also calculated a very basic completion model (logistic regression), in which I only used pass length as an independent predicator. I use both historical distributions and the model to predict pass success from one zone to the other, giving the model more weight if less data are in the dataset. With this prediction we can estimate the probability of a successful pass from any point of the pitch to any other zone. A pass from the centre point (not necessarily a kick-off since game situation is not included into the model) would for instance have the following chances of being completed (lighter shade of blue indicates a higher chance of a successful pass). Please note that information concerning player dispersion is not directly included in the model, only historic events.

We can see that keeping the ball in the same zone or playing it to a neighbouring would be a good choice if we want to keep possession, a move out towards the wing might also be a possibility. Nothing really surprising, model and viz are working.

Expected goal value

Next for shots and expected goals. The basic idea was the same as with passes. I looked at the shots in my dataset (n=17.331) and determined the distribution of those going in and those that do not, based on the zone they came from. The results were again rather unsurprising, with the zone right in front of the opponent's goal being the most dangerous one (~24% chance of scoring) and also the one with the most shots. Yet, there are again difficulties only using at historic averages. In my case, there are some zones from which very few shots are fired, which leaves more space for random variation (just as in the case of the pass zone combinations). For instance, from the right wing (highest zone), there are 34 shots in the dataset, with five of them ending in the back of the net (~15%). On the equivalent zone on the left side, things are quite different; some number of shots, only two goals (~6%). This could have something set pieces (maybe free kicks from the right directly taken from left-footed players are more dangerous), but I would rather suggest this phenomenon is not systematic.

Fortunately for me, StatsBomb also includes an xG value for each of their shots, which allows me to overcome the small subsample size problem by calculating the average expected goal value for every shot zone. Doing this, we can see that shots from the right wing are actually not so different from those from the left, so the different scoring rates are probably an anomaly. Shots from the central danger zone are on the other hand scored almost exactly as expected, showing that the more shots there are from one zone, the more trustworthy are also historic scoring rates.

As in the case of the passing model, I assigned the expected goal value for the zones based on the historic rates and the results of the model (in this case, the one by StatsBomb), giving more weight to more frequent shots. Expected goal values are not assigned to zones in the own half, assuming that shooting from there is basically useless. The average expected goal value is displayed in the following graph, with brighter colour shades again indicating higher values.

Distance to goal

Given that not all zones receive an xG-value, there is still the need to capture the fact that some are more prone to create dangerous attacks than others. Therefore, the final factor to assess the danger of a zone is simply its distance to goal (measured from the midpoint of the zone) opposed to the distance of the zone in question.

With these three measures, we are able to calculate an index by simply adding the values of each of them. In order to be dynamic, the position of the ball has to be taken into account, hence the danger for each zone is calculated for each frame in the tracking data set. In the case of xG and distance, I did not use absolute values but rather the ratio of the zone in question, compared to the position of the ball. We have therefore an index which ranges (at least theoretically) from 0 (no chance of getting the ball there, no point in shooting from there, and the point is much further away from the opposition goal) to 3 (100% pass completion, a sure goal if a shot happens, and it is much closer to the opposition goal). Of course, in reality these extreme values will not occur.

Visualization

There were some minor issues to be solved in order for the visualization to work. Unlike in the videos, the attacking direction is always from left to right, given that the model itself is not symmetrical. The ball is always black and a bit smaller in size than the players, which are depicted in the colour of the bgcolor variable. The gganimate-package in R-Studio did not allow me to make the colour of zones a bit transparent, hence all the green of the pitch is lost in the gifs. The dynamical change of colour does however work for each frame, even if the ball is passed. Given that in these instances no decision can be made as to where move the ball next, a next step would be only to calculate danger in moments when there is actually a decision to be taken and referring a default value if not.

As a general result, it is striking how Liverpool almost always try to move the ball immediately to the closest more dangerous area, either by playing passes or with the ball on their feet. Only seldom to they play the ball out wide, at least in case of the videos I had data for. The pass to the wing if usually only played against set defences and most of the time the ball is immediately crossed back into the centre, with many goals stemming from almost completely free shots from somewhere between the six-yard box and the penalty spot. Although they are not necessarily known for their passing game and some technical errors are inevitable playing such a high-tempo style, their passes behind the last opponent line are often perfectly timed, giving the receiver the one moment he needs to either score at once or go around the keeper and finish the play.

For the presentation above, I had to cherry-pick some of the goals, since it was reduced to five slides only. I therefore only used nine of the nineteen goals in the dataset for the slides. These goals are divided broadly into three sub-categories, based on watching the videos and my eye test. A more robust way might be to classify them using some form of clustering (based on factors like speed of attacks, number of players involved, passes played, usage of central or outside channels, etc.) or even ML procedures. Finally, including tracking data and concepts such as pitch control might help to evaluate the danger of different zones on the pitch even better.

To close this entry, I add the one goal which I personally liked best, the1:0 against Wolves in the last game of the 2018/19 season, scored by Sadio Mané. The video can be found here.

The code for my analysis as well as the gifs for all goals can be found at Github.

 

Die Standardsituationen als Schlüssel im Spitzenspiel?

Seit dem Aufstieg vor zwei Jahren hatte der SKN gegen Salzburg üblicherweise wenig zu bestellen. In acht Partien setzte es ebenso viele Niederlagen, das Torverhältnis in diesen Spielen beläuft sich aus Sicht der Niederösterreicher auf 4:25. Die Chancenqualität war ebenfalls deutlich inferior (insgesamt 7,6 zu 17,3 xG). Während die Salzburger sich in beiden Saisonen ungefährdet den Titel holen konnten, musste St. Pölten jeweils bis zum Schluss um den Ligaverbleib zittern. 

Und doch ist beim heutigen Duell alles anders. Man begegnet sich punktemäßig beinahe auf Augenhöhe. Während die Tabellenposition der Salzburger durchaus zu erwarten war, ist der Höhenflug der Blau-Gelben eine der Überraschungen der bisherigen Saison. Erreicht wurden die bisherigen Punkte auf eher orthodoxe Art und Weise: Man überlässt dem Gegner den Ball (mit durchschnittlich 37,7% Ballbesitz kommt man auf den niedrigsten Wert aller Ligateams) und verteidigt das eigene Gehäuse mit Mann und Maus (und Fünferkette). Durch den Fokus auf Konter und die Verteidigung des eigenen Tores (mit 78% der gegnerischen Schüsse, die neben dem Tor landen oder geblockt werden, liegt man nur hinter der Wiener Austria) schafft man es bislang, sowohl offensiv als auch defensiv besser abzuschneiden, als es die Leistungen vermuten lassen würden. Ohne Elfmeter gerechnet liegt die Tordifferenz bei +4 (8:4), die erwartete hingegen fast genau umgekehrt bei etwa -4 (5,5 zu 9,8). 

Interessanterweise legt man jedoch auf eine typische Waffe vermeintlich schwacher Teams überhaupt keinen Wert. Bei Standardsituationen zählt das Team von Didi Kühbauer sowohl defensiv als auch offensiv zu den schwächsten der Liga. Im Anschluss an ruhende Bälle konnte man erst acht Schüsse abgeben, womit man gemeinsam mit Altach am letzten Platz in dieser Wertung liegt. Als einzige Mannschaft der Liga neben der Wiener Austria konnte man selbst noch kein Tor nach einer Standardsituation erzielen. Auf der Gegenseite ließ man mit bereits 23 gegnerischen Abschlüssen die mit Abstand meisten zu. Von diesen landete zwar nur einer auch im Tor, aber es bleibt abzuwarten, ob St. Pölten diese Schüsse besonders gut verteidigt oder derzeit eher etwas auf einer Glückswelle dahinreitet. Auf individueller Ebene stechen lediglich Luca Meisl (0,08 xG pro 90 Einsatzminuten) und Daniel Luxbacher (ebenso viele expected Assists) hervor.

Diese Schwäche zeigte sich bei den Niederösterreichern bereits in der so katastrophal verlaufenen Vorsaison. Nachdem Did Kühbauer das Traineramt übernommen hatte, konnte er zwar die Ergebnisse einigermaßen verbessern und stabilisieren, das Verhalten bei Standardsituationen war jedoch weit unterdurchschnittlich. Man konnte in diesen acht Runden lediglich ein Tor nach einem ruhenden Ball erzielen, was sowohl absolut als auch relativ (10%) die wenigsten waren. Gleichzeitig kassierte man die Hälfte der Gegentore nach Standardsituationen, der höchste Anteil. Vor der Amtsübernahme des Burgenländers wies man hingegen durchaus normale Werte auf (sechs von 18 erzielten, 20 von 67 kassierten).

An dieser Stelle kommt der heutige Gegner Salzburg ins Spiel. Die Mozartstädter konnten in der vergangenen Saison 16 Tore nach Standardsituationen erzielen, was ein überdurchschnittlich hoher Wert ist, aufgrund der hohen Anzahl an sonstigen erzielten Toren jedoch über die gesamte Saison den niedrigsten Anteil aller Teams (19,8%) darstellt. Die sieben erhaltenen Tore nach ruhenden Bällen hingegen stellen gemeinsam mit Rapid den besten Wert der Liga dar. Man kann sich also offensichtlich offensiv noch verbessern, defensiv hingegen hat man bereits ein hohes Niveau erreicht.

Dieses Muster spinnt sich in der laufenden Saison fort. Salzburg ist nach der Wiener Austria das defensivstärkste Team der Liga bei Standards, wie auch aus der Graphik hervorgeht. Gleichzeitig ist man neben den bereits erwähnten St. Pöltnern und der Admira das offensiv harmloseste Team in dieser Disziplin. Wenn Enock Mwepu gegen die Admira nicht nach einem Eckball eingeköpft hätte, wäre man ebenfalls in dieser Spielzeit noch torlos. Man ist damit jedoch ein Team, das weit mehr der ligaweiten Tendenz entspricht als die Niederösterreicher. Mannschaften, die nach Standards offensiv gefährlich sind, sind generell dabei auch defensiv anfällig, was darauf hinweist, dass die Verhaltensmuster bei eigenen und gegnerischen Standards sehr verschieden sind und deshalb auch unterschiedliche Schwerpunkte bei der Vorbereitung erfordern. Ein Spagat, den Teams offensichtlich nur schwierig bewältigen können.

Standardsituationen sind ein integraler Teil des Fußballs. Knapp ein Drittel aller Tore in der abgelaufenen Saison fielen nach ruhenden Bällen. In der laufenden Saison sind es erst 15%, der Wert ist nach nur sechs Spielen jedoch noch schwankend. Stärken bei Standards können dementsprechend einige Plätze Unterschied in der Tabelle ausmachen und aus einem Mittelständer beispielsweise einen Europacupkandidaten machen. Schwächen hingegen können leicht dazu führen, die gesteckten Ziele zu verfehlen und eine unentspannte Saison zu spielen.

Auch im heutigen Spiel können Standards den Unterschied machen. Für St. Pölten in erster Linie, weil das Team in dieser Wertung deutliche Defizite aufweist. Für die Gäste hingegen, die selbst noch eher unterdurchschnittliche Werte aufweisen, könnten Standardsituationen zum Dosenöffner werden. Da nicht zu erwarten ist, dass St. Pölten die reaktive Spielanlage mit massiver personeller Präsenz in der letzten eigenen Linie aufgeben wird, könnte es sich als durchaus schwierig erweisen, aus dem Spiel heraus zu Torchancen zu kommen. Die Schwäche der Gastgeber bei ruhenden Bällen auszunutzen, könnte deshalb ein durchaus probates Mittel sein, den eigenen Höhenflug fortzusetzen und den des Underdogs zu beenden.

Mattersburg im Herbst

Allgemeine Spielanlage

Der SV Mattersburg ist eine der am direktesten spielenden Mannschaften der Liga. Dies äußert sich beispielsweise darin, dass es ligaweit das Team ist, das am wenigsten den Ball hat (der durchschnittliche Ballbesitz beträgt lediglich 40,6%). Auf geplanten, sauberen Spielaufbau wird offensichtlich wenig Wert gelegt, man spielt mit Abstand die wenigsten Pässe und weist von allen Teams die niedrigste Passquote auf (67,10%). Wenig überraschend spielen die Burgenländer jeden vierten Ball lang, was wiederum der höchste Anteil aller Teams ist. Nach Ballgewinn setzt man also auf direktes Spiel nach vorne, von wo der Ball dann vergleichsweise häufig in den Strafraum geflankt wird; lediglich der WAC (6,2) flankte pro einhundert Pässen den Ball häufiger als die Mattersburger (5,15). Unterstrichen wird der Umschaltfokus durch die Tatsache, dass lediglich die Admira und der WAC einen höheren Anteil (32 bzw. 25%) ihrer Tore aus Kontern erzielten als die Burgenländer (22%). 

Neben dem Fokus auf das Direktspiel fällt die Aktivität der Mattersburger im Pressing auf. Nach den Salzburgern, den Paten des Spiels gegen den Ball, sind die Burgenländer die am intensivsten gegen den Ball arbeitende Mannschaft der Liga (1,49 Defensivaktionen pro Minute gegnerischen Ballbesitzes). Vor allem die Anzahl abgefangener Bälle ist herausragend; Mattersburg führte diese Wertung mit 515 deutlich an. Der Abstand zum zweitbesten Team ist so groß, dass er pro Spiel beinahe acht abgefangene Bälle beträgt. Unter den zehn Spielern mit den meisten abgefangenen Bällen pro 90 Einsatzminuten sind mit Jano, Rath, Ortiz, Malic und Erhardt gleich fünf Mattersburger; interessanterweise fünf zentrale Spieler, was ein Hinweis auf den Zentrumsfokus im Spiel gegen den Ball ist.

Graphik: Fouls und gelbe Karten im Vergleich zum Ligaschnitt

Dazu kommt, dass sich Mattersburg oft auch unlauterer Mittel bedient, um das gegnerische Spiel zu stören. Sowohl bei den Fouls als auch bei den gelben Karten ist die Mannschaft überdurchschnittlich und diejenige mit den zweithöchsten Werten der Liga (siehe Graphik). Zwar kann dadurch häufig der gegnerische Spielaufbau unterbunden werden, allerdings birgt diese Strategie angesichts der Schwäche der Mattersburger bei gegnerischen Standards durchaus auch Gefahren.

Grundformationen

Im Verlauf der bisherigen Saison setzte Trainer Baumgartner zwei verschiedene Grundformationen ein. Während zu Saisonbeginn und seit Mitte Oktober auf das aus der Vorsaison gewohnte System mit Doppelsechs vertraut wurde, setzte man zwischendurch, vor allem auswärts oder zuhause gegen starke Gegner, auf die Variante mit drei zentralen Mittelfeldspielern. Die Viererkette ist ebenso wie der einzelne zentrale Stürmer in der bisherigen Saison Standard gewesen. 

Im Spiel mit dem Ball ergeben sich kaum Unterschiede zwischen den beiden Systemen, man spielte in der Formation mit Dreiermittelfeld zwar im Schnitt etwas mehr Pässe und einen höheren Anteil davon lang, die Unterschiede in der Passgenauigkeit und der Lokalisierung der Pässe (circa jeder dritte jeweils im Angriffsdrittel) sind jedoch zu vernachlässigen. Mit Doppelsechs hat man im Schnitt etwas mehr vom Ball, was jedoch auch der höheren Qualität der Gegner in den Spielen mit Dreiermittelfeld geschuldet sein kann.

Graphik: Unterschiedliche Grundformationen: Je größer der Name, desto mehr Pässe pro 90 Einsatzminuten. Je größer derPunkt, desto höher die Passquote.

Auch in der Intensität des Pressings und die Umschaltgeschwindigkeit nach Ballgewinn sind lediglich marginal, im 4-3-3 spielte man pro Schuss zwei Pässe mehr. Die vorherrschende Idee bei der Systemwahl war offensichtlich, mit einem verdichteten Zentrum im 4-3-3 etwas tiefer zu pressen, ohne die allgemeine Spielanlage allzu sehr verändern zu müssen. 

Von den Spielen, in denen auf ein Dreiermittelfeld gesetzt wurde, konnte jedoch keines gewonnen werden konnte und die Mannschaft holte im Schnitt weniger als halb so viele Punkte. Man konnte auch weniger Chancen herausspielen konnte und ließ mehr zu; mit Doppelsechs hat man eine leicht positive Differenz der Expected Goals (+1,65), mit Dreiermittelfeld eine negative (-0,81). Der Formationswechsel hat also nicht wie gewünscht funktioniert, deshalb wahrscheinlich kam es zur Rückkehr in die Stammformation. Ein weiteres Einsetzen der Alternativformation zumindest in den Spielen vor der Winterpause erscheint unrealistisch. 

Positionen

Im Tor bestritt Stammtorhüter Kuster bislang alle Partien und ist gesetzt. Von allen Stammtorhütern der Liga weist er in der bisherigen Saison die niedrigste Fangquote auf (60% aller Schüsse aufs Tor). Dies liegt mitnichten daran, dass seine Vorderleute zu viele Großchancen zuließen. Die Chancenqualität der Gegner hätte im Schnitt für etwa 22 Gegentore gereicht, erhalten hat er aber 30 (ohne Eigentore) Diese Differenz ist bei keinem Torhüter der Liga größer, weder absolut noch in Bezug auf die Einsatzzeit gerechnet. Probleme hat er zudem bei der Strafraumbeherrschung, er fängt lediglich 0,7 Flanken pro 90 Einsatzminuten, was 3,6% der gegnerischen Flanken entspricht, der wiederum niedrigste Wert aller Torhüter der Liga. Auf jeden Fall ist er ein möglicher Schwachpunkt.

Die Stamminnenverteidigung bilden Mahrer und Malic, erster Ersatzmann ist César Ortiz. Die Aufgaben der Spieler auf dieser Position sind eher klassisch verteilt. Zweikämpfe und vor allem Luftduelle sollen gewonnen werden, vor allem bei Letzteren sind sie Ligaspitze (72%), was die Verwundbarkeit bei Flanken relativiert. Im Spielaufbau sind sie jedoch wenig eingebunden, 34 Pässe pro 90 Einsatzminuten ist der niedrigste Wert aller Ligateams. Jeder dritte Pass davon wird lang gespielt, was der höchste Anteil aller Teams ist und sich mit dem direkten Umschaltspiel nach Ballgewinn deckt. Der passsichere Ortiz ist lediglich Option Nummer drei.

Auf den Außenverteidigerpositionen spielen üblicherweise Höller rechts und Rath links, wobei letzterer auch im Abwehrzentrum zum Einsatz kam und ersterer vor allem zu Beginn der Saison häufig eine Linie weiter vorne. Diese unterschiedlichen Nebenpositionen wirken sich auch auf ihre Interpretation der Außenverteidigerposition aus. Höller auf rechts ist weit mehr in den Spielaufbau eingebunden und schaltet sich viel häufiger in das Offensivspiel ein als Rath auf der linken Seite (siehe Vergleichstabelle). Im ligaweiten Vergleich ist er jedoch nur ein durchschnittlich offensiver Außenverteidiger. Florian Hart, der zu Beginn der bisherigen Saison auf beiden Außenpositionen in der Viererkette zum Einsatz kam, seit September aber keine Minute mehr spielte, reiht sich was seine Leistungsdaten betrifft zwischen seinen beiden Kollegen ein.

Spieler	Pässe	Flanken	Torschussvorlagen	Schüsse
Alois Höller	33,78	2,55	0,92	0,41
Lukas Rath	22,59	0,93	0,19	0,19

Alle Werte normiert auf 90 Einsatzminuten.

Im zentralen Mittelfeld sind unabhängig von der Grundformation Jano und Erhardt gesetzt, erst in den letzten Spielen konnte sich Seidl in die Startformation spielen. Beim Einsatz des Dreiermittelfelds war meist Sittsam die erste Wahl. Wenn Jano neben Erhardt spielte, zeigte sich eine merkwürdige Asymmetrie. Der Spanier ist sowohl in den kreativen wie auch in den kämpferischen Disziplinen weit aktiver als sein Kollege. Er spielt pro 90 Einsatzminuten die zweitmeisten Pässe aller Feldspieler (37,4; Ortiz 43,2) und weist die zweitbeste Passquote auf (75,9%; Hart 77,7%). Gleichzeitig arbeitet er extrem aggressiv gegen den Ball; sowohl die 83 abgefangenen Bälle als auch die 67 Tackles sind ligaweit Spitzenwerte für einen zentralen Mittelfeldspieler. Sowohl am Boden als auch in der Luft bestreitet er zudem mehr Zweikämpfe als Erhardt und gewinnt anteilsmäßig mehr als dieser.

Wenig verwunderlich, dass angesichts der abfallenden Werte Erhardts zunehmend Seidl in die Startelf drängt. Dieser weist im Gegensatz zu Erhardt zudem offensiv weit mehr Gefährlichkeit auf; er war in weit weniger Einsatzzeit an mehr Torschüssen beteiligt (8) als Erhardt (7). Auffallend ist dabei vor allem seine Qualität bei Standardsituation (siehe Graphik). In Zukunft ist also zu erwarten, dass die Stammbesetzung in der Mittelfeldzentrale eher aus Jano und Seidl bestehen wird, sollte die Grundformation mit Doppelsechs beibehalten werden.

Graphik: Torschussvorlagen von Manuel Seidl im Auswärtsspiel gegen Salzburg

Für die Positionen in der offensiven Dreierreihe beziehungsweise für die Flügel im 4-3-3 verfügt Coach Baumgartner über eine Reihe an Alternativen, die er auch regelmäßig nützt. Dazu setzt er dort auch Spieler wie Pink, Prevljak und Höller ein, die auch auf anderen Positionen spielen. Wer dort auch spielt, ist jedenfalls sehr wenig ins Spiel eingebunden; die Offensivspieler spielen nirgends so wenige Pässe pro Einsatzzeit wie bei Mattersburg. Leidglich der meist zentral hinter der Solospitze eingesetzte Perlak kommt mit knapp 30 Pässen pro 90 Einsatzminuten auf einen überdurchschnittlichen Wert; sonst ist die Aufgabe der Spieler im Offensivbereich hauptsächlich, den Ball in die Box zu bringen (nur beim WAC und bei Sturm flanken diese Spieler mehr). Auch selbst zum Abschluss zu kommen, ist kaum ihre Aufgabe (nur bei den Wolfsbergern geben die Spieler auf diesen Positionen weniger Schüsse pro 90 Minuten ab).

So verwundert es kaum, dass die Spieler im Offensivbereich vergleichbar wenig Torgefahr ausstrahlen; von den acht Spielern mit der höchsten xG-Beteiligung im Kader sind nur zwei, die bisher ausschließlich auf dieser Position zum Einsatz kamen.

 Graphik: xG-Beteiligung, Top 8

Wie auch eine Linie weiter hinten stehen auch auf der zentralen Stürmerposition unterschiedliche Spielertypen zur Verfügung, die gemäß Matchplan und spezifischen Anforderungen einer Partie eingesetzt werden können. Insgesamt ist die Rolle der Stürmer auf die klassischen Funktionen beschränkt, sie spielen nur durchschnittlich viel mit und beteiligen sich auch nicht besonders intensiv am Pressing. Interessanterweise ist der eher nicht als mitspielende Stefan Maierhofer derjenige, der sich am meisten am Spiel beteiligt; er spielt pro 90 Einsatzminuten sogar doppelt so viele Pässe wie Smail Prevljak. Er leistet dementsprechend auch die mit Abstand meisten Torschussvorlagen. Bei den eigenen Abschlüssen gibt es hingegen zwischen Pink, Maierhofer und Prevljak keine signifikanten Unterschiede.

Standards

Die letzte Graphik dieses Beitrags zeigt die erzielten (schwarz) und erhaltenen (rot) Tore pro Mannschaft in der laufenden Saison. Der SV Mattersburg ist dabei in beiden Kategorien ganz vorne dabei, wie auch der LASK und Sturm Graz. Das Paradox, dass ein Team sowohl gut als auch schwach bei  Standardsituationen sein kann, wäre sicher eine detailliertere Untersuchung wert.

Graphik: Tore und Gegentore aus Standardsituationen

Fazit

Der SV Mattersburg wird höchstwahrscheinlich nicht absteigen. Die xG-Differenz (ohne Strafstöße) des Teams ist positiv, man liegt damit auf Rang fünf in dieser Wertung. Dazu hat man sich bereits einen relativ beruhigenden Vorsprung auf den letzten Tabellenplatz erarbeitet. Seit Gerald Baumgartner das Team übernommen hat, weist es einige Merkmale auf, die es von einem Durchschnittsteam der Liga unterscheiden und auch zu einer Bereicherung der Liga machen. Gleichzeitig ist festzuhalten, dass es durchaus Aspekte gibt, die zu verbessern sind; dazu zählen das Spiel mit dem Ball, das Torwartspiel und die Schwäche bei gegnerischen Standards.