Fußball-Europameisterschaft 2021 im Hampden Park in ­Glasgow, das Achtelfinale zwischen Schweden und der ­Ukraine. Die Spieler wirken ausgelaugt und erschöpft. Sie haben bereits mehr als 120 Minuten in den Beinen. Ein Elfmeter­schießen scheint unausweichlich, doch dann setzt noch einmal ein ­Ukrainer zur Flanke an. Der Ball segelt in den Strafraum, wo ­Artem ­Dovbyk hochsteigt und ihn am schwedischen Torwart vorbei ins Netz befördert. Was dann folgt, sind grenzenloser Jubel – die Ukraine steht zum ersten Mal in einem EM-Viertelfinale – und verdutzte Blicke.

Als der Torschütze, gejagt von seinen Teamkollegen, über den halben Platz rennt, reißt er sich sein Trikot vom Leib. Darunter kommt kein gestählter Oberkörper und auch keine aufs Unterhemd ­gedruckte Liebeserklärung zum Vorschein, sondern ein schwarzer Männer-BH. Wie viele Leistungssportler trägt ­Dovbyk eine Art Weste, die als GPS- und Fitnesstracker dient. Anhand dieser Daten arbeiten Analysten und Trainer individuell mit jedem einzelnen Spieler an seinen Stärken und Defiziten. Die Bustiers kommen dabei nicht nur im Fußball zum Einsatz. Auch Profivereine im Eishockey, Basketball oder dem Radsport greifen längst auf die sensiblen Sensoren zurück.

Firmen wie Statsports oder VX Sport entwickeln diese hochmoderne Unterwäsche, um Sportler auf Schritt und Tritt zu überwachen und zu analysieren. Die Sensoren in der Weste zeichnen dabei eine Vielzahl von Daten auf. Dazu gehören Heatmaps, die aufzeigen, in welchen Bereichen des Spielfelds sich der Spieler aufgehalten hat, genauso wie die Distanz, die er während des Spiels zurückgelegt hat. Diese Daten werden in Echtzeit an ein Endgerät gesendet und erlauben es Trainern, genau zu erkennen, wann ein Spieler einen Sprint ansetzt und in welche Richtung. Durch diese genaue GPS-Ortung lassen sich Beweglichkeit, Schnelligkeit und Positionstreue genauso wie Herzfrequenz, ­Atmung und Erschöpfungszustand jedes einzelnen Spielers ­genau bestimmen.

„Es muss ein Bewusstsein dafür geben, welchen Mehrwert dir Daten in deinem Entscheidungsverhalten bringen können“, betont Karsten Görsdorf, Geschäftsführer am Institut für Spielanalyse in Potsdam. Dabei sollte es nicht darum gehen, einen Volltreffer zu landen, sondern eher den mittleren Fehler zu minimieren, um am Ende weniger falsch und mehr richtig zu machen. „Du musst ein gutes Controlling hinbekommen, was über das Bauchgefühl des Headcoaches hinausgeht.“ Nicht nur Daten, die das direkte Spiel beeinflussen, fließen hier mit ein, sondern auch Alltagsdaten wie Schlaf oder Erholung. Gerade bei Sportarten wie Basketball, in denen innerhalb kürzester Zeit mehrere Spiele absolviert werden, sind diese Daten laut Görsdorf besonders wichtig.

Nach vier Spielen in zehn Tagen, darunter zwei lange Auswärtsfahrten, muss die Frage gestellt werden, ob ein bestimmter Spieler vielleicht erst wieder im dritten Viertel fit genug für einen Einsatz ist – oder ist er doch ein Kandidat für die Starting-Five? Wann lässt seine Performance nach? Schon nach zweieinhalb ­Minuten oder erst nach viereinhalb Minuten, wenn normaler­weise gewechselt wird? Das seien Fragestellungen, die sich mit Daten deutlich besser beantworten ließen, erklärt Görsdorf.

„In Zukunft können Daten, die wir von Fußballvereinen oder Berufsgenossenschaften bekommen, dazu beitragen, ­konkrete verallgemeinernde Ableitungen zu treffen“, sagt Daniel ­Memmert, ­Institutsleiter am Institut für Trainingswissenschaft und ­Sportinformatik an der Deutschen Sporthochschule Köln. Das große Ziel der Datenanalyse aus sportmedizinischer Sicht sei die Ableitung allgemeiner Aussagen aus den Daten vieler individueller Sportler. So ließen sich Belastungen und Verletzungen direkt in ein Cluster einteilen, aus dem Mediziner schon jetzt erfolgreiche Behandlungsmethoden ableiten können. Von diesen Daten profitieren dabei nicht nur Profisportler. Auch verletzte oder angeschlagene Hobbyathleten können gezielter behandelt werden, wenn Mediziner Regenerationskurven oder Belastungsmodelle aus dem Leistungssport erhalten, die sich auf den Durchschnittsbürger anwenden lassen können.

Alles lässt sich aber daran auch nicht ablesen: „Es hängt natürlich auch immer von den subjektiven Schmerzen des Patienten ab, was für ein Angstverständnis er hat, wie viel Mut er hat, was er sich einfach selbst zutraut, und das finden wir in Daten nicht“, schränkt ­Memmert ein. Dennoch gäben Daten viel Aufschluss darüber, ab wann ein Sportler wieder voll einsatzfähig sein kann.

Die Sportler selbst, wie Fußballstar Max Kruse von Union ­Berlin, trauen den erhobenen Daten dabei nicht immer über den Weg. „­Leider gibt es auch viel zu viele Leute, die nie was mit Fußball zu tun hatten, aber denken, dass sie aufgrund von Werten, die sie auf dem iPad sehen, wissen, wie ein Spieler sich zu fühlen hat“, sagte Kruse jüngst im Gespräch mit der Frankfurter Allgemeinen Zeitung. „Nur weil die Werte stimmen, muss das längst nicht heißen, dass ich mich wohlfühle.“

Neben Sportwissenschaftlern, Taktiktrainern und Ärzten werden auch die Fernsehzuschauer regelmäßig mit Daten und Statistiken versorgt. Seit Januar 2020 ist Amazons Cloudservice AWS offizieller Technologieanbieter der Deutschen Fußball-Liga. Zusammen mit dem Ligaverband, der die beiden höchsten Männerligen im deutschen Profifußball vertritt, arbeitet Amazon mit künstlicher Intelligenz und maschinellem Lernen an einer Videodatenbank. Das Ergebnis sind Unmengen an Statistiken, die den Fernseh­zuschauern während der Übertragung auf den Bildschirm projiziert werden. Es werden Angriffszonen und Realformationen gezeigt, Torwahrscheinlichkeiten errechnet und Top-Sprinter gekürt. An der Spitze vieler Statistiken finden sich meist die Stars der Liga wieder.

Dass allerdings die Führenden in den Statistiken nicht auch die Besten sein müssen, erkannte Billy Beane schon 1997. Nach seiner aktiven Baseballkarriere übernahm er den Posten des General Managers beim US-Team Oakland Athletics. Seine Aufgabe war es, eine schlagkräftige Mannschaft für das finanziell vergleichsweise schlecht aufgestellte Team zusammenzustellen. Im Baseball wurden seit Jahren traditionelle Statistiken wie der Schlagdurchschnitt des Batters oder die Gewinne und Verluste des Pitchers genutzt, um die besten Spieler zu ermitteln. Die Spieler, die in diesen Bereichen vorn lagen, waren am teuersten. Eine einfache Rechnung.

Aufgrund der finanziellen Engpässe sah sich Beane gezwungen, einen anderen Weg zu gehen, und widmete sich den Sabermetrics, einem computergestützten Statistikverfahren, das bis heute genutzt wird. Der Name leitet sich von SABR ab, einer Vereinigung, die sich mit der wissenschaftlichen Erforschung des Baseballs beschäftigt. Beanes Vorgänger Sandy Alderson hatte die Statistiken bereits gelegentlich genutzt. Zusammen mit seinem Assistenten Paul DePodesta perfektionierte Beane den neuen Weg des Scoutings und läutete die sogenannte Moneyball-Ära in der Major League Baseball ein. Beane und DePodesta hinterfragten die traditionellen Statistiken und ihre Aussagekraft und analysierten, welche Faktoren für die Einzel- und Teamleistung entscheidender sind. Anhand dieser überdachten Strategie entwickelten sie neue Statistiken, die ihnen Spieler an die Spitze spülten, die unter dem Radar liefen, da sie im Pool der alten Daten nicht auffällig genug waren.

Beane stellte ein Team zusammen, das laut seinen Statis­tiken maximalen Erfolg versprach, wenn die Spieler ihre jeweiligen individuellen Stärken ausspielten und sich gegenseitig so ergänzten, dass potenzielle Fehler aufgefangen werden konnte. Durch die neue Art der Spielerbewertung anhand von Computerdaten und Wahrscheinlichkeiten gelang es Beane, die Oakland Athletics ab dem Jahr 2000 viermal in Folge in die Play-offs zu führen. Zwischenzeitlich stellte das Team sogar einen Rekord von 20 Siegen hintereinander auf.

Der datengetriebene Scouting-Ansatz schwappte in andere Sportarten über und fand in dem Briten Matthew Benham einen großen Verfechter. Benham hatte an der Universität in Oxford ein Physikstudium abgeschlossen, zu Ruhm kam er jedoch durch Sportwetten. Mit seiner Wettfirma brachte er es zum Multi­millionär. Dabei setzt er auf Wahrscheinlichkeitsrechnungen mit mathematischen Modellen. So auch beim englischen Fußball­verein FC Brentford, den er im Jahr 2012 kaufte. Mithilfe von Wahrscheinlichkeitsrechnungen und einer geheimen Datenbank wird Brentford auf Spieler aufmerksam, die der Klub günstig kaufen, weiterentwickeln und teuer verkaufen kann.

Im Jahr 2017 holte der Club beispielsweise den damals 21-jährigen Ollie Watkins. Die „Bees“ ließen sich den jungen Engländer rund zwei Millionen Euro kosten, dabei war er nur absoluten Experten ein Begriff. Die lokale Presse fürchtete, dass Wettkönig Benham nicht mehr wisse, wohin mit seinem Geld. Drei Jahre später schoss Watkins 26 Tore in einer Saison und wechselte im darauffolgenden Sommer für 33 Millionen Euro in die Premier ­League. Ein Transfer, der Benham frisches Geld für neue Transfers dieser Art in die Kasse spülte. Watkins-­Nachfolger Ivan ­Toney wird aller Voraussicht nach einen ähnlichen Weg gehen. Dann wird es wieder an Benham sein, den nächsten Unterschiedsspieler durch Mathematik und Wahrscheinlichkeitsrechnungen in den Niederungen des Profifußballs zu identifizieren und daraus maximalen wirtschaftlichen Profit zu schlagen.

Neben all den positiven Effekten, die Daten auf den Sport zu haben scheinen, gibt es auch immer wieder kritische Stimmen, denen die permanente Datenflut zu viel geworden ist. Eine dieser Stimmen gehört Ross Brawn. Der Brite ist selbst Ingenieur und war jahrzehntelang für verschiedene Formel-1-Teams tätig. Seinen eigenen Rennstall führte er 2009 von der Außenseiter­position zur Weltmeisterschaft. Nicht zuletzt die ausführliche Datenanalyse half ihm, die richtigen Stellschrauben zu drehen und seine Autos besser als die der Konkurrenz zu machen. Mittler­weile steht Brawn als Formel-1-Sportdirektor auf der anderen Seite der Boxengasse. Die neue Rolle hat auch seinen Blick auf die Datenmengen verändert, die tagtäglich im Formel-1-­Kosmos gesammelt werden.

Der Fokus der Teams liege mittlerweile voll und ganz auf ­Datensätzen, bedauerte Brawn in einem Interview mit Motorsport ­Total. Er wünsche sich wieder mehr Racing, mehr Spannung und mehr überraschende Erfolge. Deshalb sei er auch ein Freund von Regen. Dieser stelle die Teams mit ihren Laptop-­Ingenieuren vor Herausforderungen, die sie nicht bis ins kleinste Detail vorhersagen und analysieren könnten. So spielten wieder Dinge eine Rolle, die Sport letztlich ausmachen: Zufall und Glück.

Menschen wie Billy Beane oder Matthew Benham haben gelernt, Daten richtig zu deuten und daraus Profit geschlagen. Sportler wie ­Artem Dovbyk haben bewiesen, dass Datenanalyse zwar ein wichtiger Bestandteil des Sports geworden ist, Entscheidungen, die in Sekundenbruchteilen getroffen werden müssen, dennoch nicht vorhersehbar sind.

„Wir können vor den Spielen schon sehr viele Daten und Entscheidungsprozesse mit beeinflussen“, sagt Spielanalytiker ­Görsdorf. Aber: „Während des Spiels sind wir, zumindest im Fußball, noch sehr weit davon entfernt, diese Daten zu nutzen.“ Ein Hindernis sind ihm ­zufolge etwa die komplexeren Herausforderungen bei der ­Kommunikation während des Spiels. Wie kommen die Erkenntnisse aus Datenerhebungen, die ein Analyst auf seinem Laptop sieht, zum Spieler auf den Platz? Und wie soll dieser daraus etwas ableiten, ohne das notwendige Videomaterial zu studieren? Andere Sportarten, wie zum Beispiel Eishockey, sind da schon einen Schritt weiter. Durch die ständige Fluktuation auf dem Spielfeld kommen Spieler vom Eis und erhalten direkt via Video oder Audio Input von ihren Coaches, die wiederum die wichtigsten KPI von ihren Analysten erhalten haben. So können Trainer und Spieler auf Variablen eingehen, die ihnen während des laufenden Matches nie aufgefallen wären.

Egal, ob Eishockey, Fußball, Baseball oder Formel 1: Sport ist längst mehr als nur ein Sport, er ist zu einer hochkomplexen Wissenschaft mit unendlich vielen Variablen und Möglichkeiten geworden, die es einzuordnen und zu analysieren gilt, um den maximalen Erfolg mit der richtigen Strategie zu forcieren. Dennoch steckt Big Data auch hier noch in den Kinderschuhen. Neue Technologien und Analysemodelle müssen erst noch weiter entwickelt und perfektioniert werden, bevor sie einen nachhaltigen Einfluss auf den Sport haben können. Experten sind sich jedoch sicher, dass sich in dieser Hinsicht in naher Zukunft noch einiges tun wird: Humanoide Roboter, die Sportlern im Training als ­Sparringspartner dienen, könnten laut Wissenschaftlern schon in den nächsten 20 bis 30 Jahren Realität werden. Noch einen Schritt weiter gehen Nanobots. Die Miniroboter könnten direkt in die Blutbahn eines Sportlers gebracht werden und dort per Muskelstimulation zusätzliche Kräfte freisetzen. Eine Entwicklung, die sich die Anti­dopingagentur mit Sicherheit ganz genau anschauen wird.

Doch trotz all der Daten gibt es nach wie vor Sportmärchen. Märchen, wie sie Italien im Sommer 2021 geschrieben hat. Die Fußballnationalmannschaft der Männer wird spektakulär ­Europameister, bei den Olympischen Spielen holen die Italiener 40 Medaillen, die Frauen feiern den EM-Titel im Volleyball, ­Sonny Colbrelli macht es ihnen auf dem Rennrad gleich. Die Tages­zeitung La Repubblica schreibt treffend, dass es keinen ­Algorithmus gebe, mit dem sich dieser unglaubliche Sportsommer aus italienischer Sicht erklären ließe – und das ist auch gut so.