Syfte: Syftet är att identifiera målvaktens involvering i spelet för ett elitsatsande U17-lag, samt analysera om ökat deltagande av målvakten i spelet statistiskt leder till fler respektive färre offensiva bollkontroller, målchanser, samt mål. Metod: Arbetet har genomförts utifrån en strukturerad empirianalys av formen icke- deltagande observationsstudie. Till analysen hade ett okomplicerat kodningsschema konstruerats. Datan analyserades utifrån fyra faktorer med utgångspunkt i målvaktens involvering vid uppbyggnadsspel. Efter bearbetning utfördes en tematisk analys på resultat för att identifiera liknande teman kopplat till målvaktens involvering. Empirin analyserades från programmet HUDL där samtliga 26 relevanta matcher från säsongen 2020 fanns tillhanda. Teori: Arbetets teoretiska ramverk är beslutsfattandeteorin. Den härstammar från decision field theory som utvecklats av Busemeyer och Townsend (1993) och är i grunden en spelteori. Resultat och slutsatser: Under säsongen avancerade laget till offensiv planhalva med bollkontroll 1050 gånger, vilket gav ett snittvärde på 40,4 gånger per match. Av dessa var målvakten direkt eller indirekt involverad i 44%. Laget avancerade ytterligare till sista offensiva tredjedel 596 gånger (22,9 i snitt) och samma siffra för målvakten var då 40%. Vidare var målvakten direkt eller indirekt involverade i 42% av lagets 313 (12 i snitt) målchanser och 28% av lagets 36 mål (1,4 i snitt) som utgick från uppbyggnadsspelet. Avslutningsvis fanns det även ett psykologiskt och positionsbaserat övertag som skapas av att involvera målvakten i spelet. Genom att använda målvakten som en extra mittback möjliggjordes minskade bolltapp, ökat bollinnehav, större kontroll av spelet och därigenom möjlighet att styra matchbilden. / Purpose: The purpose of this study is to identify the goalkeeper’s involvement in the game for an elite development U17-team, and to analyze if increased involvement of the goalkeeper in the game, statistically leads to more or fewer offensive ball controls, goal chances, and goals. Method: The study was performed based on a structured data analysis with a non- participation observational study. To the analysis, a simple coding scheme was created. The data analysis was based on four factors connected to the goalkeeper’s involvement during the initial play. After the processing, a thematic analysis was applied to the results with the purpose of identifying similar themes connected to the goalkeeper’s involvement. The data was analyzed from the program HUDL where all 26 relevant games from the 2020 season existed. Theory: The studies theoretical framework was decision-making theory. It is based on decision field theory which was developed by Busemeyer and Townsend (1993) which from the start is a game theory. Results and conclusion: During the season, the team advanced to the offensive half with ball control 1050 times, which indicated 40,4 on average per game. The goalkeeper was directly or indirectly involved in 44%. The team advanced to the last third of the field 596 times (22,9 on average) and the goalkeeper was involved 40%. Furthermore, the goalkeeper was directly or indirectly involved in 42% out of the teams 313 goal chances (12 on average) and 28% out of 36 goals (1,4 on average). There is also a psychological and position-based advantage being created by involving the goalkeeper in the game. By using the goalkeeper as an extra central defender, is enables less ball losses, increased possession, larger control of the game and thereby possibility to control the game structure.

In the popular sport of football, the exploration of key performance indicators has garnered significant interest among researchers, coaches, and analysts. While machine learning approaches, such as the expected goals model, have provided valuable insights into the attacking aspects of the game, the defensive side has received comparatively less attention. This thesis focuses on the defensive aspect of football, particularly during the opposition’s build-up phase, a strategy increasingly adopted by many teams. The goal of this project is to integrate valuable features from existing research with newly generated ones, developed in consultation with football experts, to create a model that provides insights into a team’s defensive behavior during the opponent’s build-up phase. The study utilizes synchronized event and tracking data from the Allsvenskan 2022 and 2023 seasons. An algorithm is developed to filter and analyze build-up sequences by generating appropriate defensive features. Subsequently, a logistic regression-based machine learning model is implemented to predict the outcome of an event during a build-up sequence, as well as the overall outcome of the sequence. This approach, enables the introduction of two new metrics aimed at evaluating a team’s defensive behavior during the opponent’s build-up phase. Additionally, a web-based application is developed to visualize and communicate the project results and insights to football experts and data analysts. Finally, the findings of this thesis highlight the benefits of combining tracking data with event data in football analytics. / Nyckeltalsundersökningar för att utvärdera och utveckla fotbollsklubbars prestation har väckt stort intresse bland forskare, tränare och analytiker. Traditionellt sett har dessa nyckeltal härletts genom observationsanalys. Dock har den ökande förekomsten av teknik inom den professionella fotbollsvärlden skapat möjligheter för att implementera mer automatiserade metoder för taktisk analys. Denna studie kommer specifikt att fördjupa sig inom det taktiska området av fotboll, som framstår som den mest relevanta och dynamiska delen av spelet. Målet med studien är att applicera modern teknologi, så som maskininlärning, på befintlig forskning, för att utveckla en modell som ger insikter om försvarsspelet under motståndarens uppbyggnadsfas. Studien undersöker synkroniserad händelse- och spårningsdata från Allsvenskan, Sveriges Högsta fotbollsserie, säsongerna 2022 och 2023. Efter att ha utvecklat en algoritm för att filtrera uppbyggnadssekvenser, användes denna data för att generera omfattande egenskaper som beskriver kvaliteten på ett lags försvarsspel. Därefter implementeras en maskininlärningsmodell, med hjälp av logistisk regressionsanalys, för att förutse utfallet av både en uppbyggnadssekvens och försvarsspelet. Resultatet visar på värdet av att kombinera spårningsdata med händelsedata inom fotbollsanalys. Modellens prestanda förbättrades avsevärt, både när det gäller att förutsäga utfallet av ett defensivt spel och en uppbyggnadssekvens.Dessutom har resultatet av studien lett till användbara insikter om försvarsspel för dataanalytiker inom fotboll. En webbaserad applikation utvecklades också för att visualisera och kommunicera resultaten.