door: Arno Knobbe

Schaatsen is een grote sport in Nederland, en de topteams bedrijven hun sport op het hoogste niveau. Niet voor niets staan Nederlanders dan ook regelmatig op het podium bij EK’s, WK’s en Olympische Spelen. Toch kan het altijd beter, en wordt er door schaatsploegen gezocht naar manieren om de sporters nog fitter aan de start te krijgen. En daarmee de concurrent net te snel af te zijn. Sinds een jaar werkt de schaatsploeg LottoNL-Jumbo met wetenschappers van de Universiteit Leiden en Hogeschool van Amsterdam aan manieren om met behulp van data science trainingsschema’s te optimaliseren, en zodoende schaatsers als Sven Kramer en Kjeld Nuis nog net een treetje hoger op het podium te krijgen.

Schaatscoach Jac Orie, grote man achter LottoNL-Jumbo, verzamelt al vijftien jaar details over de trainingen die hij aan zijn schaatsers aanbiedt. Er wordt vrijwel dagelijks tweemaal getraind en over elke training worden details opgeslagen over de aard (schaatsen, fietsen, krachttraining, …) en duur van de training, maar ook over hoe zwaar de training bevonden werd door de individuele schaatser.

Daarnaast is er data uit vele fysieke tests en zijn er natuurlijk wedstrijduitslagen die een goede indicatie geven van de effectiviteit van de aangeboden training. Afhankelijk van de schaatser is er tot zes jaar data beschikbaar, wat neerkomt op enkele duizenden trainingssessies en een kleine tweehonderd wedstrijden. Het doel van data science is nu om deze data te analyseren en de gevonden inzichten te gebruiken om de trainingsschema’s van Orie verder te verfijnen.

Trainingsschema's
Trainingen van topsporters bestaan uit een ingewikkelde mix van prikkels bedoeld voor verschillende systemen in het lichaam. Daarnaast moet deze mix van trainingsaanbod toegespitst worden op het specialisme en de fysieke eigenschappen van de individuele schaatser. De trainingsschema’s van Orie zijn door de jaren heen – door een wetenschappelijke aanpak en veelvuldig experimenteren – behoorlijk scherp geworden. Maar ook een topcoach kan niet altijd de vele knoppen overzien waaraan gedraaid kan worden. Met name als het gaat om een jarenlange historie, waarin allerlei vormen van training (per individu) geprobeerd zijn.

Met de inzet van de datawetenschappers kan zo’n systematische analyse van experimenten uit het verleden wel bereikt worden, zodat na zes jaar proberen een duidelijk beeld ontstaat van de knoppen die optimaal staan, en belangrijker, de knoppen waaraan nog wat gedraaid moet worden.

Kjeld Nuis
Neem bijvoorbeeld Kjeld Nuis, iemand die het laatste jaar aanzienlijke successen gekend heeft. In de zes jaar bij LottoNL-Jumbo heeft hij zo’n 180 wedstrijden gereden, waarin zijn tijd gemiddeld zo’n 2,8% boven het baanrecord lag (een manier om schaatstijden te normaliseren tussen afstanden en ijsbanen). Van elk van deze wedstrijden is de gedetailleerde voorbereiding op te zoeken, die op vele manieren te karakteriseren is. Zo kunnen basale parameters bepaald worden, zoals de gemiddelde trainingsduur per week, of het percentage fiets-sessies.

Maar ook minder voor de hand liggende parameters, zoals de totale duur van de middagsessies met intensiteit boven de 8 (op een schaal 1-10), over een periode van twee weken. Elk van deze parameters vertoont een bepaalde variatie, al dan niet bewust door Orie in de schema’s verwerkt. Als tussen al deze parameters een knop gevonden kan worden die kennelijk invloed heeft op de uitslag, dan is dit natuurlijk een interessante richtlijn voor de coach, die direct meegenomen kan worden in nieuwe schema’s.

Zware belasting
Bij Nuis, een specialist op de 1000 m, bleek dat specifiek de ochtendsessies in de vijf dagen voor wedstrijd een te zware belasting opleverde. Met deze belasting (berekend als het aantal minuten maal de intensiteit) werd door de jaren gevarieerd. De keren dat de belasting opvallend hoog was, bleek er ook een duidelijk slechtere tijd genoteerd te worden, zo’n twee procent langzamer dan wanneer hij zich in die dagen inhield. Kennelijk verkeerde het lichaam nog in de herstelfase op de dag van de wedstrijd.

Naast punten waarop de training verlicht moet worden, zijn er ook suggesties voor verzwaring. Zo blijkt een korte felle belasting (intensiteit 9 of 10) in de twee dagen voor de wedstrijd een licht positief effect te hebben. Dit gebeurt vanzelf in een wedstrijdweekend met meerdere afstanden, maar kan dus ook met opzet in de voorbereiding van een belangrijke race gedaan worden. Overigens gelden zulke richtlijnen specifiek voor Nuis, binnen de context van zijn verdere trainingsopbouw, en kunnen dus niet algemeen gebruikt worden. Voor een sprinter als Jan Smeekens zijn weer andere parameters voor verbetering vatbaar.

De eerste ronde van het onderzoek - gefinancierd door NWO en COMMIT/ - is ondertussen afgerond. Van vier schaatsers, allemaal met voldoende lange historie bij het team, zijn gedetailleerde analyses gemaakt. In de pauze van een maand tussen het wedstrijdseizoen en de start van het nieuwe seizoen wordt nu overlegd over verdere samenwerking, deels betaald uit middelen van de schaatsploeg. En wie weet besluit de fietstak van LottoNL-Jumbo ook wel dat de trainingsschema’s scherper kunnen…

Dr. Arno Knobbe werkt als data scientist bij het Leiden Center of Data Science van de Universiteit Leiden en is projectleider van het MASS project waarin LottoNL-Jumbo, de Hogeschool van Amsterdam en de Universiteit Leiden samenwerken aan verbeterde trainingsschema’s door middel van data science. Voor meer informatie: a.j.knobbe@liacs.leidenuniv.nl.a.j.knobbe@liacs.leidenuniv.nl