Team DSM Team DSM Team DSM

In essentie is het heel simpel: als je met data-analyse betere inzichten kunt genereren, kun je ook betere beslissingen nemen over het strijdplan. Tijdens de wedstrijd, maar ook daarvoor. Door dit data & analytics partnership gaan Team DSM en KPMG samenwerken om nog meer inzicht te verkrijgen in het wielrennen. 

Natuurlijk werkten wielerploegen ook met een plan voordat er geavanceerde data-analyse mogelijk was. Maar bij de uitvoering van die plannen zonder input uit data-analyse zijn coaches en teamleiders vooral aangewezen op hun ervaring en intuïtie. Met de juiste data kun je hun ‘gut feeling’ kritisch uitdagen en – minstens even belangrijk – het juiste gesprek over de beste aanpak op gang brengen tussen professionals.

Het gebruik van data objectiveert (en verbetert) dan afwegingen op allerlei niveaus. Van de afweging over welke rondes een klassementsrenner dit jaar het beste kan kiezen gezien zijn kwaliteiten, het parcours en andere factoren tot een afweging in de koers zelf over wat een goed moment is om aan te vallen.

Het staat daarbij overigens wel buiten kijf dat data-analyse geen harde waarheden oplevert. Data-analyse verhoogt de kansen op succes maar brengt geen zekerheid. Je kunt niet simpelweg jezelf ervan verzekeren dat je met een bepaalde strategie een wedstrijd wint of het beste jaarplan voor een renner ontwikkelt en daarmee zeker weet dat hij/zij op het juiste moment piekt qua vorm. Maar je kunt wel de kansen vergroten dat de beste beslissingen worden genomen en dat je de kansen en risico’s in een wedstrijd zo scherp mogelijk op het netvlies krijgt. Zodat je zicht krijgt op mogelijke koersscenario’s, de kansen van de ploeg of individuele renners en de mogelijke impact van strategische ingrepen. Steeds weer met het plan in de hand.

De beslissingen worden door het gebruik van inzichten uit data explicieter dan voorheen. De mogelijkheden daartoe liggen op een breed terrein en we ontsluiten deze mogelijkheden gaandeweg. Voorbeelden hoe Team DSM dit toepast zijn:

• We kunnen het optimale energieverbruik in kaart brengen op basis van de inspanning tijdens grote ronden. Dat vertaalt zich ook in exact afgemeten hoeveelheden (en samenstelling) van voedsel tijdens en na afloop van een koersdag.
• We kunnen monitoren hoeveel vermogen een renner op de pedalen zet en kunnen daardoor sturen op goed energiemanagement, in combinatie met voeding en vocht tijdens de race. Daarmee kun je het maximale fysieke vermogen uit een renner halen zonder over een grens te gaan.
• We kunnen de tactiek in een ploegentijdrit of sprinttrein – onder meer de opstelling van de renners – optimaliseren door een combinatie van inzichten uit de windtunnel, parcoursinformatie en fysieke data van renners.
• We kunnen de data over de kwaliteiten van renners ‘spiegelen’ op het parcours van een wedstrijd en op de kwaliteiten van concurrenten en daarmee optimale keuzes maken over deelname aan wedstrijden (en samenstelling van de ploeg).
  
• We kunnen instant informatie analyseren over de fysieke prestaties van renners tijdens trainingen. Daarmee wordt het mogelijk om tijdens een inspanning zelf betere beslissingen te nemen, of in elk geval de juiste discussie te voeren over wat de beste aanpak tijdens bijv. een ploegentijdrit.