The utilization of tracking technologies in sports such as football holds the potential to enhance the game experience for the fans and provide coaches and players with valuable insights on how to improve their playing techniques and strategies. TRACAB is one of the leading companies in football tracking and has collected a large amount of player data from various football games. This data could be leveraged to improve the tracking performance of TRACAB’s algorithms by investigating which poses or actions occur rarely or are difficult for the tracking system to identify. However, the collected data is unlabelled and the amount of data is enormous. To tackle this problem, this thesis investigates the use of various clustering techniques to get insights into the distribution of poses in football games and the correspondence of different pose groups to different performance levels. In experiments with K-meansbased approaches and deep clustering approaches, the clustering results obtained with the K-means-based approaches are found to be superior. The analysis of the clustering structures reveals a relationship between smaller cluster sizes and lower tracking performance. In future research, it should be investigated, how approaches based on deep clustering can be enhanced for this clustering task. In addition, it could be investigated how the insights obtained from the cluster analysis can be utilized to develop a targeted strategy for improving TRACAB’s tracking system.

Användningen av spårningstekniker i sporter som fotboll har potentialen att förbättra spelupplevelsen för fansen och ge tränare och spelare värdefulla insikter om hur de kan förbättra sina speltekniker och strategier. TRACAB är ett av de ledande företagen inom fotbollsspårning och har samlat in en stor mängd spelardata från olika fotbollsmatcher. Denna data skulle kunna användas för att förbättra prestandan hos TRACAB’s algoritmer genom att undersöka vilka poser eller handlingar som sällan förekommer eller är svåra för spårningssystemet att identifiera. Men den insamlade datan är oetiketterad och mängden data är enorm. För att hantera detta problem undersöker denna avhandling användningen av olika klustermetoder för att få insikter i distributionen av poser i fotbollsmatcher och motsvarigheten mellan olika posegrupper och olika prestationsnivåer. I experiment med K-meansbaserade metoder och djupklustermetoder, fann man att klusterresultaten som erhölls med de K-means-baserade metoderna var överlägsna. Analysen av klusterstrukturerna avslöjar en relation mellan mindre klusterstorlekar och lägre spårningsprestanda. I framtida forskning bör det undersökas hur metoder baserade på djupklustering kan förbättras för denna klusteruppgift. Dessutom skulle det kunna undersökas hur insikterna från klusteranalysen kan användas för att utveckla en riktad strategi för att förbättra TRACAB’s spårningssystem.