KPIs für deine Sprung Testungen

Force-Plate CMJ: Welche KPIs wirklich zählen – je nachdem, warum du testest

Wenn du eine Kraftmessplatte unter einen Countermovement Jump (CMJ) stellst, bekommst du so viele Kennzahlen, dass du am Ende oft nicht mehr weißt, was du eigentlich messen wolltest. Beim CMJ bekommst du Output-Metriken (Height/Force/Power), Strategie-Metriken (Times/Phasen) und Symmetrie-Metriken (Take-off/Landing). Wenn du das alles gleichzeitig „monitorst“, entsteht KPI-Chaos.

Der Gamechanger ist eine simple Logik:

Ziel → KPI-Set → verknüpfte Interpretation.

Aber: Es gibt nicht “das eine” CMJ-KPI-Set, weil sich die besten Metriken je nach Ziel ändern

• Performance Profiling,
• Neuromuskuläre Fatigue,
• Return-to-Sport / Rehab.

Das eigentliche Problem: KPI-Overload ohne Entscheidungslogik

CMJ ist beliebt, weil er simpel, schnell und sportnah ist. In der Praxis werden Metriken oft nach “Was zeigt das System alles?” ausgewählt – nicht nach “Welche Metrik beantwortet meine Frage?”. Und wenn dann ein Wert steigt (z. B. Power), aber ein anderer nicht (z. B. Jump Height), wird’s interpretativ schnell schwierig.

Erst Ziel klären, dann Metriken auswählen, dann Metriken verknüpfen “link metrics together”.

Bild: Bishop, C., Jordan, M., Torres-Ronda, L., Loturco, I., Harry, J., Virgile, A., ... & Comfort, P. (2023). Selecting metrics that matter: comparing the use of the countermovement jump for performance profiling, neuromuscular fatigue monitoring, and injury rehabilitation testing. Strength & Conditioning Journal, 45(5), 545-553.

3 Ziele – 3 unterschiedliche KPI-Pakete

Die geeigneten CMJ-Metriken variieren je nach Einsatzzweck:

• Performance Profiling (Proxy für sportliche Leistungsfähigkeit)
• Neuromuscular Fatigue Monitoring (akute Ermüdung / Readiness)
• Return from Injury Testing (Defizite & Symmetrien)

Performance Profiling: Outcome-Metriken, die “mit Performance sprechen”

Wenn dein Ziel ist, CMJ als Proxy für Powerentwicklung für einen erhofften Übertrag in RFD, Linear Speed, Change of Direction oder einfach Sprungkraft zu nutzen, dann funktionieren outcome-orientierte Metriken am zuverlässigsten – weil sie in der Literatur konsistent mit unabhängigen Leistungsmaßen zusammenhängen.

Pragmatisches KPI-Set (Profiling):

• Jump Height
• Peak Power
• (Mean/Peak) Propulsive Force
• Propulsive Impulse

Warum genau diese?

Jump Height, Peak Force und Peak Power sind häufig signifikant mit Strength-Maßen assoziiert (IMTP, Isometric Squat, Back Squat) und Jump Height hängt moderat bis stark mit Sprintzeiten (z. B. 10–30 m) sowie Agility/COD-Tests zusammen.

Praxis-Takeaway:

Für Profiling willst du Kennzahlen, die robust, kommunizierbar und transfernah sind. “Wie hoch?” + “Wie viel Output?” liefert dir meist die schnellste Entscheidungsgrundlage fürs Programming.

Neuromuskuläre Fatigue: Warum "Jump Height" oft nicht funktioniert

Jetzt wird’s spannend: Genau die Metriken, die fürs Performance Profiling gut funktionieren (Jump Height, Peak Power), sind laut der zusammengetragenen Evidenz oft nicht sensitiv genug, um akute Ermüdung zuverlässig abzubilden.

Was ist der Grund?

Athlet:innen können ihre Strategie verändern (z. B. länger bis zum Absprung brauchen), um am Ende ähnliche Höhe zu springen. Deshalb sind time-basierte und strategie-sensitive Kennzahlen im Fatigue-Kontext häufig besser.

Pragmatisches KPI-Set (Fatigue):

• RSI_Mod (Flight Time / Contraction Time bzw. Jump Height / TTTO – je nach Systemdefinition)
• Time to Take-Off (TTTO) / Total Duration
• Time to Peak Power
• Flight Time : Contraction Time Ratio (konzeptuell sehr nah an RSI_Mod)
• optional: (Relative) Net Impulse

Interpretation in 1 Satz:

Wenn Athlet:innen müde sind, bleibt “Outcome” (Höhe) oft stabiler – aber sie brauchen mehr Zeit oder verändern die Phasen, um dorthin zu kommen. Genau diese Zeit- und Strategie-Marker willst du dann sehen.

Return from Injury / Rehab: Outcome kann okay sein – Defizite verstecken sich woanders

Bild: Matt Jordan beim Force Plate Workshop powered by VALD

Im Rehab-Kontext passiert häufig Folgendes: Jump Height sieht “okay” aus, aber die Athlet:innen lösen das Problem über Asymmetrien oder über Landing-Strategien, die im Outcome nicht sichtbar sind.

Pragmatisches KPI-Set (Injury / RTP):

• Peak Landing Force
• Landing Impulse
• Asymmetry (%) (v. a. für relevante Take-Off- oder Landing-Variablen)
• ergänzend: Peak Propulsive Force

Warum Landing?

Take-off-Asymmetrien sind möglicherweise bei Injured vs. Healthy nur leicht erhöht, aber Landing-Asymmetrien deutlich stärker – sprich: Genau dort zeigt sich oft der “Residual Deficit”.



“Link metrics together”: Warum Einzelwerte dich regelmäßig in die Irre führen

Metriken sollten nicht isoliert betrachtet werden.

Z.B.: RSI_Mod setzt sich aus Jump Height und TTTO (oder Contraction Time) zusammen. RSI_Mod kann steigen, weil:

• Jump Height ↑, TTTO gleich
• Jump Height gleich, TTTO ↓
• beides gleichzeitig

Wenn du nur RSI_Mod anschaust, weißt du nicht, was sich wirklich verändert hat – und damit auch nicht, was du programmieren solltest.

Testing-Basics, die über deine KPI-Qualität entscheiden (mehr als die Force Plate)

"Silent Killers" inder Datenerhebung

1) Cueing beeinflusst Zeitmetriken massiv

“Jump as high as possible” vs. “as fast and as high as possible” kann time-basierte Kennwerte massiv verschieben. Wenn du Fatigue monitorst und heute anders cuest als letzte Woche, misst du im Worst Case Cueing – nicht Fatigue.

2) Terminologie: “Eccentric/Concentric”

Force-Time-Daten zeigen keine Muskel-Längenänderung. Für CMJ-Phasen sind Braking und Propulsive als Begriffe oft sinnvoller als „eccentric/concentric“.

3) Veränderung ≠ Verbesserung (ohne Messfehler-Kontext)

Wenn du nicht weißt, wie groß die natürliche Schwankung deiner Metriken ist, interpretierst du Noise als Progress.

“But did my athlete improve?” – So trennst du echte Veränderung von Noise

Änderung muss größer sein als die Messvariabilität (z. B. CV).

• Auf Gruppenebene: %-Change vs. Gruppen-CV vergleichen (Beispiel: Jump Height +2.9% bei CV 3.8% → nicht “real”).
• Auf Individualebene: CV pro Athlet:in nutzen, um ein Target zu berechnen:
• Target = Pre-Wert × (1 + CV) (CV als Dezimalzahl).

Das ist Gold für die Praxis, weil du damit sofort siehst: Wer hat wirklich adaptiert – und wer hat nur “normal geschwankt”.

Du willst noch mehr darüber wissen?

Dann lies dir am besten dieses Paper von Chris Bishop et al. durchlesen!

Danke für das Reinlesen und bis zum nächsten Mal!

Dein EINS-A Coaching Team