Wie man seine eigene xG‑Datenanalyse aufbaut

Das Kernproblem

Sie haben die Zahlen im Rücken, aber keine klare Sicht auf die eigentliche Abschlussqualität. Der Markt liefert fertige Grafiken, doch Sie wollen das eigentliche Modell in den Händen halten. Ohne eigenen xG‑Report bleiben Sie im Dunkeln, während die Konkurrenz das Licht anknipst.

Tools und Datenquellen

Hier ist der Deal: Laden Sie Spiel‑Events von kifussballxganalyse.com herunter, nutzen Sie Python‑Pandas für den Roh‑Data‑Pump, und greifen Sie mit Scikit‑Learn auf lineare Regressionen zu. Wer nur Excel verwendet, verpasst die Geschwindigkeit eines Formel‑1‑Autos. Und übrigens, offene APIs wie Opta oder StatsBomb bieten json‑Feeds, die Sie mit einem einzigen curl‑Befehl in Ihr Notebook holen.

Schritt‑für‑Schritt‑Aufbau

1. Datenbeschaffung

Starten Sie mit einem Dump aller Schüsse, inklusive Koordinaten, Fuß oder Kopf, und natürlich dem Ergebnis. Filtern Sie nach regulären Spielzeiten, weil Nachspielzeit‑Shots das Modell verzerren. Schneiden Sie die Daten in drei Felder: X‑Koordinate, Y‑Koordinate, und Ergebnis‑Flag.

2. Feature‑Engineering

Jetzt wird’s kreativ. Berechnen Sie die Distanz zum Tor mit Pythagoras, den Winkel zum Torpfosten, und einen “Shot‑Pressure‑Score”, der sich aus der Anzahl der Verteidiger im 10‑Meter‑Radius speist. Ein kurzer Blick auf Heat‑Maps verrät, wo die meisten Null‑Werte lauern – da setzen Sie Ihre Logik ein.

3. Modellwahl

Logistische Regression ist der Oldschool‑Klassiker, aber probieren Sie auch Gradient Boosting aus, wenn Sie mehr Power wollen. Das Ziel: Wahrscheinlichkeiten zwischen 0 und 1, die wirklich das Risiko eines Tors abbilden. Testen Sie die ROC‑Kurve, um die Trennschärfe zu messen – ein AUC über 0,8 ist Ihr grünes Licht.

4. Validierung

Splitten Sie den Datensatz 70‑30, trainieren Sie, dann prüfen Sie auf dem Hold‑out. Wenn das Modell auf neuen Spielen plötzlich schwächelt, liegt’s an Leckagen im Feature‑Set. Adjustieren Sie den “Shot‑Pressure‑Score” – mehr Kontext, weniger Rauschen.

5. Visualisierung

Ein Scatter‑Plot mit Farbverlauf nach xG‑Wert bringt das Ergebnis sofort ins Auge. Kombinieren Sie das mit einem Radar‑Chart für einzelne Spieler, damit Sie sofort sehen, wer über‑ und wer unterperformt. Denken Sie daran: Eine Grafik muss in fünf Sekunden verständlich sein, sonst fliegt sie am Spam‑Filter vorbei.

Operationalisierung

Automatisieren Sie den Workflow mit einem Cron‑Job, der nachts die neuesten Spieldaten zieht, das Modell neu trainiert und die Ergebnisse in einer Datenbank ablegt. Eine Slack‑Benachrichtigung mit dem Top‑xG‑Spieler des Tages hält das Team immer im Bilde.

Der letzte Schritt

Wenn Sie das alles eingerichtet haben, vergessen Sie nicht, das Modell regelmäßig zu re‑kalibrieren – das Spielfeld verändert sich, und Ihr Algorithmus muss mitlaufen. Starten Sie jetzt, schnappen Sie sich den ersten Spiel‑Dump und bauen Sie Ihr erstes xG‑Dashboard. Schnell. Präzise. Und immer einen Schritt voraus.