Methodik

1Datenerhebung

Wir beziehen unsere Rohdaten aus Sport-APIs auf Unternehmensebene und stellen minutengenaue Informationen über alles sicher. Wir verfolgen über 1.000 verschiedene Datenpunkte pro Spiel.

2Feature Engineering

Rohdaten reichen nicht aus. Wir entwickeln benutzerdefinierte Metriken, um die Leistungsdynamiken von Teams besser zu erfassen:

• xG-Momentum (Expected Goals): Wie ein Team in den letzten 5 Spielen im Vergleich zu den Erwartungen abschneidet.
• Müdigkeitsindex: Berechnet auf Basis von Reiseentfernung, Ruhetagen und Spielhäufung.
• Taktische Kompatibilität: Wie die typische Formation eines Teams historisch gegen das bevorzugte Schema des Gegners abschneidet.

3Machine-Learning-Modelle

Wir verwenden einen Ensemble-Ansatz mit verschiedenen Machine-Learning-Architekturen. Gradient Boosting (XGBoost) hilft uns, nichtlineare Muster in den Daten zu finden, während Poisson-Regressionsmodelle Torverteilungen simulieren.

4Human-in-the-Loop-Analyse

Während unsere Basiswahrscheinlichkeiten von menschlichen Emotionen unberührt sind, verwenden unsere Artikel und taktischen Auswertungen LLMs, um lesbare und aufschlussreiche Narrative zu erstellen.