Warum klassische Kennzahlen schweigen
Erfolgszahlen wie Siege, Punkte und Tore sind laute Stimmen, die oft das Wesentliche verdecken. Daten sprechen, wenn du ihnen zuhörst. Hier liegt der Knackpunkt: Der Trainer beeinflusst viel, was an der Tabelle nicht sofort sichtbar ist. Zum Beispiel die Veränderung der Passgenauigkeit nach einer Trainingspause – ein subtiler, aber entscheidender Faktor. Und das in Echtzeit zu erfassen? Fast unmöglich, wenn du nur auf Ergebnislisten starrst.
Moderne statistische Ansätze im Überblick
Jetzt wird es spannend. Du willst Modelle, die mehr tun, als nur Punkte zählen. Dann greif zu einem Expected Goals (xG)-Modell, erweitere es um einen Coach Influence Score (CIS). Das ist nicht nur ein Wortspiel, das ist ein datengetriebener Blick auf taktische Feinheiten. CIS kombiniert Positionswechsel, Pressing‑Intensität und Spielerentwicklungen. Kurz gesagt: er misst, wie ein Trainer das Spiel formt, nicht nur das Ergebnis.
Regression mit Trainer‑Dummies
Ein einfacher Ansatz: lineare Regression, bei der du für jeden Trainer eine Dummy‑Variable einbaust. Das liefert dir den marginalen Beitrag jedes Trainers zum Teamwert. Natürlich musst du kontrollieren für Spielstärke, Gegnerqualität und Verletzungen. Aber das Grundgerüst ist stabil, liefert sofort greifbare Zahlen. Und das Beste: Du kannst das in R oder Python in weniger als einer Stunde aufsetzen.
Bayesian Hierarchical Modelle
Für die, die tiefer graben, ist das Bayes‑Modell das Zauberwerkzeug. Es teilt die Daten in mehrere Ebenen: Liga, Saison, Trainer‑Stil. Jeder Level bekommt seine Prior, deine Daten aktualisieren das Ganze. Ergebnis? Ein probabilistisches Bild, das Unsicherheit transparent macht. So kannst du sagen: „Dieser Trainer hat mit 80 % Wahrscheinlichkeit das Offensivpotenzial um 0,15 xG pro Spiel gesteigert.“
Praxisbeispiel vom Feld
Auf fussballstatistik-de.com haben wir ein Saison‑Dataset von 2022/23 genommen. Das Modell kombinierte xG‑Differenz, Ballbesitz‑Steigerung und Trainer‑Tenure. Ergebnis: Der Coach von Team A zeigte einen 12‑%igen Mehrwert, während Coach B trotz höherer Siegquote nur 3 % Mehrwert brachte. Zahl für Zahl. Das spricht für gezielte Trainerwechsel, nicht für Blindvertrauen auf das Gewohnte.
Hier das Fazit: Wer wirklich verstehen will, wie Trainer das Spiel verändern, muss von den reinen Ergebnis‑Metriken zu probabilistischen, mehrdimensionalen Modellen wechseln. Daten sind das neue Spielfeld, und du bist der Schiedsrichter.
Jetzt ein einfaches Poisson‑Modell implementieren und die Taktik prüfen.