Data Science im Profifußball

Analyse von Positionsdaten für die Erstellung von Spielerprofilen im Profifußball

Ausgangslage & Zielsetzung

Ziel des Projektes war eine Klassifizierung von verschiedenen Spielertypen im Profifußball, basierend auf ihren Sprint- und Bewegungsmustern. Datengrundlage waren die Positionsdaten einer gesamten Saison der Fußball-Bundesliga. In einem ersten Schritt wurden aus der ungefilterten Menge an Positionsdaten zusammenhängende Bewegungen und Sprints extrahiert. Dafür wurden in Python automatisierte Algorithmen zur Erkennung und Klassifizierung von Sprints entwickelt. Darauf aufbauend konnten mit zwei verschiedenen Machine Learning Modellen die gefunden Sprints in Cluster ähnlicher Bewegungen eingeteilt werden. 

Abschließend wurde mit Hilfe der Verteilung der geleisteten Sprints und Bewegungen eines Spielers verschiedene Spielerprofile erstellt und ein Prototyp zur Analyse und zum Vergleich der Bewegungsfähigkeiten konzipiert.

Leistungsbeschreibung

  • Umfangreiches Feature Engineering zur Identifikation von einzelnen Bewegungen und Sprints aus Positionsdaten
  • Vergleich der Bewegungsprofile mit Dynamic-Time-Warping
  • Konzeption eines Machine Learning Modells um individuelle Spielerprofile zu clustern

Ergebnis

Aus den Positionsdaten einer Saison konnten verschiedene Cluster von Spielerprofilen

definiert werden. Mit Hilfe dieser Klassifizierung und einem Analyse-Tool sollen Scoutingentscheidungen

unterstützt und die Eignung eines Spielers auf taktische Vorgaben getestet werden.

Projekt Details


Branche: Sport

Topic: Data Science, Sport Analytics, Time Series

Tools: python, pandas, scikit-learn, DTW

Projektlaufzeit: 6 Monate

Weitere Unterlagen zum Use-Case:

Esentri
Niclas Hörmann Junior Consultant Data Science