Was ist Expected Threat überhaupt?
Kurz gesagt: xT misst, wie viel Gefahr ein Ballstandort für das gegnerische Tor generiert. Jede Zone auf dem Platz hat einen eigenen Wert, basierend auf historischen Daten. Das Ergebnis ist ein numerischer Score, der angibt, wie wahrscheinlich ein Abschluss aus dieser Position zu einem Tor führt. Und das ist erst der Anfang.
Der Datenstrom – woher kommt das Material?
Hier ist der Deal: Millionen von Spielzügen, von Profi‑Ligen bis zu Amateur‑Matches, werden in Echtzeit getrackt. Jede Aktion – Pass, Dribbling, Schuss – erscheint als Koordinate X/Y, Zeitstempel und Ergebnis. Durch die Kombination von Video‑Erkennung und Ereignis‑Logik entsteht ein riesiger Data Lake.
Aufbereitung – vom Rohstoff zum fertigen Baustein
Einfach gesagt: Rohdaten werden gefiltert, Duplikate eliminiert, fehlende Werte interpoliert. Dann wird das Spielfeld in ein Raster von 12 × 8 Zonen zerteilt. Jede Zone bekommt ein Tag – „danger zone“, „safe zone“, usw. Parallel dazu wird das Ergebnis (Tor, Treffer, Verfehlen) den jeweiligen Zonen zugeordnet.
Feature Engineering – das Geheimrezept
Schau: Nicht nur Position zählt, sondern auch Kontext. Spielstand, verbleibende Zeit, Spieler‑Qualität, sogar Wetter. KI-Modelle schnüren all das zu einem Feature‑Vektor. Kurz gesagt, jedes Ereignis bekommt mehrere Zahlen, die später das Risiko bestimmen.
Modellwahl – welches Netzwerk wird genutzt?
Hier wird es spannend. Viele Teams setzen auf Gradient‑Boosting‑Trees, weil sie mit tabellarischen Daten schnell lernt. Andere schwören auf tiefes neuronales Netz, das räumliche Zusammenhänge über Convolution‑Layers abbildet. Ich persönlich bevorzuge ein hybrides Ensemble: GBM für die Grundlogik, ein kleines CNN für die räumlichen Muster.
Training – der eigentliche Schweiß
Der Algorithmus bekommt die Features und das Ziel: den Wahrscheinlichkeitswert für ein Tor aus dieser Zone. Der Loss‑Funktion ist meist logarithmische Kreuzentropie, weil wir Wahrscheinlichkeiten schätzen. Während des Trainings passen die Gewichte sich stufenweise an, bis die Prognose‑Fehlerquote auf ein Minimum sinkt.
Inference – vom Modell zum Live‑Score
Im Spielmodus bekommt das System jede neue Ballposition, rechnet den Feature‑Vektor, lässt ihn durch das trainierte Modell laufen und gibt sofort einen xT‑Wert aus. Dieser Wert wird dann aufsummiert, um einen erwarteten Threat‑Score für die gesamte Spielphase zu erhalten.
Interpretation – wie liest man das Ergebnis?
Ein hoher xT‑Score bedeutet: „Hier entsteht Gefahr“. Trainer können das nutzen, um Angriffsketten zu optimieren, Spieler zu positionieren oder Defensivtaktiken zu justieren. Analysten vergleichen xT‑Profile von Teams, um Schwächen zu finden.
Praxisnahes Beispiel
Stell dir vor, ein Stürmer bekommt den Ball in Zone B5, das Modell liefert xT = 0,12. Das bedeutet, dass aus dieser Zone im Schnitt 12 % eines Tors erwartet werden. Wenn er jetzt einen Pass nach C6 gibt, steigt das xT auf 0,28 – ein klarer Hinweis, dass das Spiel nach vorne getrieben wird.
Ein kurzer Hinweis für deine nächste Analyse
Teste dein eigenes xT‑Modell auf kifussballvorhersage.com. Greif dir ein paar Stunden Spiel‑Tracking, setz dir ein einfaches Gradient‑Boosting‑Setup auf, und schau, wie die Werte deine Taktik verändern. Los geht’s.