Detailansicht
Data Science in soccer
a case study of using machine learning to predict opponents' playstyles
Alessandro Djogovic-Drexler
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Business Analytics
Betreuer*in
Arnold Baca
DOI
10.25365/thesis.81907
URN
urn:nbn:at:at-ubw:1-13994.93678.184657-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Fußball ist die beliebteste Sportart der Welt und das Verständnis des gegnerischen Spielstils spielt dabei eine essenzielle Rolle. Während Data Science bereits in einer Vielzahl von Bereichen des Fußballs angewendet wurde, bleibt die Vorhersage der Spielstile von Fußballvereinen ein relativ untererforschtes Thema, da sich die bisherige Forschung hauptsächlich auf die Spieler an sich und Leistungskennzahlen konzentriert. Dazu werden Spielstile üblicherweise nur innerhalb eines einzelnen bestimmten Wettbewerbs untersucht. Diese Masterarbeit adressiert diese Forschungslücke. indem sie ein end-to-end Machine Learning Framework entwickelt, um die Spielstile von Fußballteams in den besten fünf Ligen Europas während der Saison 2024/25 zu identifizieren und vorherzusagen. Hierbei wird die CRISP-DM Methodik verwendet, mit einer Principal Component Analysis, einem unsupervised Clustering mit k-Means, sowie einer supervised Classification mithilfe von XGBoost und Random Forest. Außerdem konnte das Clustering vier voneinander unterscheidbare und interpretierbare Spielstile identifizierten, nämlich Defensive & Structured, Balanced, Possession Play und Pressing/Aggressive Defending. Das Random Forest Modell konnte besser als XGBoost performen und war dazu imstande Spielstile auf zuvor ungesehenen Daten mit einer Genauigkeit von 83.33% vorherzusagen. Eine darauffolgende SHAP Analyse konnte bestätigen, dass Ballbesitz, Offensive und defensive Aktionen die entscheidendsten Merkmale zur Unterscheidung zwischen Spielstilen sind. Überdies zeigt eine Case Study anhand von FC Barcelona mithilfe einer OLS-Regression, dass die Spielstile von Gegnern tatsächlich einen statistisch signifikanten Einfluss auf die Performance eines Teams ausüben. Im Endeffekt zeigen die Ergebnisse dieser Masterarbeit, dass Data Science einen aufschlussreichen und interpretierbaren Ansatz zur Vorhersage von Taktik in Fußball bietet.
Abstract
(Englisch)
Soccer is the most popular sport in the world and understanding of an opponents’ playstyle plays a crucial role. While data science has been applied across a wide range of domains in soccer, the prediction of soccer clubs’ playstyles remains a comparatively underexplored subject, as prior research focusses on individual players and performance metrics. Additionally, usually playstyles are only investigated among a single competition. This master’s thesis addresses the gap in the literature by developing an end-to-end machine learning framework to identify and predict opponents’ playstyles among the top 5 European leagues during the 2024/25 season. Hereby, the CRISP-DM methodology is used, along a Principal Component Analysis, unsupervised clustering with k-means and a supervised classification with XGBoost and Random Forest. Furthermore, the clustering identified four distinct and interpretable playstyles, namely Defensive & Structured, Balanced, Possession Play and Pressing/Aggressive Defending. The Random Forest model could outperform XGBoost and was able to predict playstyles on unseen data with an accuracy of 83.33%. A subsequent SHAP analysis confirmed that possession, attacking output and defensive actions are the most decisive features in distinguishing between playstyles. Moreover, a performance case study on FC Barcelona demonstrated with an OLS regression, that an opponent’s playstyle does indeed have a statistically significant influence on a team’s performance. Ultimately, the results of this thesis are showing that data science offers an insightful and interpretable approach to predict tactical behaviour in soccer.
Schlagwörter
Schlagwörter
(Deutsch)
Sportdatenanalyse Fußball Maschinelles Lernen Data Science Clustering
Schlagwörter
(Englisch)
Sports Analytics Soccer Football Data Science Clustering Machine Learning Predictive Modelling
Autor*innen
Alessandro Djogovic-Drexler
Haupttitel (Englisch)
Data Science in soccer
Hauptuntertitel (Englisch)
a case study of using machine learning to predict opponents' playstyles
Paralleltitel (Deutsch)
Data Science im Fußball
Paralleluntertitel (Deutsch)
eine Fallstudie zum Einsatz von Machine Learning zur Vorhersage gegnerischer Spielstile
Publikationsjahr
2026
Umfangsangabe
94 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Arnold Baca
Klassifikationen
54 Informatik > 54.72 Künstliche Intelligenz ,
76 Sport > 76.10 Sport. Sportwissenschaft. Allgemeines
AC Nummer
AC18018894
Utheses ID
81916
Studienkennzahl
UA | 066 | 977 | |