KI Fußball xG Analyse: Der vollständige Leitfaden zur Expected-Goals-Metrik

Die Expected-Goals-Metrik ist zum Fundament der modernen Fußballanalyse geworden. Was im April 2012 als Blogbeitrag eines Analysten bei Opta begann, hat sich zu einem globalen Standard entwickelt, der aus Fernsehübertragungen, Taktikgesprächen und Fandebatten nicht mehr wegzudenken ist. Doch hinter der scheinbar einfachen Zahl verbirgt sich ein komplexes Konstrukt, das nur derjenige vollständig nutzen kann, der seine Grundlagen versteht.

Die Popularisierung von xG hat paradoxerweise dazu geführt, dass viele Menschen die Metrik kennen, ohne sie wirklich zu verstehen. Sie sehen die Grafiken in den Halbzeitpausen, lesen die Werte in den Spielberichten und verwenden sie in Diskussionen, aber die methodischen Grundlagen bleiben ihnen verborgen. Das ist schade, denn erst das tiefere Verständnis ermöglicht die kritische Anwendung, die diese Metrik verdient.

Dieser Artikel taucht tief in die Materie ein. Er erklärt die historische Entwicklung des Konzepts, beleuchtet die mathematischen Grundlagen und vergleicht die verschiedenen Modelle, die auf dem Markt konkurrieren. Er zeigt, wie xG-Werte auf Spieler- und Teamebene interpretiert werden, welche weiterführenden Metriken sich daraus ableiten lassen und wo die Grenzen der Methodik liegen. Das Ziel ist ein Verständnis, das über das oberflächliche Ablesen von Zahlen hinausgeht.

Die Ursprünge des Expected-Goals-Konzepts

Die Geschichte der xG-Metrik beginnt nicht, wie oft behauptet, mit einem einzigen Geniestreich, sondern ist das Ergebnis einer evolutionären Entwicklung, an der verschiedene Akteure beteiligt waren. Die Idee, die Qualität von Torchancen zu quantifizieren, lag gewissermaßen in der Luft, und mehrere Analysten griffen sie unabhängig voneinander auf.

Sam Green, damals Analyst bei der Sportdatenfirma Opta, veröffentlichte im April 2012 einen Blogbeitrag mit dem Titel "Assessing the performance of Premier League goalscorers", der als Meilenstein in der Geschichte der Metrik gilt. Green analysierte Daten aus der Premier-League-Saison 2011/12 und entwickelte ein Modell, das jeder Torchance eine Wahrscheinlichkeit zuwies. Er zeigte, dass ein Spieler wie Luis Suarez, der in jener Saison nur elf Ligatreffer erzielt hatte, nicht etwa schlecht spielte, sondern schlicht Pech vor dem Tor hatte. Die folgenden Spielzeiten, in denen Suarez 23 und dann 31 Ligatore erzielte, bestätigten diese Einschätzung eindrucksvoll.

Doch Green war nicht der Einzige, der an diesem Konzept arbeitete. Sarah Rudd, später bei Arsenal tätig, und andere Analysten entwickelten parallel eigene Modelle. Die akademische Forschung hatte bereits in den späten 1990er Jahren ähnliche Ansätze verfolgt, allerdings ohne den Begriff Expected Goals zu prägen. Ein Papier von Richard Pollard und Charles Reep aus dem Jahr 1997 analysierte bereits Faktoren wie Distanz zum Tor und Schusswinkel, die heute zum Standardrepertoire jedes xG-Modells gehören.

Die Popularisierung der Metrik über den Kreis der Fachleute hinaus verdankt sich vor allem der aktiven Community in den sozialen Medien. Analysten wie Michael Caley teilten ihre Erkenntnisse auf Twitter und machten xG einem breiteren Publikum zugänglich. Die Blogosphäre der frühen 2010er Jahre bildete einen Nährboden, auf dem das Konzept gedeihen konnte. Als die BBC ihre Sendung Match of the Day zur Saison 2017/18 mit xG-Grafiken ausstattete, war der Durchbruch in den Mainstream geschafft.

Die mathematischen Grundlagen

Das Prinzip hinter xG ist intuitiv verständlich: Jede Torchance erhält einen Wert zwischen 0 und 1, der die Wahrscheinlichkeit angibt, dass ein durchschnittlicher Spieler aus dieser Position ein Tor erzielt. Ein Wert von 0,3 bedeutet, dass statistisch gesehen drei von zehn ähnlichen Chancen im Tor landen. Ein Elfmeter hat je nach Modell einen xG-Wert von 0,76 bis 0,77, was der historischen Verwandlungsquote entspricht.

Die Berechnung dieser Werte basiert auf der Analyse großer Datenmengen. Die führenden Anbieter haben Hunderttausende, teilweise Millionen von Schüssen ausgewertet und daraus statistische Muster abgeleitet. Die grundlegende Methode ist die logistische Regression, ein statistisches Verfahren, das die Wahrscheinlichkeit eines binären Ergebnisses, also Tor oder kein Tor, auf Basis verschiedener Einflussfaktoren schätzt.

Die wichtigsten Faktoren, die in die Berechnung einfließen, sind weitgehend unstrittig. Die Distanz zum Tor ist der offensichtlichste: Je näher der Schütze dem Kasten ist, desto höher die Trefferwahrscheinlichkeit. Der Winkel zum Tor spielt eine ähnlich wichtige Rolle, denn ein zentraler Abschluss bietet mehr Torfläche als ein spitzer Winkel von der Seite. Die Art des Abschlusses macht ebenfalls einen Unterschied, wobei Schüsse mit dem Fuß in der Regel erfolgreicher sind als Kopfbälle.

Fortgeschrittene Modelle berücksichtigen zusätzliche Variablen. Die Position des Torwarts gibt Aufschluss darüber, wie viel vom Tor abgedeckt ist. Die Anzahl und Position der Verteidiger zwischen Schütze und Tor beeinflusst die Wahrscheinlichkeit eines geblockten Schusses. Die Spielsituation, etwa ob der Abschluss aus dem Spiel heraus, nach einem Konter oder nach einer Standardsituation erfolgt, wirkt sich ebenfalls auf die Erfolgsaussichten aus.

Die modernsten Modelle verwenden maschinelles Lernen, um komplexe Zusammenhänge zu erfassen, die mit einfacher Regression nicht abbildbar wären. Algorithmen wie XGBoost, dessen Name zufällig an die Metrik erinnert, können nichtlineare Beziehungen zwischen Variablen erkennen und liefern präzisere Vorhersagen als traditionelle statistische Methoden.

Vergleich führender xG-Modelle

Die verschiedenen Anbieter von xG-Daten verwenden unterschiedliche Modelle, die zu leicht abweichenden Werten führen. Diese Unterschiede zu verstehen ist wichtig für jeden, der die Metrik ernsthaft nutzen möchte.

Opta, mittlerweile Teil von Stats Perform, gilt als Pionier und betreibt eines der am weitesten verbreiteten Modelle. Das Unternehmen analysiert über zwanzig Variablen, darunter die Klassiker wie Distanz und Winkel, aber auch die Torwartposition und die sogenannte Shot Condition, also ob der Abschluss unter erschwerten Bedingungen erfolgte. Das Modell wird auf einer Datenbasis von fast einer Million Schüssen trainiert und regelmäßig aktualisiert.

StatsBomb hat sich als innovativer Herausforderer etabliert. Das Unternehmen war eines der ersten, das die Position aller Spieler auf dem Feld in die Berechnung einbezog, nicht nur die des Torwarts. Diese zusätzliche Information verbessert die Genauigkeit der Vorhersagen erheblich, weil sie den Verteidigungsdruck quantifiziert, dem der Schütze ausgesetzt ist. StatsBomb stellt einen Teil seiner Daten kostenlos für Forschungszwecke zur Verfügung, was zur Popularisierung des Unternehmens beigetragen hat.

Understat, eine der wichtigsten Gratisplattformen, verwendet ein eigenes Modell, das sich durch Transparenz und Konsistenz auszeichnet. Die Methodik ist dokumentiert und wird einheitlich auf alle abgedeckten Ligen angewandt, was Vergleiche zwischen verschiedenen Wettbewerben ermöglicht. Die Abdeckung beschränkt sich auf die fünf großen europäischen Ligen, aber innerhalb dieses Bereichs liefert Understat zuverlässige Daten.

Die Unterschiede zwischen den Modellen sind in der Praxis oft geringer, als man erwarten würde. Für ein typisches Spiel weichen die xG-Werte verschiedener Anbieter selten um mehr als zehn bis fünfzehn Prozent voneinander ab. Die Diskrepanzen entstehen hauptsächlich bei Randfällen, etwa bei Schüssen aus sehr spitzem Winkel oder bei ungewöhnlichen Spielsituationen, für die weniger Trainingsdaten vorliegen.

Interpretation auf Spielerebene

Die Anwendung von xG auf einzelne Spieler eröffnet interessante Analysemöglichkeiten, erfordert aber ein Bewusstsein für die besonderen Herausforderungen, die damit einhergehen.

Der naheliegendste Ansatz ist der Vergleich zwischen erzielten Toren und xG-Wert. Ein Stürmer, der mehr Tore schießt als sein xG erwarten lässt, überperformt, während einer mit weniger Toren unterperformt. Robert Lewandowski war in der Bundesliga-Saison 2020/21 ein extremes Beispiel für Überperformance: Bei einem xG von etwa 28,7 erzielte er 41 Treffer, ein Unterschied von über zwölf Toren. Solche Abweichungen können auf außergewöhnliche Abschlussqualität hindeuten, aber auch auf Glück oder eine ungewöhnlich günstige Chancenverteilung.

Die Regression zum Mittelwert ist ein Phänomen, das bei der Spieleranalyse berücksichtigt werden muss. Spieler, die über einen längeren Zeitraum deutlich über oder unter ihrem xG abschließen, werden statistisch gesehen wahrscheinlich zu ihrem erwarteten Niveau zurückkehren. Diese Erkenntnis ist für Scouts wertvoll, weil sie hilft, überbewertete und unterbewertete Spieler zu identifizieren. Ein Stürmer mit hohem xG, aber wenigen Toren könnte ein Schnäppchen sein, wenn seine Abschlussqualität sich normalisiert.

Die Stichprobengröße ist ein kritischer Faktor. Ein einzelnes Spiel oder auch eine Handvoll Spiele liefern keine verlässliche Grundlage für Aussagen über die Abschlussqualität eines Spielers. Die Varianz ist zu hoch, die Daten zu dünn. Erst über eine komplette Saison oder länger werden die xG-Werte aussagekräftig, und selbst dann bleiben Unsicherheiten bestehen.

Die Position des Spielers beeinflusst die Interpretation. Für einen Mittelstürmer, dessen Hauptaufgabe das Toreschießen ist, ist der xG-Wert ein zentrales Leistungsmaß. Für einen Außenverteidiger, der nur gelegentlich zum Abschluss kommt, ist er weniger relevant. Die Kontextualisierung der Zahlen erfordert ein Verständnis der Rolle, die der Spieler in seinem Team einnimmt.

Interpretation auf Teamebene

Auf Teamebene gewinnt die xG-Analyse an Robustheit, weil die Stichproben größer sind und individuelle Schwankungen sich ausmitteln. Die Aussagekraft ist entsprechend höher, und die Erkenntnisse sind verlässlicher.

Der Vergleich zwischen Team-xG und tatsächlich erzielten Toren gibt Aufschluss über die Effizienz vor dem Tor. Ein Team, das konstant mehr Tore schießt als sein xG erwarten lässt, verfügt entweder über überdurchschnittliche Abschlussqualitäten oder hat Glück. Die Unterscheidung ist nicht immer einfach, aber ein Blick auf die individuellen Abschlussquoten der Toptorschützen kann helfen.

Der xGA-Wert, also die erwarteten Gegentore, ist das defensive Pendant zum xG. Er misst die Qualität der Chancen, die ein Team zulässt, und liefert damit eine Einschätzung der defensiven Stabilität, die über die bloße Anzahl der Gegentore hinausgeht. Ein Team mit niedrigem xGA, aber vielen Gegentoren hat entweder Pech oder einen formschwachen Torwart, beides Faktoren, die sich ändern können.

Die Differenz zwischen xG und xGA ist ein nützlicher Indikator für die Gesamtstärke eines Teams. Ein positiver Wert deutet auf eine Mannschaft hin, die mehr und bessere Chancen kreiert als sie zulässt, was langfristig zu Erfolg führen sollte. Die Korrelation zwischen xG-Differenz und Punktausbeute ist empirisch gut belegt und macht diese Metrik zu einem wertvollen Prognosewerkzeug.

Die Varianz zwischen verschiedenen Wettbewerben sollte berücksichtigt werden. Ein Team, das in der Liga hohe xG-Werte erzielt, aber im Pokal oder auf europäischer Bühne schwächelt, zeigt möglicherweise Probleme mit der Anpassung an unterschiedliche Spielniveaus. Die xG-Analyse kann solche Muster aufdecken, die bei bloßer Betrachtung der Ergebnisse verborgen bleiben.

Weiterführende Metriken

Die xG-Metrik ist der Ausgangspunkt für eine ganze Familie von abgeleiteten Kennzahlen, die verschiedene Aspekte des Spiels beleuchten. Die wichtigsten davon verdienen eine nähere Betrachtung.

Expected Assists, kurz xA, misst die Qualität der Pässe, die zu Abschlüssen führen. Ein Spieler, der regelmäßig Pässe in aussichtsreiche Positionen spielt, wird einen hohen xA-Wert haben, auch wenn seine Mitspieler die Chancen nicht verwerten. Die Metrik würdigt kreative Leistungen, die in der traditionellen Assist-Statistik untergehen können.

Post-Shot Expected Goals, kurz PSxG oder xGOT, berücksichtigt neben der Schussposition auch die Platzierung des Abschlusses. Ein Schuss in die Ecke hat eine höhere Trefferwahrscheinlichkeit als einer in die Mitte des Tors, auch wenn die Ausgangssituation identisch ist. Diese Metrik ist besonders nützlich für die Bewertung von Torhüterleistungen, weil sie zeigt, ob der Schlussmann Schüsse pariert hat, die eigentlich hätten reingehen müssen.

Expected Points, kurz xPTS, übersetzt die xG-Werte in eine projizierte Punktausbeute. Die Berechnung berücksichtigt, dass ein 2:1-Sieg denselben Punktgewinn bringt wie ein 5:0, obwohl die xG-Werte sehr unterschiedlich sein können. Diese Metrik ermöglicht einen fairen Vergleich der Saisonleistungen und zeigt, ob ein Team über oder unter seinen Möglichkeiten punktet.

Non-Penalty xG, kurz npxG, schließt Elfmeter aus der Berechnung aus. Da Elfmeter weitgehend unabhängig vom Spielverlauf entstehen und einen hohen, standardisierten xG-Wert haben, können sie die Aussagekraft der Metrik verzerren. Die Bereinigung ermöglicht eine präzisere Bewertung der Chancenqualität aus dem Spiel heraus.

Die Grenzen der xG-Metrik

Bei aller Nützlichkeit der xG-Analyse dürfen ihre Grenzen nicht übersehen werden. Die kritische Auseinandersetzung mit diesen Grenzen ist Teil eines reifen Umgangs mit der Metrik.

Die fundamentalste Einschränkung betrifft die individuelle Qualität. Das xG-Modell bewertet die Chance, nicht den Spieler, der sie bekommt. Ob ein Weltklasse-Stürmer oder ein Ergänzungsspieler abschließt, macht für den xG-Wert keinen Unterschied. Diese bewusste Designentscheidung hat gute Gründe, weil sie die Vergleichbarkeit gewährleistet, führt aber zu systematischen Abweichungen bei Spielern mit außergewöhnlicher Abschlussqualität.

Die psychologischen Faktoren entziehen sich der statistischen Erfassung. Der Druck eines Derbys, die Nervosität eines Debütanten, die Routine eines erfahrenen Profis, all das beeinflusst die Trefferwahrscheinlichkeit, taucht aber in keinem xG-Wert auf. Die menschliche Dimension des Sports lässt sich nicht vollständig quantifizieren.

Die Datenqualität variiert erheblich zwischen verschiedenen Wettbewerben. Für die großen europäischen Ligen stehen erstklassige Daten zur Verfügung, aber für kleinere Wettbewerbe ist die Erfassung oft lückenhaft. Die xG-Werte aus unterschiedlichen Quellen sind nicht ohne Weiteres vergleichbar, weil die zugrunde liegenden Modelle differieren.

Die statistische Unsicherheit wird oft unterschätzt. Ein xG-Wert ist keine exakte Messung, sondern eine Schätzung mit einer gewissen Fehlermarge. Diese Unsicherheit pflanzt sich fort, wenn xG-Werte aggregiert oder verglichen werden, und kann zu Fehlschlüssen führen, wenn sie ignoriert wird.

Der Spielstand wird von den meisten Modellen nicht berücksichtigt, obwohl er erheblichen Einfluss auf das Spielgeschehen hat. Ein Team, das früh in Führung geht, wird möglicherweise defensiver spielen und weniger Chancen kreieren, was seinen xG-Wert drückt. Die Interpretation muss diesen Kontext berücksichtigen, auch wenn er in den Zahlen nicht abgebildet ist.

Die praktische Anwendung im Alltag

Die theoretischen Grundlagen sind wichtig, aber erst die praktische Anwendung zeigt, was die xG-Analyse tatsächlich leisten kann. Ein paar Szenarien illustrieren, wie die Metrik im Alltag genutzt werden kann.

Die Spielbewertung ist der naheliegendste Anwendungsfall. Nach einem Spiel ermöglicht der Vergleich der xG-Werte eine objektivere Einschätzung als die bloße Betrachtung des Ergebnisses. Wenn ein Team trotz eines 0:2 einen höheren xG hatte als der Gegner, war es vielleicht nicht so schlecht, wie das Resultat suggeriert. Umgekehrt kann ein knapper Sieg gegen den xG-Trend auf eine Glückssträhne hindeuten, die nicht ewig anhalten wird.

Die Formanalyse profitiert ebenfalls von xG-Daten. Die Betrachtung der Werte über mehrere Spieltage hinweg zeigt Trends, die in den Ergebnissen noch nicht sichtbar sind. Ein Team, dessen xG-Werte steigen, während die Resultate stagnieren, könnte kurz vor einem Durchbruch stehen. Ein Team mit fallenden xG-Werten, das aber weiterhin gewinnt, lebt möglicherweise auf Pump.

Die Spielerbeobachtung ist ein weiterer Bereich, in dem xG nützlich ist. Scouts können mit der Metrik identifizieren, welche Stürmer regelmäßig in gute Positionen kommen, auch wenn sie ihre Chancen nicht immer verwerten. Ein Spieler mit hohem xG, aber niedrigem Torekonto könnte unterbewertet sein und ein interessantes Transferziel darstellen.

Die Wettanalyse ist vielleicht der Anwendungsfall, der die meiste Aufmerksamkeit auf sich zieht. Die xG-Werte können helfen, über- und unterbewertete Teams zu identifizieren. Wenn die Marktquoten auf einem Ergebnistrend basieren, der durch die xG-Daten nicht gestützt wird, könnte Value vorhanden sein. Die Methode garantiert keine Gewinne, aber sie bietet eine fundiertere Grundlage für Entscheidungen als das bloße Bauchgefühl.

Die Zukunft der xG-Analyse

Die Entwicklung der xG-Metrik ist nicht abgeschlossen. Die kommenden Jahre werden weitere Verfeinerungen bringen, und einige Trends zeichnen sich bereits ab.

Die Integration von Tracking-Daten wird die Modelle weiter verbessern. Die genaue Position aller Spieler auf dem Feld, ihre Laufgeschwindigkeit und Bewegungsrichtung können in die Berechnung einfließen und die Präzision erhöhen. Die technischen Voraussetzungen dafür sind in den großen Ligen bereits gegeben, und die Algorithmen werden folgen.

Die Individualisierung der Modelle ist ein weiterer möglicher Entwicklungspfad. Statt einen einheitlichen Durchschnittsspieler anzunehmen, könnten künftige Modelle die spezifischen Fähigkeiten des Schützen berücksichtigen. Ein xG-Wert für Lionel Messi wäre dann ein anderer als für einen durchschnittlichen Bundesligastürmer. Die methodischen und praktischen Herausforderungen sind erheblich, aber die Richtung ist erkennbar.

Die Echtzeitfähigkeit wird weiter zunehmen. Schon heute können Live-xG-Werte während des Spiels berechnet und angezeigt werden, aber die Geschwindigkeit und Genauigkeit werden sich verbessern. Die Integration in Fernsehübertragungen wird noch nahtloser werden, und die Zuschauer werden die Daten in Echtzeit interpretieren lernen.

Die Demokratisierung der Analyse wird fortschreiten. Was heute noch Expertenwissen erfordert, wird morgen für jedermann zugänglich sein. Die Werkzeuge werden intuitiver, die Daten breiter verfügbar, die Einstiegshürden niedriger. Diese Entwicklung hat das Potenzial, das Verständnis des Spiels auf breiter Front zu verbessern.

Die Rolle der Community

Die Entwicklung der xG-Analyse wäre ohne die lebendige Community undenkbar gewesen, die sich um das Thema gebildet hat. Von akademischen Forschern über professionelle Analysten bis zu engagierten Hobbystatistikern haben viele Menschen dazu beigetragen, das Konzept zu verfeinern und zu verbreiten.

Die sozialen Medien spielten eine zentrale Rolle bei der Popularisierung. Analysten wie Michael Caley teilten ihre Erkenntnisse auf Twitter und machten xG einem Publikum zugänglich, das die akademischen Fachzeitschriften nie gelesen hätte. Die Diskussionen, die sich dort entspannen, schärften das kollektive Verständnis und deckten Schwächen der frühen Modelle auf.

Die Blogosphäre der frühen 2010er Jahre war ein Experimentierfeld, auf dem neue Ideen getestet wurden. Manche davon setzten sich durch, andere verschwanden wieder. Dieser evolutionäre Prozess führte zu den robusten Modellen, die heute verfügbar sind. Die Bereitschaft der Akteure, ihr Wissen zu teilen und sich der Kritik zu stellen, war entscheidend für den Fortschritt.

Die akademische Forschung liefert weiterhin methodische Innovationen. Die Verbindung zwischen Universitäten und der praktischen Fußballanalyse ist enger geworden, und viele der fortschrittlichsten Techniken stammen aus wissenschaftlichen Publikationen. Diese Symbiose zwischen Theorie und Praxis ist ein Merkmal des Feldes, das zu seiner Dynamik beiträgt.

Schlussbetrachtung

Die xG-Metrik hat die Art und Weise verändert, wie wir über Fußball denken und sprechen. Sie bietet einen objektiven Rahmen für die Bewertung von Chancenqualität und ermöglicht Einschätzungen, die über das bloße Ergebnis hinausgehen. Doch ihre Stärke liegt nicht in der Zahl selbst, sondern in dem Verständnis, das sie ermöglicht.

Wer xG richtig nutzen will, muss seine Grundlagen verstehen: die historische Entwicklung, die mathematischen Prinzipien, die Unterschiede zwischen den Modellen. Er muss wissen, wie die Werte auf Spieler- und Teamebene zu interpretieren sind und welche weiterführenden Metriken sich daraus ableiten lassen. Und er muss die Grenzen kennen, die jeder statistischen Methode innewohnen.

Die xG-Analyse ist kein Ersatz für das Anschauen von Spielen, kein Substitut für Fachwissen und Erfahrung. Sie ist ein Werkzeug, das in Kombination mit anderen Informationsquellen ein tieferes Verständnis des Spiels ermöglicht. Wer das begreift, kann von den Möglichkeiten profitieren, die diese Metrik bietet. Wer es nicht begreift, wird von den Zahlen mehr verwirrt als erleuchtet.

Der Weg von Sam Greens Blogbeitrag im Jahr 2012 zu den xG-Grafiken in den Halbzeitpausen der großen Fernsehsender war bemerkenswert schnell. Doch die eigentliche Revolution liegt nicht in der Verbreitung der Metrik, sondern in der Veränderung des Denkens, die sie ermöglicht hat. Fußball wird heute anders analysiert als vor einem Jahrzehnt, und xG ist ein wesentlicher Teil dieser Veränderung. Wer die Metrik versteht, versteht auch ein Stück weit, wie der moderne Fußball funktioniert.

Die Reise in die Welt der xG-Analyse beginnt mit Neugier und führt zu einem tieferen Verständnis des Spiels. Die Zahlen sind der Anfang, aber sie sind nicht das Ende. Sie öffnen Türen zu Fragen, die ohne sie nie gestellt worden wären, und zu Antworten, die ohne sie nie gefunden worden wären. Das ist der eigentliche Wert der Metrik, und er übersteigt bei weitem die bloße Zahl, die auf dem Bildschirm erscheint.

Die kritische Auseinandersetzung mit xG ist keine Ablehnung der Metrik, sondern ihre Vollendung. Wer die Grenzen kennt, kann innerhalb dieser Grenzen umso effektiver arbeiten. Wer die Stärken versteht, kann sie gezielt einsetzen. Die Kombination von statistischem Wissen und fußballerischem Verständnis ist das, was einen guten Analysten von einem bloßen Datensammler unterscheidet. Diese Kombination zu entwickeln ist ein lohnender Prozess, der mit dem Lesen dieses Artikels beginnt, aber damit nicht endet.