Sports forecasting: Current applications in sports science and moving towards Big Data

Der Wunsch zukünftige Ereignisse vorhersehen zu können, steht im Mittelpunkt prädiktiver Modelle, die - insbesondere im Bereich des Sports - interdisziplinäre Ansätze erfordern. Die vorliegende Dissertation fußt daher auf einer ganzheitlichen Betrachtung prädiktiver Modelle im Sport, die ökonomische und mathematische, sportwissenschaftliche sowie datenanalytische und informatische Aspekte einschließt.

Bei ökonomischer Betrachtung wird in der Regel die Profitabilität eines prädiktiven Modells genutzt, um seine prädiktive Qualität zu belegen. In der vorliegenden Dissertation wird allerdings anhand von theoretischen Überlegungen sowie simulierten und realen Datensätzen der Nachweis erbracht, dass auch mit ungenauen prädiktiven Modellen Wettgewinne erzielt werden können und somit Profitabilität und Genauigkeit bei prädiktiven Modellen im Sport als getrennte Konzepte angesehen werden müssen.

Im Sportbereich gibt es bereits vielfältige Evidenz für die Genauigkeit von kollektiven menschlichen Prognosen, was sich insbesondere in den im Wettmarkt angebotenen Wettquoten widerspiegelt. Auf Grundlage von Daten aus dem Fußballbereich konnte die hohe Genauigkeit von Wettquoten als Prädiktor in mehreren zusätzlichen Zusammenhängen bestätigt werden: Wettquoten vor dem Spiel liefern mehr Informationen über die Spielstärke einer Mannschaft als die tatsächlichen Spielergebnisse. Zudem sind Wettquoten ein wertvoller Prädiktor für den Erfolg von Mannschaften im Elfmeterschießen. Bezogen auf das Ergebnis der zweiten Halbzeit, verbessert sogar die Information über in der ersten Halbzeit erzielte Tore nicht die prädiktive Qualität von vor dem Spiel bekannten Wettquoten.

Theoretische Grundlagen für die hohe Genauigkeit von Wettquoten lassen sich aus Überlegungen zur Markteffizienz und zu kollektiven menschlichen Einschätzungen (Crowd Wisdom) ableiten. Dieses Wissen kann auch auf sportwissenschaftliche Fragen transferiert werden, indem aus Wettquoten Maße für die relative oder absolute Mannschaftsstärke sowie für (un)ausgeglichene Spiele und den Heimvorteil extrahiert werden.

Darüberhinaus trägt die vorliegende Dissertation dazu bei, das immer aktueller werdende Thema Big-Data-Analyse auf prädiktive Modelle im Sport zu beziehen. Die Charakteristika von textuellen Daten des Kurznachrichtendienstes Twitter sowie von Event- und Positionsdaten wurden in Bezug auf die Definition von Big Data diskutiert. Zudem wurde getestet, ob Datensätze aus beiden Bereichen die Qualität von prädiktiven In-Play-Modellen steigern. Für beide Datenquellen konnten keine Hinweise auf derartige Verbesserungen der In-Play-Prognosequalität gefunden werden. Dieses Ergebnis erlaubt allerdings nur begrenzte Rückschlüsse auf die Datenquellen, da gezeigt werden konnte, dass es im Allgemeinen schwierig ist, Prognosen für den weiteren Spielverlauf anhand von innerhalb des bisherigen Spielverlaufs verfügbar werdenden Informationen zu verbessern. Dies ist konsistent mit der Annahme, dass Torerfolge im Fußball einem relative stabilen statistischen Prozess entspringen, der im Wesentlichen durch die vor dem Spiel schätzbaren Spielstärken der beiden Mannschaften sowie zufällige Prozesse beeinflusst wird.

Die vorliegenden Ergebnisse haben theoretische Implikationen für die Leistungsanalyse im Sport sowie praktische Implikationen für Buchmacher, professionelle Sportwetter und Spielanalysten. Im Bereich der Leistungsanalyse im Fußball sollten Wettquoten standardmäßig als situative Variable genutzt werden. Spielanalysten, die während eines Spiels Schlussfolgerungen ziehen, sollten dabei aufpassen die im Laufe dieses Spiels verfügbar werdenden Informationen nicht überzubewerten. Gleiches gilt für Buchmacher bei der Entwicklung von In-Play-Quotenmodellen. Professionelle Sportwetter sollten zudem bei der Entwicklung prädiktiver Modelle die Auswirkungen der Unterschiede zwischen Genauigkeit und Profitabilität beachten.