Saisonstatistiken und Daten: Diskussionsthread

Spannende Statistik auf jeden Fall, die ich auch schon verlinken wollte. Spannend vor allem, weil in der Statistik die Spitzenteams zwar nicht unbedingt ganz vorne stehen, dafür aber alle Vereine im Abstiegskampf (sogar in der richtigen Reihenfolge) ganz hinten stehen.

Da scheint es also schon einen Zusammenhang zwischen Standardstärke und sportlicher Leistung zu geben. Wobei der Unterschied zwischen starken und schwachen Standards am Ende auch nur ca. fünf Tore beträgt, die am Ende sicherlich ein, zwei knappe Spiele entscheiden, aber alleine sicherlich nicht die Punktedifferenz erklären würden. Das ist natürlich auch schon viel und zeigt, dass sich das Training lohnt, aber dahinter scheint mir mehr zu stecken (z.B. dass vor allem gut eingespielte Mannschaften in Standardtraining investieren können und dadurch sowohl in dieser Statistik als auch allgemein besser sind; oder das starke Mannschaft allgemein Abschlussstärker sind usw.)

Nach gestern stehen wir dann bei 3

mE zeigt es dass Absteiger schwächere Kopfballspieler, Torhüter und schwächere Flankengeber haben. Generell gesprochen.

Bochum gewinnt die meisten Luftduelle laut Bundesliga.de

Die wenigsten km laufen übrigens alle potenziellen Absteiger, nur Gladbach fällt aus der Reihe.

Ohne die genaue Zahl von vergangener Saison zu kennen, ist die Quote in 22/23 etwas bedenklich. Gefühlt traf der VfB letztes Jahr in jedem dritten Spiel per Kopf durch einen IV nach einer Ecke. Möglichweise überdurchschnittlich hoher Ausnahmewert und in dieser Saison aus verschiedenen Gründen ein unterdurchschnittlicher. Frage mich nur, weshalb man diese vorhandene Stärke plötzlich nicht mehr abrufen kann bzw. konnte.

Weil leider sehr viele Ecken von uns auf den kurzen Pfosten ausgeführt werden. Warum auch immer bei Spielern wie Anton, Dinos, Daxo, Guirassy

Es dürfte auch noch nen Einfluss aufs normale Spiel haben nämlich schlicht die Frage wie der Gegner verteidigt.
Um mal ein Beispiel aus unserer Vergangenheit zu bemühen, an dass sich vor Allem die Älteren erinnern werden:

Es gab mal eine Distanz zum gegnerischen Tor, wo unsere Gegner Fouls sehr vermieden haben, weil sie das Stadion nicht nach Karle rufen hören wollten.
Wenn man als Gegenbeispiel nen Gegner hat wo praktisch nie nach Ecken trifft, dann werden die Verteidiger wohl auch weniger riskieren um den Ball nicht ins Toraus zu befördern

Inspiriert von Wins above Replacement: Die Points-over-Replacement-Statistik

PoR gibt an, wie viele Punkte pro Spiel wir mehr geholt haben, wenn ein Spieler auf dem Platz stand (auch als Auswechselspieler) als wenn er nicht gespielt hat. Wenn man die Punkte pro Spiel (PPS) und Anzahl der Einsätze (E) kennt, dann gilt für eine Mannschaft mit S Spielen und P Punkten

PoR = PPS - (P-PPS*E)/(S-E)

Der zweite Term gibt dabei an, wie viele Punkte pro Spiel wir ohne ihn geholt haben.

Hier die PoR-Werte für alle Spieler mit mehr als 500 Minuten:

Florian Müller: -0.16
Fabian Bredlow: +0.16

Konstantinos Mavropanos: +0,10
Borna Sosa: +0,73
Hiroki Ito: -0,10
Josha Vagnoman: +0,27
Waldemar Anton: n/a (hat alle Spiele bestritten)
Dan-Axel Zagadou: +0,05

Wataru Endo: +0,93
Atakan Karazor: +0,35
Enzo Millot: +0,46
Genki Haraguchi: -0,30

Serhou Guirassy: +0,12
Silas: +1,04
Tiago Tomas: -0,10
Chris Führich: -2,27
Luca Pfeiffer: +0,09

Wenn wir nur die Spieler betrachten, die mindestens 5-mal nicht gespielt haben, um eine einigermaßen aussagekräftige Statistik zu erhalten, dann haben wir das Ranking

1. Borna Sosa: +0,73
2. Enzo Millot: +0,46
3. Atakan Karazor: +0,35
4. Josha Vagnoman: +0,27
5. Fabian Bredlow: +0.16
6. Serhou Guirassy: +0,12

Auch wenn da einige Dinge fehlen, wie wer gegen wie leichte Gegner ausgesetzt hat, finde ich das doch recht interessant. Grundsätzlich stehen da ja schon die Namen, die man auch von der Wichtigkeit für unser Spiel da erwarten würde (Endo hat nur ein Spiel verpasst und taucht deswegen nicht auf). Allerdings hätte ich Sosa nicht so weit vorne erwartet. Ich denke, da spielt auch eine Rolle, dass unsere Gegner anders agieren wenn er auf dem Platz steht und das dann Räume für andere Spieler schafft, selbst wenn es den Anschein hat, das Sosa gar kein so gutes Spiel macht. Guirassy hätte ich ehrlich gesagt höher erwartet, das entkräftigt dann auch das Argument, dass Labaddia einfach nur Pech mit seinem Ausfall hatte.
Dieser Beitrag wurde zuletzt von nurleser am 11.05.2023 um 11:51 Uhr bearbeitet

Da es ja immer wieder Diskussionen um den Erfolg und Misserfolg von Trainern gibt, diese Trainer das Alter des Kaders, die Verletzungen von Spielern und andere Ausreden nennen und hier dann darüber gestritten wird, habe ich gestern mithilfe von Chat GPT (den technischen Part, damit es schneller geht) begonnen, mein eigenes Datenbankmodell zusammenzubauen, mit dem solche Fragestellungen und Ausreden in Zukunft analysiert werden sollen.

Im Laufe des Abends habe ich das Modell bestimmt 5x um weitere Informationen erweitert und ich habe sicher noch einiges vergessen.

Das Modell umfasst nur die 1. Bundesliga, kann bisher separat und kombiniert filtern nach:
- Spielen
- Spieltagen
- Unterschieden zwischen Heim/Auswärts Hinrunde/Rückrunde
- Spieler im Kader/Start11/verletzt/gesperrt
- Spieler eingewechselt/ausgewechselt
- Spieler 1. gelbe, 2. gelbe, rot
- Tore/Eigentore/11er
- Assists/Foul zu 11er geführt (wird bei uns ja regelmäßig diskutiert )
- Pre-Assist
- Trainer

Mein ursprüngliches Ziel war es, recht schnell eine Abfrage bauen zu können:

- Ob Labbadia mehr unter dem Ausfall von Guirassy gelitten hat als Wimmer/Rino/Hoeneß
- Den Altersschnitt der Kader/Eingesetzen Spieler der Trainer (Labbadia/Wimmer/Rino/Hoeneß) aufschlüsseln zu können und mit den jeweiligen Gegnern oder der restlichen Liga allgemein/im gleichen Zeitraum vergleichen zu können

Das müsste inzwischen gehen, wenn ich die Daten der Spiele recht schnell in die Datenbank bekomme. Wenn jemand öffentliche APIs kennt, gerne her damit. Dann kann ich mir das Programmieren eines Crawlers (vorerst) ersparen.

Ich habe mir aber auch überlegt, ob man nicht weitere Fragestellungen beantworten könnte. Zum Beispiel, ob sich der Fitnesszustand unter den Trainern oder über die Zeit ändert. Wie effektiv/effizient ein Spieler ist. Das würde dann aber über die "normalen" Daten hinausgehen. Diese müsste man erstmal in entsprechender Qualität bekommen können. Das, was ich bisher implementiert habe, ist ja kein großes Geheimnis und könnte man zur Not aus jedem Videotext abschreiben (außer die Pre-Assists).

Noch ist mein Projekt für Input offen, nächsten Sonntag würde ich gerne die Datenstruktur final festlegen und mit Daten von 2022/23 füttern. Gerne hier posten oder per PM melden. Wenn es nichts zu spezielles ist, dann wäre öffentlich posten wahrscheinlich konstruktiver. Transfer(summen), Gehälter und monetäres würde ich gerne außen vor lassen.
Dieser Beitrag wurde zuletzt von Polanski am 22.05.2023 um 15:34 Uhr bearbeitet

Wow klingt nach einem tollen Projekt @Polanski viel Erfolg damit.

Was deine Frage nach der API angeht, ist es schwer etwas zu empfehlen da ich natürlich nicht weiß wie dein Code aussieht. Python, json, c#, java ...

Generell würde ich bei deiner Art von Projekt jedoch wohl auf eine REST API setzen da Du wohl mit permanenten Änderungen bei den Server/Client Architekturen rechnen musst und so etwas mehr Flexibilität hättest.