Wie unsere KI-Fußballprognosen entstehen

Eine Wahrscheinlichkeitsrechnung, keine Vorhersage. Ein statistisches Modell wertet vor dem Anpfiff 346 Merkmale je Partie aus — Form, Stärke-Ratings, erwartete Tore, Ausfälle, voraussichtliche Aufstellungen —, gleicht das mit der Einschätzung des Marktes ab und leitet daraus ab, wie wahrscheinlich Heimsieg, Unentschieden und Auswärtssieg sind. Herauskommen drei Prozentzahlen, die sich zu 100 % addieren, nicht ein einzelner Tipp.

Genauer als Raten (33 %), aber weit entfernt von Sicherheit. Über alle Spiele liegt die Trefferquote der Tendenz bei rund 50 %; bei Partien, in denen das Modell eine klare Tendenz ausweist, deutlich darüber. Wichtiger als die Trefferquote ist die Kalibrierung: Wenn wir 60 % sagen, soll es langfristig auch in etwa 60 von 100 Fällen eintreten. Die laufend aktualisierten Zahlen stehen auf der Seite zur Modellqualität — dort ist auch abzulesen, wo das Modell schwächer ist.

Nein. Ein Sprachmodell sagt das nächste Wort voraus, kein Spielergebnis — es klingt überzeugend, ohne zu rechnen. Hier arbeitet ein über mehrere Saisons trainiertes Tor-Modell auf echten Spieldaten. Die Texte zu einer Partie fassen hinterher zusammen, was gerechnet wurde; sie erzeugen die Zahlen nicht.

Weil die Tendenz der höchste der drei Werte ist. Rund jedes vierte Spiel endet remis, aber ein Remis ist fast nie der einzeln größte Wert: Stehen 30 % Remis gegen 38 % Heimsieg, lautet die Tendenz Heimsieg. Deshalb steht auf jeder Spielseite die Remis-Wahrscheinlichkeit als Zahl daneben — sie ist die eigentliche Aussage.

Nein. Jede Prognose wird vor dem Anpfiff veröffentlicht und mit Zeitstempel festgeschrieben. Nach dem Spiel kommt das Ergebnis dazu, die Prognose bleibt, wie sie war — auch wenn sie danebenlag. Ohne diese Regel wäre jeder Track-Record wertlos.