Wie wird man Datenanalyst im Fußball? Was der Job wirklich beinhaltet

Fußball war noch nie ein Sport ohne Zahlen. Tore, Assists, Schüsse, Ballbesitz und Passquoten gehören seit Jahrzehnten zum Spiel. Verändert hat sich vor allem die Menge an Informationen, auf die Vereine heute zugreifen können – und wie stark diese Daten inzwischen in Recruiting, Leistungsanalyse, Kaderplanung und Entscheidungen des Trainerteams einfließen.

Ein Profispiel kann Tausende erfasste Aktionen erzeugen. Je nachdem, welche Systeme einem Verein zur Verfügung stehen, lässt sich zusätzlich untersuchen, wo sich einzelne Spieler befanden, wie schnell sie sich bewegten, welche Passwege offen waren, wie kompakt ein Defensivblock stand, an welcher Stelle ein Pressing überspielt wurde oder was ohne Ball geschah, bevor eine Torchance entstand. Hinzu kommen mehrere Spielzeiten an Leistungsdaten, Video, Scouting-Berichte, Trainingsinformationen und physische Tests. Schnell entsteht eine Datenmenge, die weder ein Trainer noch ein Scout allein sinnvoll verarbeiten kann.

Die Aufgabe eines Datenanalysten im Fußball besteht darin, aus diesem Material etwas Brauchbares zu machen. Das kann bedeuten, Spieler zu finden, die zu einem bestimmten Anforderungsprofil passen, zu untersuchen, warum eine Mannschaft weniger gute Chancen kreiert, die physischen Anforderungen verschiedener Ligen zu vergleichen oder zu prüfen, ob ein Muster aus der Videoanalyse tatsächlich regelmäßig genug auftritt, um relevant zu sein.

Der Arbeitsalltag ist meist deutlich unspektakulärer als das öffentliche Bild von Fußballanalyse vermuten lässt. Ein Analyst verbringt nicht jeden Tag damit, unterschätzte Talente zu entdecken oder Modelle zu bauen, die einem Verein sagen, wen er verpflichten soll. Ein großer Teil der Arbeit besteht darin, eine sinnvolle Frage zu formulieren, die passenden Daten dafür zu finden, deren Qualität zu prüfen und klar zu benennen, was sich daraus ableiten lässt – und was nicht.

Was macht ein Datenanalyst im Fußball tatsächlich?

Eine einheitliche Version dieses Berufs gibt es nicht. Ein Datenanalyst kann im Recruiting, im Umfeld der ersten Mannschaft, in der Sportwissenschaft, im Nachwuchsbereich oder in einer übergeordneten Fußballstrategie-Abteilung arbeiten. Größere Vereine beschäftigen für diese Bereiche häufig eigene Analysten, Data Scientists und Data Engineers. In kleineren Strukturen übernimmt eine Person oft Teile mehrerer Rollen.

Ein Analyst im Recruiting kann einen großen Teil der Woche damit verbringen, Spieler aus verschiedenen Ligen zu vergleichen, Suchtools zu pflegen, mögliche Nachfolger für einen Kaderspieler zu untersuchen oder Scouts dabei zu helfen, welche Namen genauer beobachtet werden sollten. Wer näher an der ersten Mannschaft arbeitet, beschäftigt sich vielleicht mit Chancenentstehung, Spielaufbau, Pressing, defensiven Umschaltsituationen oder dem kommenden Gegner. In einer sportwissenschaftlich geprägten Rolle spielen GPS-Daten, Sprintbelastungen und die körperlichen Anforderungen an einzelne Spieler eine größere Rolle.

Deshalb können Jobtitel täuschen. Zwei Vereine können eine Stelle als „Football Data Analyst“ ausschreiben und dabei etwas ziemlich Unterschiedliches meinen. Der eine legt großen Wert auf Python und SQL. Der andere sucht eine Mischung aus Videoanalyse, Dashboards und Unterstützung im Scouting. Bei einem dritten Verein liegt dieselbe Bezeichnung näher an der Leistungsdiagnostik. Wer eine Stellenanzeige verstehen will, sollte deshalb stärker auf die Aufgaben als auf den Titel schauen.

Gute Analyse beginnt oft, bevor jemand ein Notebook öffnet oder eine Abfrage schreibt. Sie beginnt mit der Fußballfrage.

Nehmen wir an, ein Verein sucht einen neuen Linksverteidiger. Das klingt zunächst einfach, bis die Rolle genauer definiert wird. Soll der Spieler breit bleiben und außen angreifen? Im Ballbesitz ins Mittelfeld einrücken? Große Räume hinter einem hohen Pressing verteidigen? Unter Druck den Ball tragen können? Immer wieder hinterlaufen? Auch als Wing-Back einsetzbar sein? Ist Rückwärtsgeschwindigkeit wichtiger als die Qualität seiner Flanken?

Solche Entscheidungen bestimmen, was überhaupt gemessen werden sollte. Ist das Anforderungsprofil unklar, führen mehr Daten meist nur zu einer komplizierteren Version derselben unklaren Frage.

Sobald die Rolle definiert ist, beginnt die technische Arbeit. Daten verschiedener Anbieter müssen möglicherweise bereinigt und zusammengeführt werden. Unterschiede zwischen Ligen können eine Rolle spielen. Einsatzzeit, Ballbesitz und Spielstil können rohe Vergleiche verzerren. Manchmal wird ein Modell gebaut; oft entsteht die Antwort aber auch aus relativ einfacher Statistik, vielen Kontrollen und der sorgfältigen Prüfung, ob ein Vergleich überhaupt fair ist.

Am Ende steht die Kommunikation. Trainer und Scouts müssen den Code hinter einer Analyse nicht sehen. Sie müssen verstehen, was herausgefunden wurde, wie belastbar das Ergebnis ist und worauf als Nächstes geschaut werden sollte. Manchmal braucht es dafür ein Dashboard. Manchmal reicht ein kurzer Bericht. In manchen Fällen ist ein einziges Diagramm plus ein kurzes Gespräch die sinnvollste Form.

Welche Daten werden im modernen Fußball genutzt?

„Fußballdaten“ sind kein einzelner Datentyp. Am bekanntesten sind Event-Daten. Sie erfassen Aktionen während eines Spiels: Pässe, Schüsse, Ballführungen, Tacklings, Interceptions, Pressingaktionen, Zweikämpfe, Fouls und weitere Ereignisse. Solche Datensätze können zusätzlich enthalten, wo eine Aktion stattfand, wohin der Ball gespielt wurde, ob sie erfolgreich war und welche weiteren Umstände dabei eine Rolle spielten.

Ein großer Teil der heute bekannten Fußballanalyse basiert auf solchen Informationen. Expected Goals (xG), Expected Assists (xA), progressive Pässe, progressive Ballführungen, Schusskarten, Passnetzwerke oder Eintritte in den Strafraum hängen von strukturierten Event-Daten ab.

Das Problem ist: Event-Daten erfassen nur einen Teil des Spiels. Ein Stürmer kann mit einem Laufweg zwei Verteidiger mitziehen und einem Mitspieler Raum öffnen, ohne den Ball zu berühren. Ein Mittelfeldspieler kann mehrere Sekunden lang einen Passweg schließen, ohne dass dafür eine Defensivaktion registriert wird. Ein Innenverteidiger kann sich bewusst gegen einen Pass ins Zentrum entscheiden, weil der Empfänger eng gedeckt ist; die gute Entscheidung besteht gerade darin, diesen Pass nicht zu spielen.

Ein erheblicher Teil des Fußballs findet zwischen den erfassten Ereignissen statt.

Tracking-Daten ergänzen dieses Bild, indem die Positionen von Spielern und Ball in kurzen Zeitabständen aufgezeichnet werden. Damit lassen sich unter anderem Mannschaftsbreite, Höhe der Abwehrkette, Laufwege ohne Ball, Abstände zwischen Spielern, Pressingstrukturen und die Optionen des Ballführenden untersuchen. Es geht dann nicht mehr nur darum, ob ein Pass angekommen ist, sondern auch darum, wie schwierig er war, wie stark der Spieler unter Druck stand und welche Alternativen vorhanden waren.

Hinzu kommen physische Daten. Gesamtdistanz, High-Speed-Running, Sprintdistanz, Höchstgeschwindigkeit, Beschleunigungen und Abbremsbewegungen helfen dabei, die körperlichen Anforderungen einer Rolle zu beschreiben. Diese Werte sind für die Leistungsanalyse wichtig, werden aber auch im Recruiting genutzt. Ein Spieler kann technisch gut zu einer Mannschaft passen und trotzdem nicht das physische Profil mitbringen, das für die vorgesehene Rolle erforderlich ist.

Innerhalb eines Vereins kann die Datenbasis noch deutlich breiter werden. Analysten arbeiten unter Umständen mit GPS-Daten, Trainingsbelastungen, medizinischen Informationen und Verfügbarkeitsdaten, Scouting-Bewertungen, Nachwuchsbeurteilungen, Vertragsinformationen und internen Notizen aus mehreren Spielzeiten.

Die Schwierigkeit besteht nicht darin, möglichst alles gleichzeitig zu verwenden. Entscheidend ist, welcher Teil davon für die konkrete Frage tatsächlich hilfreich ist.

Warum Kontext wichtiger ist als eine lange Liste von Kennzahlen

Die Grundbegriffe der Fußballanalyse lassen sich relativ schnell lernen. xG, xA, PPDA, Field Tilt, Possession Value, progressive Pässe und zahlreiche anbieterabhängige Metriken sind leicht zu finden. Schwieriger ist es zu erkennen, wann eine Zahl wirklich etwas erklärt und wann der Kontext einen Großteil der Geschichte erzählt.

Expected Goals ist dafür ein gutes Beispiel. Ein xG-Modell schätzt die Wahrscheinlichkeit, dass ein Schuss zu einem Tor führt. Grundlage sind typischerweise Faktoren wie Position und Winkel; je nach Modell kommen weitere Informationen hinzu. Anbieter bauen ihre Modelle unterschiedlich, deshalb kann derselbe Schuss bei verschiedenen Plattformen leicht unterschiedliche Werte erhalten.

Der Nutzen von xG liegt nicht darin, jedem Schuss eine Dezimalzahl zu geben. Die Kennzahl hilft dabei, die Qualität von Chancen vom tatsächlichen Ergebnis zu trennen.

Zwei Stürmer können eine Saison mit jeweils 15 Toren beenden. Der eine kommt vielleicht Woche für Woche in sehr gute Abschlusspositionen und verwertet diese auf normalem Niveau. Der andere hat mehrere sehr schwierige Schüsse getroffen, obwohl seine gesamten Abschlusspositionen deutlich schwächer waren. In der Torstatistik stehen bei beiden 15 Treffer. Die Leistung dahinter kann trotzdem sehr unterschiedlich sein.

Dasselbe Problem gibt es bei einfacheren Statistiken. Ein Innenverteidiger mit 94 Prozent Passquote kann hervorragend im progressiven Spielaufbau sein – oder fast ausschließlich kurze, risikoarme Pässe spielen. Ein Flügelspieler mit vielen progressiven Ballführungen kann im Eins-gegen-eins außergewöhnlich stark sein – oder in einer Umschaltmannschaft spielen, die ihm regelmäßig große Räume gibt. Ein Mittelfeldspieler mit sehr hohen Defensivwerten kann gegen den Ball dominant sein – oder einfach in einer Mannschaft spielen, die einen Großteil ihrer Spiele ohne Ball verbringt.

Werte pro 90 Minuten korrigieren die Einsatzzeit, lösen aber nicht automatisch das Vergleichsproblem. Ballbesitz spielt eine Rolle. Der Spielstand spielt eine Rolle. Die taktische Aufgabe spielt eine Rolle. Die Qualität der Mannschaft, die Vorgaben des Trainers und das Niveau der Liga ebenfalls.

Ein aktuelles Beispiel liefert die Recruiting-Arbeit von Manchester City. In einem Bericht über den Prozess des Vereins aus dem September 2026 wurde gezeigt, dass City Außenverteidiger nicht als einheitlichen Spielertyp behandelt. Unterschieden werden unter anderem defensivere Außenverteidiger, Spieler, die ins Zentrum einrücken, und solche, die hoch und breit agieren. Die Rollenbeschreibung kommt also vor dem Zahlenvergleich: Erst wird definiert, was ein Spieler tun soll, dann wird entschieden, welche Daten geeignet sind, um ihn dafür zu bewerten. BBC Sport über den Recruiting-Prozess von Manchester City.

Das kommt professioneller Fußballanalyse deutlich näher, als zwei Radar-Charts nebeneinanderzustellen und zu entscheiden, welche Fläche größer aussieht.

Wie Vereine Daten im Recruiting einsetzen

Im Recruiting lässt sich besonders gut erkennen, warum Vereine Datenanalysten beschäftigen. Das Ausgangsproblem ist schlicht zu groß. Keine Scouting-Abteilung kann alle Profispieler in allen potenziell relevanten Wettbewerben ausführlich beobachten. Vereine müssen entscheiden, wo sie ihre Zeit investieren.

Daten sind eines der Mittel, um diese Suche einzugrenzen.

Das Beispiel Manchester City macht die Größenordnung sichtbar. Laut dem 2026 veröffentlichten Bericht beginnt der Verein mit einer Datenbank von ungefähr 650.000 Spielern. Sobald das gesuchte Profil festgelegt ist, können analytische Filter diese Menge auf eine Longlist von etwa 20 bis 50 Namen reduzieren. Anschließend werden die Ergebnisse mit der Scouting-Arbeit abgeglichen und vor tiefergehenden Prüfungen weiter eingegrenzt. BBC Sport.

Die Zahl fällt auf, aber die Reihenfolge ist wichtiger. Damit Filter sinnvoll funktionieren, muss vorher jemand definieren, wonach der Verein überhaupt sucht. Und auch danach treffen die Daten nicht die endgültige Entscheidung. Citys Sportdirektor Hugo Viana betonte im selben Bericht, dass quantitative Informationen nur ein Teil der Beurteilung sind, weil Eigenschaften wie Charakter, Mentalität oder Verhalten damit nicht vollständig erfasst werden können.

Ein weiteres Beispiel wurde in der Vereinsdokumentation A Beautiful Obsession öffentlich. Bei der Suche nach einem Spieler, der einen Teil der kreativen Aufgaben von Kevin De Bruyne übernehmen könnte, erklären Citys Analysten, dass sie 43 Kennzahlen erfasst, diese auf sieben Werte reduziert und damit ähnliche Spielerprofile gruppiert haben. Rayan Cherki wird dabei als Spieler genannt, der sich langfristig in Richtung von De Bruynes Profil entwickeln könnte. Später verpflichtete City ihn. Offizielle Manchester-City-Seite zu A Beautiful Obsession.

Interessant ist daran nicht, das genaue Modell des Vereins erraten zu wollen. Wir kennen weder die vollständigen 43 Variablen noch deren Gewichtung oder alle Details der Methode. Entscheidend ist vielmehr, wie viel Arbeit nötig ist, bevor eine Ähnlichkeitssuche überhaupt sinnvoll wird.

„Findet den nächsten Kevin De Bruyne“ ist als analytische Aufgabenstellung zu ungenau. Welche Teile seines Spiels sollen ersetzt werden? Chancen kreieren? Pässe ins letzte Drittel? Ballprogression? Ballführungen? Torgefahr? Positionen beim Ballkontakt? Spiel unter Druck? Wie stark soll jeder dieser Aspekte gewichtet werden?

Der Analyst hilft dabei, eine fußballerische Beschreibung in messbare Kriterien zu übersetzen. Die Shortlist kommt erst danach.

Deshalb ist es sinnvoller, Recruiting-Analyse nicht als automatisiertes Transfersystem zu betrachten. Ihr großer Nutzen liegt häufig darin, eine praktisch unüberschaubare Suche auf eine Gruppe von Spielern zu reduzieren, die Scouts und Verantwortliche anschließend ernsthaft prüfen können.

Leistung, Taktik und Gegneranalyse

Nicht jeder Datenanalyst im Fußball arbeitet an Transfers. Manche beschäftigen sich hauptsächlich mit den Problemen, die eine Mannschaft von Woche zu Woche hat.

Nehmen wir eine Mannschaft, die plötzlich weniger Chancen kreiert. Die offensichtlichen Zahlen zeigen vielleicht, dass das Schussvolumen gesunken ist. Warum das passiert, beantworten sie nicht. Der Analyst kann untersuchen, wie häufig die Mannschaft ins letzte Drittel kommt, über welche Zonen sie dorthin gelangt, ob zentrale Spieler unter mehr Druck angespielt werden, ob Außenverteidiger seltener nach vorne kommen oder ob Gegner den Spielaufbau inzwischen anders verteidigen.

Ein defensives Problem kann ganz andere Fragen erfordern. Wie oft wird die erste Pressinglinie überspielt? Was passiert unmittelbar danach? Kommt das Mittelfeld zu spät an zweite Bälle? Finden Gegner immer wieder denselben Raum? Steht die Abwehrkette seit einigen Wochen tiefer?

Solche Analysen funktionieren häufig am besten, wenn Daten und Video zusammen genutzt werden. Video kann ein mögliches Muster sichtbar machen; Daten helfen dabei zu prüfen, ob es oft genug vorkommt, um relevant zu sein. Umgekehrt kann eine auffällige Zahl genau darauf hinweisen, wonach im Video gesucht werden sollte.

Die Gegneranalyse folgt derselben Logik. Ein Trainerteam hat wenig davon, alle verfügbaren Statistiken zum kommenden Gegner zu erhalten. Sinnvoller sind konkrete Fragen. Wie baut die Mannschaft bei Abstößen auf? Welcher Spieler wird unter Druck besonders wichtig? Gibt es eine bevorzugte Seite beim Herausspielen aus der eigenen Hälfte? In welchen Zonen verliert sie häufig den Ball? Welche Situationen führen zu ihren besten Chancen?

Hier überschneiden sich Datenanalyse und klassische Leistungsanalyse deutlich. Traditionell arbeiten Performance Analysts stärker mit Video, Match-Coding und taktischen Präsentationen, während Data Analysts näher an strukturierten Datensätzen, Statistik und Modellen sind. In modernen Vereinen ist diese Grenze oft wesentlich weniger klar. Beide Seiten müssen genug vom Arbeitsfeld der jeweils anderen verstehen, um sinnvoll zusammenarbeiten zu können.

Die technische Seite des Berufs

Das Thema ist Fußball, aber der Beruf bleibt ein Datenberuf.

SQL ist wichtig, weil Vereine und Datenanbieter große Mengen an Informationen in Datenbanken speichern. Ein Analyst muss relevante Datensätze finden, Tabellen miteinander verbinden, Informationen filtern und Abfragen schreiben können, die sich zuverlässig wiederholen lassen, ohne jede Woche denselben Prozess neu aufzubauen.

Python ist in Fußballanalyse und Data Science weit verbreitet. Auch R hat eine starke Community in diesem Bereich. Beide eignen sich für Datenbereinigung, Automatisierung, statistische Analysen, Modelle und Visualisierungen. Möglichst viele Programmiersprachen im Lebenslauf aufzulisten bringt wenig; wichtiger ist, eine davon sicher auf echten, unordentlichen Datensätzen einsetzen zu können.

Auch Excel ist weiterhin Teil des Alltags. Schnelle Prüfungen, Scouting-Listen und einmalige Anfragen landen häufig in Tabellen. Power BI und Tableau werden genutzt, wenn Vereine Dashboards brauchen, die Trainer, Scouts oder Führungskräfte verwenden können, ohne den Code dahinter anzufassen.

Ein großer Teil der Arbeit sieht deutlich weniger elegant aus als das fertige Diagramm. Spielernamen müssen zwischen verschiedenen Datenanbietern abgeglichen werden. Wettbewerbe ändern ihre Bezeichnungen. Datensätze fehlen. Ein Anbieter verändert ein Feld, und eine Abfrage, die gestern noch funktionierte, läuft heute nicht mehr. Dubletten tauchen auf. Irgendwann stellt jemand fest, dass ein Dashboard seit einer Woche mit dem falschen Filter arbeitet.

Das sind ganz normale Datenprobleme. Im Fußball gibt es sie genauso.

Statistik ist deshalb ebenfalls wichtig. Ein Analyst sollte mit Mittelwerten, Verteilungen, Varianz, Perzentilen, Wahrscheinlichkeiten, Korrelationen, Stichprobengrößen und Unsicherheit umgehen können. Fußball produziert ständig kleine Stichproben und stark schwankende Ergebnisse. Ein Spieler kann sechs außergewöhnliche Wochen haben, die wenig über die nächsten zwei Jahre aussagen. Eine Mannschaft kann gut spielen und verlieren. Eine zugrunde liegende Kennzahl kann hilfreich sein, ohne die Realität perfekt abzubilden.

Fortgeschrittene Arbeit kann Regression, Klassifikation, Clustering, Dimensionsreduktion oder Machine Learning umfassen. Computer Vision hat den Bereich ebenfalls erweitert, weil sich Positionsinformationen inzwischen aus Videomaterial ableiten lassen.

All das macht eine komplizierte Methode nicht automatisch besser. Eine einfache Analyse, die die Frage klar beantwortet, ist wertvoller als ein aufwendiges Modell, das nur gebaut wurde, weil jemand unbedingt eine bestimmte Technik einsetzen wollte.

Wie viel Fußballverständnis braucht man?

Genug, um zu erkennen, wann die Daten am eigentlichen Punkt vorbeigehen.

Man muss weder Profi gewesen sein noch als Trainer gearbeitet haben. Ohne Verständnis für das Spiel ist es aber schwierig, Fußballdaten sinnvoll zu interpretieren. Taktischer Kontext verändert Zahlen ständig. Die Werte eines Flügelspielers können steigen, weil sich seine Rolle geändert hat – nicht weil er als Spieler besser geworden ist. Ein Mittelfeldspieler kann nach einem Wechsel zu einer stärkeren Mannschaft weniger progressiv wirken, weil ein Mitspieler nun mehr Verantwortung für die Ballprogression übernimmt. Ein Innenverteidiger kann weniger Defensivaktionen verzeichnen, weil seine Mannschaft deutlich mehr Ballbesitz hat.

Die Zahlen erklären solche Veränderungen nicht von allein.

Auch das Gegenteil ist richtig. Jemand kann den Fußball sehr gut verstehen und trotzdem nicht die technischen oder statistischen Fähigkeiten für Datenarbeit mitbringen. Taktisches Wissen vermittelt kein SQL. Tausende gesehene Spiele machen niemanden automatisch sicher im Umgang mit Wahrscheinlichkeit, Stichproben oder Datenbereinigung.

Menschen kommen aus beiden Richtungen in diesen Bereich. Einige starten im Fußball und bauen anschließend die technische Seite auf. Andere kommen aus Mathematik, Informatik, Ingenieurwesen, Wirtschaft, Finanzwesen oder anderen datenintensiven Feldern und müssen sich das Fußballverständnis erarbeiten.

Wer von außerhalb des Sports kommt, sollte Datenarbeit möglichst regelmäßig mit Spielbeobachtung verbinden. Wenn ein Spieler statistisch ungewöhnlich aussieht, schaut ihn euch an. Wenn zwei Spieler in den Zahlen fast identisch wirken, seht beide und sucht nach dem Punkt, an dem die Ähnlichkeit endet. Wenn sich eine Kennzahl nach einem Transfer oder Trainerwechsel stark verändert, geht zurück ins Video.

Mit der Zeit entwickelt sich ein Gefühl dafür, welche Teile des Spiels durch Daten gut erfasst werden und wo mehr Vorsicht nötig ist.

Braucht man ein Studium, und wie gelingt der Einstieg?

Es gibt keinen einzigen akademischen Weg in die Fußballanalyse. Abschlüsse in Statistik, Mathematik, Informatik, Data Science, Ingenieurwesen oder Wirtschaft können eine starke Grundlage bieten. Auch Absolventen aus Sportwissenschaft und Leistungsanalyse wechseln in Datenrollen, wenn sie Programmierung und Statistik zu ihrem vorhandenen Fußballwissen ergänzen.

Manche Arbeitgeber verlangen ausdrücklich einen passenden Hochschulabschluss. Andere achten stärker darauf, was jemand praktisch kann. Kannst du mit großen Datensätzen arbeiten? Sauberen, reproduzierbaren Code schreiben? Verstehst du grundlegende statistische Konzepte wirklich? Kannst du erklären, warum du eine bestimmte Kennzahl gewählt hast? Ergibt deine Analyse noch Sinn, wenn jemand das Spiel dazu anschaut?

Forschungsorientierte Data-Science-Stellen können weiterführende Abschlüsse stärker gewichten. Für Fußballanalyse insgesamt gibt es aber keinen festen akademischen Standardweg.

Es ist außerdem einer der wenigen Bereiche im Profifußball, in denen sich ernsthafte Arbeit zeigen lässt, bevor ein Verein Zugang zu internen Systemen gewährt. Öffentliche Datensätze machen das möglich. Hudl Statsbomb stellt zum Beispiel offene Event-Daten aus mehreren Wettbewerben bereit und bietet Ressourcen für die Arbeit mit Python und R. StatsBomb Open Data.

Ein Portfolio muss nicht groß sein. Ein gut aufgebautes Projekt kann mehr aussagen als zehn fast identische Spielerradare.

Am besten beginnt man mit einer Fußballfrage, nicht mit einer Visualisierung. Welche Mittelfeldspieler bringen den Ball auf eine bestimmte Art nach vorne? Hat sich die Chancenentstehung einer Mannschaft nach einem Trainerwechsel verändert? Welche Stürmer kommen regelmäßig in hochwertige Abschlusspositionen? Wie würdest du Spieler für eine sehr spezifische taktische Rolle suchen?

Danach sollte der Gedankengang sichtbar werden. Warum wurde die Frage gewählt? Was deckt der Datensatz ab und was nicht? Warum wurden bestimmte Metriken verwendet? Wie wurden auffällige Ergebnisse überprüft? Wenn möglich, sollte die Analyse mit Video abgeglichen werden. Gibt es Schwächen, gehören auch sie offen benannt.

Das kommt der Arbeit, die ein Verein tatsächlich braucht, wesentlich näher als eine sauber gestaltete Grafik ohne nachvollziehbare Fragestellung.

Auch das Veröffentlichen solcher Arbeiten kann helfen. Eine eigene Website, ein GitHub-Repository oder eine gut geschriebene Analyse geben Recruitern etwas Konkretes, das sie beurteilen können. Gleichzeitig entsteht eine Grundlage für Gespräche mit Menschen aus dem Fußball. Python zu können ist nützlich; zu zeigen, wie man damit ein Fußballproblem durchdenkt, sagt deutlich mehr aus.

Wie sieht der Arbeitsalltag wirklich aus?

Nicht jede Woche dreht sich um die Suche nach dem nächsten Transfer.

Es gibt Datenbereinigung, kurzfristige Anfragen, Dashboards, die angepasst werden müssen, Abfragen, die plötzlich nicht mehr funktionieren, und Analysen, die zu keinem klaren Ergebnis führen. Man kann Stunden mit einem scheinbar interessanten Muster verbringen und später feststellen, dass es nach der Korrektur eines einzigen Datenfehlers verschwindet. Manchmal lautet das Ergebnis mehrstündiger Arbeit schlicht, dass die vorhandenen Informationen keine sichere Aussage zulassen.

Auch das ist ein brauchbares Ergebnis.

Die Entscheidungen rund um die Arbeit können trotzdem großes Gewicht haben. Eine Recruiting-Analyse kann Teil einer Transferdiskussion über Millionenbeträge sein. Ein Bericht für die erste Mannschaft kann kurz vor einem Spiel beim Trainerteam landen. Ein unbemerkter Fehler kann lange genug im System bleiben, um eine Diskussion zu beeinflussen, in die er nie hätte gelangen dürfen.

Die Arbeitszeiten hängen stark von der Position ab. Rollen nahe an der ersten Mannschaft können Abende, Wochenenden und Spieltage einschließen. Recruiting-Abteilungen erleben rund um Transferfenster besonders intensive Phasen. Jobs bei Datenanbietern oder Sporttechnologie-Unternehmen ähneln dagegen oft stärker klassischen technischen Rollen.

Auch die Gehälter unterscheiden sich deutlich. Wer SQL, Python und Statistik gut beherrscht, kann in Finanzwirtschaft, Technologie oder anderen kommerziellen Branchen teilweise erheblich mehr verdienen. Fußball zieht viele Bewerber an und ist nicht immer der Bereich, der technische Fähigkeiten am besten bezahlt.

Der Reiz liegt woanders. Die eigene Arbeit kann sehr nah an echten Fußballentscheidungen sein. Eine Analyse kann verändern, welchen Spieler ein Scout als Nächstes beobachtet, eine etablierte Annahme in der Recruiting-Abteilung infrage stellen oder einem Trainerteam helfen, ein Problem besser zu verstehen, das es seit Wochen auf dem Platz sieht.

Die Fähigkeiten bleiben auch außerhalb des Fußballs wertvoll. SQL, Python, Statistik, Visualisierung und Data Engineering sind weiterhin nützlich, egal ob der nächste Arbeitgeber ein anderer Verein, ein Verband, ein Datenanbieter, ein Sporttechnologie-Unternehmen oder eine Organisation außerhalb des Sports ist.

Mit Erfahrung entwickelt ein guter Analyst auch ein Gespür dafür, was nicht analysiert werden sollte. Er erkennt, wann zwei Spieler nicht direkt vergleichbar sind, wann eine Stichprobe zu klein ist und wann eine Kennzahl eher die Mannschaft als den einzelnen Spieler beschreibt. Zu saubere Ergebnisse werden überprüft. Ist die Evidenz schwach, wird das auch so gesagt.

Moderne Vereine können für eine einzige Entscheidung weit mehr Informationen sammeln, als tatsächlich gebraucht werden. Die Aufgabe besteht nicht darin, alles in die Antwort zu packen. Sie besteht darin, herauszufinden, welcher Teil überhaupt hineingehört.

Der Recruiting-Prozess von Manchester City ist gerade deshalb ein gutes Beispiel, weil die Daten die Geschichte nicht abschließen. Hunderttausende Spieler können auf eine überschaubare Liste reduziert werden. Modelle können Profile hervorheben, die genauer untersucht werden sollten. Tracking- und physische Daten können Eigenschaften sichtbar machen, die sich mit bloßem Auge nur schwer konsistent vergleichen lassen.

Die Spieler auf dieser Liste müssen trotzdem noch beobachtet werden. Scouts müssen sich ein Urteil bilden. Trainer müssen entscheiden, ob der Spieler ins System passt. Medizinische, vertragliche und finanzielle Fragen müssen weiterhin geklärt werden.

Genau dort liegt die Rolle des Analysten: nicht die Entscheidung für alle anderen zu treffen, sondern dafür zu sorgen, dass diejenigen, die entscheiden, mit besseren Informationen arbeiten.