How we measure “stylistic fit” without overfitting nostalgia

„Wir brauchen einen Linksverteidiger wie Marcelo." Ein nützlicher Satz und ein gefährlicher. Nützlich, weil er sofort ein Profil vermittelt, das jedes Fußballhirn im Raum sich vorstellen kann. Gefährlich, weil er für fünf Zuhörer fünf verschiedene Dinge bedeuten kann — und schlimmer noch, für eine Suchmaschine bedeutet er nichts Präzises.

Match, unsere Empfehlungs-Engine, lebt an der Grenze zwischen diesen beiden Wahrheiten. Sie muss unscharfe Operator-Sprache in rigorose, vergleichbare, verteidigbare Rankings übersetzen — ohne das zu glätten, was einen Spieler einzigartig macht. So tun wir das, ohne Nostalgie zu overfitten.

Das Drei-Schicht-Modell

Stilistische Passung bei Scout Atlas ist kein einzelner Ähnlichkeits-Score. Es ist ein Stack aus drei unabhängigen Schichten, jede nachts berechnet, jede neben dem Ergebnis in Klartext erklärt.

Schicht 1 — Verhaltens-Fingerabdrücke

Für jeden Spieler mit mindestens 900 Liga-Minuten in den letzten zwei Saisons berechnen wir einen 200-dimensionalen Verhaltens-Vektor. Keine Roh-Statistiken. Verhaltens-Ableitungen: progressive Carry-Distanz pro Ballkontakt, defensive Zonen-Aktivität gewichtet nach Gegnerstärke, Scan-Frequenz vor progressiven Pässen, Recovery-Distanz nach Ballverlust.

Das sind die Features, die Liga-übergreifende Normalisierung überleben. Eine 70-Minuten-Partie in der League of Ireland ist nicht dieselbe Leinwand wie ein Premier-League-Spiel — also normalisieren wir Gelegenheiten, nicht Ergebnisse. Der Fingerabdruck vergleicht Verhalten unter gleichen Bedingungen.

Schicht 2 — Rollen-Kontext

„Ein Linksverteidiger wie Marcelo" ist nicht nur eine Verhaltensform. Es ist eine Verhaltensform in einem System. Wir taggen jedes Spiel in unserem Korpus mit der impliziten Rolle des Spielers (inverser Außenverteidiger, klassischer Außenverteidiger, Schienenspieler in einer Fünferkette, hybrider äußerer Innenverteidiger) per graphenbasiertem Formations-Klassifikator. Stilistische Ähnlichkeit wird dann rollenbedingt berechnet — ein Bayern-Hybrid wird mit anderen Hybriden verglichen, nicht mit einem Atalanta-Schienenspieler.

Schicht 3 — Entscheidungs-Signatur

Die dritte Schicht ist die experimentellste und die, auf die wir am meisten gespannt sind. Wir trainieren ein Sequenz-Modell auf gelabelten Entscheidungspunkten — Ballannahme-unter-Druck, Defensiv-Pressing-Trigger, Umschalt-Sprung — und erzeugen eine Wahrscheinlichkeitsverteilung über Entscheidungsklassen für jeden Spieler. Die Entscheidungs-Signatur erfasst, was ein Spieler tendenziell tut, wenn er die Wahl hat. Zwei Spieler mit identischen Verhaltens-Fingerabdrücken können völlig unterschiedliche Entscheidungs-Signaturen haben — und die Signatur sagt meist voraus, wie der Spieler sich an ein neues System anpasst.

Drei Dinge, die wir explizit nicht tun

Jede Empfehlungs-Engine wird durch das geprägt, was sie verweigert. Match hat drei feste Verweigerungen.

• Wir trainieren nicht auf privaten Daten von Mitgliedsklubs ohne Einwilligung. Die Fingerabdrücke kommen aus öffentlichen Open-Data-Korpora und lizenzierten Event-Daten. Private Notizen, GPS und Shortlists der Mitgliedsklubs sind ihre — sie reichern das persönliche Modell des Klubs an, nicht das klubübergreifende.
• Wir verstecken nicht, welche Ligen ein Brief abgedeckt hat. Wenn ein Brief auf die Top 5 gefiltert wurde, sagen wir das in jedem Ergebnis. Wenn ein Spieler nicht enthalten war, sagen wir warum (zu wenig Minuten, Liga noch nicht ingestiert).
• Wir tun nicht so, als wäre ein 60er-Confidence-Ranking ein 95er. Wenn das Ensemble uneins ist — XGBoost mag einen Spieler, CatBoost ist unsicher — flaggen wir die Varianz direkt. Niedrige Confidence ist selbst ein Signal, das gezeigt werden sollte.

Wie wir die Vergleiche ehrlich halten

Zwei Sicherungen laufen neben jedem Match-Score.

Die erste ist Survivor-Bias-Korrektur. Fußballmedien gravitieren zu Gewinnern. Verhaltens-Ähnlichkeit zu einem berühmten Spieler kann ein gefährlicher Proxy sein — ein guter Filter, um rückwirkende Genies aufzulesen, ein schlechter Filter, um zukünftige Passung vorherzusagen. Wir gewichten Trainings-Kohorten explizit so, dass auch die „lärmende Mitte" enthalten ist — Spieler, die wie ein Star aussahen und keiner wurden.

Die zweite ist Kohorten-Kalibrierung. Wir testen das Modell nicht am goldenen Premier-League-Talent, sondern am Allsvenskan-Außenstürmer, von dem 2021 niemand gehört hatte und der heute Bundesliga-Stammspieler ist. Wenn das Modell ihn 2021 nicht mit hoher Confidence hätte hochspülen können, gehen wir zurück ans Reißbrett. Die meisten „Ähnlichkeits"-Engines feiern die Spieler, die sie vorhergesagt haben; wir messen unsere an denen, die sie verpasst haben.

Was Sie tatsächlich im Produkt sehen

Wenn Sie einen Spieler in Scout Atlas öffnen, zeigt „Stilistische Peers" die Top sechs Spieler aus unserem Korpus nach kombinierter Fingerabdruck-, Rollen- und Entscheidungs-Ähnlichkeit, mit einer Feature-Attributions-Aufschlüsselung für jedes Paar: wo die Ähnlichkeit konzentriert ist, wo sie auseinanderläuft. Sie sehen den Vergleich und die Grenzen des Vergleichs.

„Ein Linksverteidiger wie Marcelo" wird wieder nützlich — aber Sie müssen es nicht mehr auf Treu und Glauben hinnehmen. Die Mathematik steht auf der Seite.