Das Kernproblem
Vorhersagemodelle stützen sich auf tausende Statistiken – Tore, Pässe, Ballbesitz – doch ein Spieler, der sich den Fuß brach, wirft das ganze Bild aus dem Gleichgewicht. Ohne die Verletzungskomponente rutschen die Prognosen ins Schwanken wie ein lose gespannter Ballon.
Datenbeschaffung
Hier ist der Deal: Echtzeit-Feeds von medizinischen Teams, offizielle Clubmeldungen und Crowd‑Sourced-Updates werden aggregiert. Man vergisst nicht, dass jede Quelle ihre eigene Latenz und Vertrauenswürdigkeit hat. Durch Filterklassen – „Bestätigt“, „Gerücht“, „Verifiziert“ – trennt man den Rohstoff vom Schrott.
Messwerte und Klassifizierungen
Einfaches „Ausfall ja/nein“ reicht nicht. Man bricht die Verletzung in Schweregrade (Typ I‑III), betroffene Körperregionen und voraussichtliche Rückkehrzeit auf. So wird aus einer schwarzen Kachel ein farbiges Mosaik, das das Modell verarbeitet.
Feature‑Engineering
Und hier ist warum: Statt nur die Abwesenheit zu markieren, wird ein „Verletzungs‑Impact‑Score“ konstruiert. Dieser Score kombiniert vergangene Leistungsabfälle, Team‑Tie‑Abhängigkeiten und die Wahrscheinlichkeit, dass Ersatzspieler die gleiche Effizienz bringen. Das Ergebnis? Ein dynamischer Eingabewert, der das neuronale Netz aufrüttelt.
Temporalität einbauen
Verletzungsdaten sind nicht statisch. Ein Spieler kann am Montag 30 % Leistung verlieren, am Freitag wieder voll fit sein. Deshalb werden Zeitreihen‑Features eingeführt: „Verletzung seit X Tagen“, „Erholungsphase“, „Match‑Last‑30“. So bleibt das System flexibel wie ein Flügelspieler im Dribbling.
Modell‑Integration
Durch das Einbinden eines separaten “Injury‑Layer” im Deep‑Learning‑Stack bleibt das Kern‑Predictor‑Netwerk unverändert. Der Layer liefert ein Multiplikator‑Signal, das die Ausgangswahrscheinlichkeit für Sieg, Unentschieden oder Niederlage justiert. Ergebnis: Vorhersagen, die nicht nur die Statistik, sondern auch den physischen Zustand des Teams widerspiegeln.
Validierung und Feinabstimmung
Look: Kreuzvalidierung mit historischen Verletzungs‑Ereignissen. Wenn das Modell bei Spielen mit hohen Verletzungsraten besser abstimmt, dann hat man den Dreh raus. Andernfalls muss der Impact‑Score neu justiert werden – ein iterativer Prozess, der nie stillsteht.
Praxisbeispiel
Auf aifussballvorhersage.com haben wir das System in einer Testphase eingesetzt. Ein Schlüsselspieler fiel mit einer Kalzium‑Fraktur aus. Der neue Score drückte die Sieg‑Wahrscheinlichkeit von 68 % auf 45 % – und das Ergebnis war exakt das, was tatsächlich passierte.
Handlungsaufforderung
Jetzt packen: Echtzeit‑Verletzungs‑APIs anschließen, Impact‑Score bauen und den Injury‑Layer trainieren. Wer das sofort umsetzt, schlägt die Konkurrenz um ein Vielfaches.
