Datenanalyse und Scouting beim FC Bayern
Datenanalyse und Scouting beim FC Bayern
Datenanalyse und Scouting beim FC Bayern
Einleitung
Datenanalyse und Scouting gehören im modernen Profifußball eng zusammen. Trainerteams, Videoanalystinnen und Videoanalysten, Datenfachleute und Scouts verbinden Beobachtungen aus Spielen, Videos, Ereignisdaten, Positionsdaten und Live-Sichtungen, um sportliche Entscheidungen vorzubereiten.
Dieser aiMOOC untersucht diese Arbeitsfelder am Beispiel des FC Bayern München. Dabei wird strikt getrennt zwischen öffentlich belegbaren Informationen und allgemeinen Methoden des professionellen Fußballs. Interne Datenbanken, vertrauliche Scoutinglisten, genaue Bewertungsmodelle, medizinische Daten, Vertragsinformationen und nicht veröffentlichte Entscheidungsprozesse des FC Bayern sind öffentlich nicht vollständig einsehbar. Wo Informationen fehlen, werden deshalb keine angeblichen Interna erfunden.
Stand der öffentlich überprüfbaren Bayern-Beispiele: September 2026.
Die Allianz Arena ist der sichtbarste Spielort des FC Bayern. Moderne Leistungsanalyse findet jedoch zu großen Teilen außerhalb der öffentlichen Wahrnehmung statt: in der Spielvorbereitung, in Analysebesprechungen, im Trainerstab, im Nachwuchsbereich und in Scoutingprozessen.
Lernziele
Nach diesem aiMOOC kannst Du erklären, wie Spielanalyse, Videoanalyse, Sportdatenanalyse und Talentbeobachtung zusammenwirken. Du kannst verschiedene Datenarten unterscheiden, Kennzahlen wie Expected Goals kritisch interpretieren, einen mehrstufigen Scoutingprozess entwerfen und die Grenzen öffentlich verfügbarer Informationen beurteilen.
Was über den FC Bayern öffentlich belegt ist
Eine seriöse Analyse beginnt mit der Frage: Welche Information ist tatsächlich veröffentlicht und überprüfbar?
Auf der offiziellen Teamseite des FC Bayern werden für die Profimannschaft in der Saison 2026/27 Funktionen im Bereich Video- und Datenanalyse öffentlich genannt. Das zeigt, dass spezialisierte Analyseaufgaben institutionell zum sportlichen Umfeld der Profimannschaft gehören. Eine solche Teamseite ist jedoch kein vollständiges Organigramm und verrät weder interne Software noch Bewertungsmodelle oder konkrete Entscheidungsregeln.
Der FC Bayern teilte am 1. Oktober 2024 öffentlich mit, Nils Schmadtke als Abteilungsleiter Scouting verpflichtet zu haben. Der Verein beschrieb dabei als Ziel, potenzielle Spieler früh zu erkennen und die Verzahnung mit dem FC Bayern Campus zu intensivieren. Daraus lässt sich eine organisatorische Verbindung zwischen Profiscouting und Nachwuchsarbeit ableiten, aber kein geheimes Punktesystem zur Spielerbewertung.
Am Campus bezeichnet der FC Bayern die Spielersichtung selbst als einen zentralen Aufgabenbereich. Die offizielle Beschreibung nennt als Ziel, geeignete Nachwuchstalente zu sichten, an den Verein zu binden und individuell zu fördern.
Red&Gold Global Trophy 2026
Im August 2026 berichtete der FC Bayern über die zweite Red&Gold Global Trophy am Campus. Mehr als 50 Scouts europäischer Erst- und Zweitligisten verfolgten das internationale U19-Turnier. Der FC Bayern veröffentlichte außerdem, dass gemeinsam mit dem Datenpartner Impect eine datenbasierte Top-Elf des Turniers ermittelt wurde.
Das Beispiel zeigt öffentlich sichtbar das Nebeneinander von Live-Scouting und Datenanalyse. Belegt ist diese konkrete datenbasierte Turnierauswertung. Daraus folgt nicht automatisch, dass Impect sämtliche Datenprozesse oder Transferentscheidungen des FC Bayern verantwortet.
Internationale Talententwicklung
Red&Gold Football ist laut FC Bayern ein 2023 gegründetes Joint Venture des FC Bayern und des Los Angeles Football Club zur internationalen Talententwicklung. Öffentlich beschriebene Kooperationen, Turniere und Trainingsaufenthalte zeigen, wie internationale Netzwerke Talente über längere Zeit beobachten und Entwicklungswege organisieren können.
Auch der FC Bayern World Squad ist ein öffentliches Beispiel für frühe Sichtung. Für die 2026er-Ausgabe konnten sich Talente bestimmter Jahrgänge mit einem Highlight-Video bewerben. Ein Highlight-Video kann Aufmerksamkeit erzeugen, ist aber methodisch begrenzt, weil es ausgewählte Szenen zeigt und schwächere Phasen häufig ausblendet.
Das offizielle FC-Bayern-Video zur World Squad 2026 gibt Einblicke in ein öffentlich präsentiertes Talententwicklungsprojekt. Es ist keine vollständige Darstellung des internen Profiscoutings.
Moderne Spielanalyse
Spielanalyse versucht, ein Fußballspiel systematisch zu beschreiben, zu erklären und für Entscheidungen nutzbar zu machen. Dabei interessieren nicht nur Tore und Ballbesitz, sondern Muster: Wie eröffnet eine Mannschaft das Spiel? Wo entstehen Überzahlen? Wie wird gepresst? Welche Räume werden nach Ballverlust geschützt? Wie verhält sich ein Spieler ohne Ball?
Ein typischer Analysezyklus kann so aussehen:
- Fragestellung: Eine konkrete Frage wird formuliert, zum Beispiel zum gegnerischen Spielaufbau.
- Beobachtung: Video, Live-Eindruck und Daten liefern verschiedene Perspektiven.
- Auswertung: Szenen werden geordnet, Kennzahlen berechnet und Muster gesucht.
- Interpretation: Taktischer Kontext entscheidet, was ein Muster bedeutet.
- Kommunikation: Ergebnisse werden in Clips, Grafiken oder Berichten vermittelt.
- Handlung: Analyse kann Trainingsinhalte, Matchpläne oder weitere Beobachtungsaufträge beeinflussen.
- Überprüfung: Im nächsten Spiel wird geprüft, ob Annahmen und Maßnahmen tragfähig waren.
Eigenanalyse, Gegneranalyse und Spieleranalyse
Bei der Eigenanalyse wird untersucht, welche wiederkehrenden Stärken und Probleme im eigenen Spiel auftreten. Typische Fragen betreffen Spielaufbau, Pressing, Restverteidigung, Strafraumbesetzung, Umschalten und Standardsituationen.
Die Gegneranalyse sucht nach wiederkehrenden Verhaltensweisen des nächsten Gegners. Ein Muster wird erst dann taktisch interessant, wenn es in mehreren Situationen wiederkehrt oder durch den Spielkontext sinnvoll erklärt werden kann.
Die Spieleranalyse konzentriert sich auf die Aufgaben eines einzelnen Akteurs innerhalb seiner Rolle. Ein Innenverteidiger benötigt andere Kriterien als ein Flügelspieler. Deshalb ist ein positions- und rollenspezifischer Vergleich meist sinnvoller als eine einzige Gesamtnote.
Videoanalyse
Video ist besonders wertvoll, weil es den Kontext einer Aktion sichtbar macht. Eine Statistik kann zeigen, dass ein Spieler viele Pässe nach vorne spielt. Das Video kann zusätzlich zeigen, ob diese Pässe unter Gegnerdruck erfolgen, welche Mitspieler sich bewegen, ob Pressinglinien überspielt werden und ob daraus ein Vorteil entsteht.
In professionellen Arbeitsabläufen können Analysten Videos nach Spielphasen, Zonen, Aktionen oder taktischen Mustern codieren. Allgemein verbreitet sind Kategorien wie Spielaufbau, hohes Pressing, Mittelfeldpressing, Umschalten nach Ballgewinn, Umschalten nach Ballverlust und Standardsituationen. Welche Kategorien der FC Bayern intern konkret verwendet, ist öffentlich nicht vollständig dokumentiert.
Vom Spiel zum Analyseclip
Eine sinnvolle Videoanalyse wählt Szenen nach einer klaren Frage aus. Ein Analyseclip sollte zeigen, was passiert, warum es passiert und welche Handlungsmöglichkeit daraus folgt.
Die Kameraperspektive begrenzt die Aussagekraft. TV-Bilder verfolgen häufig den Ball und schneiden Teile der Mannschaftsstruktur ab. Eine taktische Weitwinkelaufnahme kann Abstände, Kettenbewegungen und Freiräume besser zeigen. Öffentliches Broadcast-Video hat deshalb andere Erkenntnisgrenzen als professionelles taktisches Material.
Daten im modernen Fußball
Fußballdaten sind nicht einheitlich. Unterschiedliche Datentypen beantworten unterschiedliche Fragen.
| Datenart | Typischer Inhalt | Möglicher Nutzen | Wichtige Grenze |
|---|---|---|---|
| Ereignisdaten | Pässe, Schüsse, Flanken, Fouls, Ballgewinne | Häufigkeiten, Zonen, Aktionsprofile | Bewegung ohne Ball ist nur teilweise sichtbar |
| Positions- und Trackingdaten | Positionen von Spielern und Ball über die Zeit | Abstände, Laufwege, Teamhöhe, Geschwindigkeit | Hochwertige Rohdaten sind häufig nicht frei öffentlich |
| Videodaten | Sichtbarer Spielverlauf und räumlicher Kontext | Taktische Muster und Entscheidungsverhalten | Kameraperspektive kann Beobachtungen begrenzen |
| Scoutingberichte | Beobachtungen, Bewertungen und Kommentare | Qualitative Einschätzung und Entwicklungsbeobachtung | Subjektive Verzerrungen sind möglich |
Offizielle Spieldaten der Bundesliga
Die DFL beschreibt für Bundesliga und 2. Bundesliga eine umfangreiche offizielle Datenerfassung. Veröffentlichungen der Liga erklären Ereignisdaten und Positionsdaten als Grundlage für Spielanalyse und weitere Anwendungen.
Seit der Saison 2025/26 wurde die Positionsdatenerhebung laut Bundesliga für die halbautomatische Abseitserkennung auf dreidimensionales Tracking erweitert. Daraus können auch Informationen über Geschwindigkeit, Beschleunigung, Richtungswechsel und Bewegungsabläufe entstehen.
Diese Infrastruktur bedeutet nicht, dass alle Rohdaten kostenlos öffentlich zugänglich sind. Clubs, Liga, Medien und Datenanbieter können je nach Rechten und Verträgen auf unterschiedliche Datentiefe zugreifen.
Das Video der Bundesliga-Gruppe erklärt öffentlich kommunizierte Match-Facts wie Expected Goals und durchschnittliche Positionen.
Kennzahlen verstehen
Expected Goals
Expected Goals, kurz xG, schätzt für einen Abschluss die Wahrscheinlichkeit, dass daraus unter vergleichbaren Bedingungen ein Tor entsteht. Ein Wert von 0,20 bedeutet modellhaft eine Torwahrscheinlichkeit von zwanzig Prozent.
xG misst nicht direkt, wie gut eine Mannschaft insgesamt gespielt hat. Unterschiedliche Anbieter können verschiedene Eingangsdaten und Modellierungen verwenden. Deshalb können xG-Werte derselben Partie voneinander abweichen.
Positionsdaten und Realformation
Durch Trackingdaten lassen sich durchschnittliche Positionen, Abstände und Bewegungsmuster berechnen. Eine Durchschnittsposition ist jedoch kein vollständiger taktischer Plan. Sie kann verschiedene Spielphasen vermischen. Für eine belastbare Interpretation sollten Zeitabschnitte, Ballbesitzphasen, Gegnerdruck und Spielstand berücksichtigt werden.
Rollenbezogene Kennzahlen
Ein sinnvoller Datenvergleich beginnt mit der Rolle. Für einen tiefen Spielmacher sind andere Informationen wichtig als für einen Zielstürmer. Ein Außenverteidiger in einer Mannschaft mit hohem Ballbesitz erlebt andere Spielsituationen als ein Außenverteidiger in einem tief verteidigenden Team.
Datenvergleich ohne Kontext kann präzise aussehen und trotzdem fachlich irreführen.
Scouting als mehrstufiger Prozess
Scouting bedeutet mehr als das Entdecken eines auffälligen Spielers. In einem professionellen Prozess werden Anforderungen definiert, Kandidaten gesucht, Beobachtungen gesammelt und anschließend in einer sportlichen Gesamtentscheidung zusammengeführt.
Ein mögliches allgemeines Modell:
- Anforderungsprofil: Welche sportliche Rolle soll besetzt werden?
- Datensichtung: Große Spielermengen werden anhand geeigneter Kriterien vorgefiltert.
- Videoscouting: Mehrere vollständige Spiele helfen, Verhalten in verschiedenen Situationen zu prüfen.
- Live-Scouting: Beobachtungen im Stadion ergänzen das Bild.
- Kontextprüfung: Liga, Teamstil, Alter, Entwicklung und Rolle werden berücksichtigt.
- Mehrfachbeobachtung: Einzelspiele werden nicht überbewertet.
- Sportliche Entscheidung: Daten und Berichte unterstützen Fachleute, ersetzen aber nicht deren Verantwortung.
Dieses Modell beschreibt allgemeine moderne Scoutingarbeit und keinen geheimen oder vollständig bekannten Workflow des FC Bayern.
Daten als Filter, nicht als Orakel
Daten können helfen, aus vielen Spielern passende Kandidaten herauszufiltern. Danach beginnt die schwierigere Arbeit: Warum erreicht ein Spieler bestimmte Werte? Sind sie stabil? Passen seine Entscheidungen zum gewünschten Spielstil? Wie verhält er sich gegen stärkere Gegner? Ist die Datenabdeckung seiner Liga vergleichbar?
Ein gutes Scoutingmodell nutzt Daten deshalb als Hinweisgeber, nicht als automatische Transfermaschine.
Live-Scouting
Im Stadion kann ein Scout Bereiche verfolgen, die im Fernsehbild fehlen: Orientierung vor Ballannahmen, Kommunikation, Reaktionen nach Fehlern, Bewegungen weit weg vom Ball oder räumliche Beziehungen zu Mitspielern.
Live-Scouting ist aber nicht automatisch objektiv. Tagesform, Blickrichtung, persönliche Vorlieben und Erwartungen können Bewertungen beeinflussen. Standardisierte Kriterien, mehrere Beobachtungen und der Abgleich mit Video und Daten helfen, solche Verzerrungen zu reduzieren.
Talentbeobachtung im Nachwuchs
Nachwuchsscouting unterscheidet sich vom Scouting etablierter Profis. Bei jungen Spielern ist zukünftige Entwicklung besonders unsicher. Körperliches Wachstum, Trainingsalter, biologische Reife, Lernfähigkeit und Positionserfahrung können sich stark verändern.
Der FC Bayern beschreibt auf seiner Campus-Seite Spielersichtung als Teil seiner Nachwuchsaufgaben und verbindet diese mit individueller Förderung.
Relative-Age-Effekt
Im Nachwuchsfußball können ältere Spieler innerhalb eines Jahrgangs vorübergehend körperliche oder kognitive Vorteile haben. Dieser Relative-Age-Effekt kann Sichtungen verzerren. Scouts sollten Entwicklungspotenzial deshalb nicht mit momentaner körperlicher Dominanz verwechseln.
Highlight-Videos kritisch lesen
Highlight-Videos zeigen eine ausgewählte Stichprobe. Misslungene Aktionen, schwächere Spielphasen und Situationen ohne Ball fehlen häufig. Für eine belastbare Bewertung sind mehrere vollständige Spiele, unterschiedliche Gegner und der langfristige Entwicklungsverlauf wichtiger.
Künstliche Intelligenz im Scouting
Künstliche Intelligenz kann beim Durchsuchen großer Datenmengen, beim Erkennen von Szenen, bei Textzusammenfassungen oder beim Vergleich von Profilen unterstützen.
SAP berichtete 2024, dass eine generative KI-Funktion für Scoutingberichte zunächst mit Hertha BSC entwickelt wurde und ein Prototyp auch der Scouting-Abteilung des FC Bayern vorgestellt wurde. Ein damaliger Bayern-Verantwortlicher äußerte sich positiv zur Qualität der Ergebnisse.
Wichtig: Eine Vorstellung eines Prototyps beweist keinen dauerhaften, exklusiven oder vollständigen Produktivbetrieb beim FC Bayern.
Chancen und Risiken von KI
KI kann Informationen schnell sortieren und Muster sichtbar machen. Gleichzeitig kann sie Fehler aus Eingangsdaten übernehmen, Zusammenfassungen zu stark vereinfachen oder scheinbar sichere Empfehlungen formulieren, obwohl die Datenlage schwach ist.
Bei Scoutingentscheidungen sollte nachvollziehbar bleiben, welche Daten genutzt wurden, welche Kriterien gelten und welche Unsicherheiten bestehen. Besonders bei jungen Spielern sind automatisierte Rankings ethisch sensibel.
Warum Daten und menschliche Beobachtung zusammengehören
Ein Scout sieht Dinge, die Daten nicht erklären. Eine Datenanalyse entdeckt Kandidaten, die noch niemand im Team live beobachtet hat. Video zeigt das taktische Warum hinter einer Kennzahl. Trainer können einschätzen, ob ein Profil zur gewünschten Spielidee passt.
Die zentrale Frage lautet nicht Daten oder Auge?, sondern Welche Informationsquelle beantwortet welche Frage am zuverlässigsten?
| Fragestellung | Besonders nützliche Quelle | Ergänzende Quelle |
|---|---|---|
| Wie häufig passiert etwas? | Ereignisdaten | Video |
| Wo bewegt sich ein Spieler ohne Ball? | Trackingdaten oder taktisches Video | Live-Beobachtung |
| Warum entsteht eine Spielsituation? | Videoanalyse | Daten |
| Ist ein Muster über viele Spiele stabil? | Daten über längere Zeiträume | Mehrfachbeobachtung |
| Wie passt eine Rolle ins Mannschaftsgefüge? | Video und Tracking | Trainer- und Scoutbeobachtung |
Grenzen öffentlich verfügbarer Informationen
Gerade bei einem Spitzenclub ist es problematisch, aus einzelnen Medienberichten oder Produktpartnerschaften auf interne Prozesse zu schließen.
Öffentlich nicht verlässlich ableitbar sind unter anderem vollständige Shortlists, interne Spielerbewertungen, Gewichtungen einzelner Kennzahlen, konkrete Transferziele vor offizieller Kommunikation, vertrauliche Gespräche, vollständige Verträge mit Datenanbietern, interne Videos, private Trainingsdaten, medizinische oder biometrische Informationen und proprietäre Modelle.
Auch öffentliche Statistikportale bilden nur einen Teil der professionell verfügbaren Daten ab. Unterschiedliche Anbieter definieren Aktionen unterschiedlich. Ein Wert mit demselben Namen kann daher methodisch anders berechnet sein.
Quellenampel
| Stufe | Quelle | Einordnung |
|---|---|---|
| Grün | Offizielle Vereins-, Liga- oder Verbandsquelle | Gut geeignet für überprüfbare Aussagen |
| Gelb | Herstellerangabe, Fachmedium oder Interview | Nützlich, aber Interessenlage und Kontext prüfen |
| Rot | Unbestätigte Social-Media-Gerüchte oder angebliche Leaks | Nicht als gesicherte Information über interne Abläufe verwenden |
Datenschutz und Persönlichkeitsrechte
Spieler- und Trainingsdaten können personenbezogene Daten sein. Besonders sensibel sind Gesundheits-, Leistungs- und Entwicklungsinformationen. Bei Minderjährigen kommt zusätzliche Schutzverantwortung hinzu.
Eine schulische Analyse sollte deshalb bevorzugt mit frei zugänglichen, rechtmäßig veröffentlichten Daten oder selbst erhobenen, nicht sensiblen Beispieldaten arbeiten.
Bias und Modellfehler
Datenmodelle können Spieler aus bestimmten Ligen, Spielstilen oder Altersgruppen systematisch unterschätzen, wenn die Datengrundlage verzerrt ist. Auch Scouts können Bias haben. Bekanntheit eines Vereins, Nationalität, Körpergröße oder ein besonders auffälliges Einzelspiel können Wahrnehmungen beeinflussen.
Fallbeispiel: Einen Mittelfeldspieler bewerten
Stell Dir vor, Du sollst einen zentralen Mittelfeldspieler für eine ballbesitzorientierte Mannschaft analysieren. Eine oberflächliche Statistik könnte nur Passquote und Ballkontakte vergleichen. Eine moderne Analyse fragt genauer.
Zunächst definierst Du die Rolle: Soll der Spieler tief eröffnen, zwischen Linien auftauchen, Gegnerdruck lösen, Gegenpressing absichern oder häufig in den Strafraum kommen? Danach wählst Du passende Daten und prüfst im Video, wie die Werte entstehen.
Ein Spieler mit hoher Passquote kann sehr sicher, aber wenig progressiv spielen. Ein Spieler mit niedrigerer Passquote kann riskantere Linienpässe versuchen. Viele Ballverluste können ein Warnsignal sein, aber auch aus einer kreativen Rolle entstehen.
Im Live-Scouting würdest Du zusätzlich beobachten, wie häufig sich der Spieler vor einer Ballannahme orientiert, ob er Mitspieler dirigiert und wie er nach Ballverlust reagiert.
Fallbeispiel: Gegneranalyse
Nehmen wir an, ein Gegner baut häufig mit zwei Innenverteidigern und einem tiefen Mittelfeldspieler auf. Daten zeigen, dass viele Angriffe über eine Seite beginnen. Im Video erkennst Du, dass der Außenverteidiger dieser Seite sehr hoch steht und der Flügelspieler nach innen zieht.
Daraus entsteht eine taktische Hypothese. Eine gute Analyse sucht anschließend nach Gegenbeispielen: Was passiert gegen hohes Pressing? Was bei Rückstand? Was bei personellen Änderungen?
Datenkompetenz: Korrelation ist nicht Kausalität
Wenn ein Team in Spielen mit vielen Sprints häufiger gewinnt, bedeutet das nicht automatisch, dass mehr Sprints die Ursache des Sieges sind. Vielleicht entsteht der Zusammenhang durch Spielstil, Gegner oder Spielstand.
Dasselbe gilt im Scouting. Ein Stürmer kann viele Tore erzielen, weil er herausragend abschließt, weil seine Mannschaft viele Chancen produziert oder weil die Wettbewerbsstärke anders ist. Ursache und Zusammenhang müssen getrennt untersucht werden.
Gute Visualisierungen
Eine Passkarte kann Verbindungen zeigen. Eine Heatmap kann räumliche Schwerpunkte sichtbar machen. Eine Schusskarte verbindet Abschlüsse mit Position und Chance. Visualisierungen können jedoch täuschen, wenn Skalen, Stichproben und Vergleichswerte fehlen.
Öffentliche Quellen und Transparenz
- FC Bayern: First Team Profiles und Funktionsstab
- FC Bayern: Nils Schmadtke neuer Abteilungsleiter Scouting
- FC Bayern Campus: Aufgaben und Ziele
- FC Bayern: Red&Gold Global Trophy 2026
- FC Bayern: World Squad 2026
- SAP: KI-Prototyp im Scouting und Austausch mit dem FC Bayern
- Bundesliga: Match Facts und Datenanalyse
- Bundesliga: dreidimensionales Tracking ab 2025/26
- DFL Magazin: Offizielle Spieldaten
- UEFA: Leistungsanalyse
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Welche Aussage beschreibt das Verhältnis von Daten und Scouting am besten? (Daten können Beobachtungen ergänzen und Suchräume strukturieren) (!Daten ersetzen jede Video- und Live-Beobachtung) (!Daten liefern immer eine eindeutige Transferentscheidung) (!Daten sind im Profifußball nur für Fans gedacht)
Was ist ein zentrales Merkmal von Trackingdaten? (Sie beschreiben Positionen und Bewegungen über die Zeit) (!Sie bestehen ausschließlich aus Interviewaussagen) (!Sie enthalten nur die Endergebnisse eines Spiels) (!Sie zeigen ausschließlich Vertragslaufzeiten)
Was beschreibt Expected Goals? (Die modellierte Wahrscheinlichkeit eines Torerfolgs bei einem Abschluss) (!Die garantierte Zahl der Tore im nächsten Spiel) (!Die Laufgeschwindigkeit eines Stürmers) (!Die Zahl aller Ballkontakte im Strafraum)
Warum ist Videoanalyse trotz Statistik wichtig? (Sie macht den taktischen Kontext einer Aktion sichtbar) (!Sie verhindert automatisch jeden Analysefehler) (!Sie liefert immer bessere Zahlen als Trackingdaten) (!Sie zeigt ausschließlich Tore und Großchancen)
Was ist für die Red&Gold Global Trophy 2026 öffentlich belegt? (Eine datenbasierte Top-Elf wurde gemeinsam mit Datenpartner Impect ermittelt) (!Impect entscheidet über alle Transfers des FC Bayern) (!Jeder Scout des FC Bayern arbeitet ausschließlich mit Impect) (!Alle internen Bayern-Datenbanken wurden veröffentlicht)
Welche Aussage über den SAP-KI-Prototyp ist methodisch korrekt? (Ein vorgestellter Prototyp beweist noch keinen dauerhaften Produktivbetrieb) (!Eine Präsentation beweist eine exklusive Nutzung für zehn Jahre) (!Eine positive Aussage beweist ein vollständig automatisiertes Scouting) (!Ein Prototyp veröffentlicht automatisch alle internen Bewertungen)
Warum sollten Scouts mehrere Spiele eines Talents beobachten? (Um Tagesform und Einzelszenen weniger stark zu überbewerten) (!Um nur die besten Szenen des Spielers zu sammeln) (!Um Daten grundsätzlich zu vermeiden) (!Um die Position des Spielers nicht berücksichtigen zu müssen)
Was ist eine wichtige Grenze von Highlight-Videos? (Sie zeigen eine ausgewählte und damit unvollständige Stichprobe) (!Sie enthalten immer vollständige Trackingdaten) (!Sie zeigen automatisch das Verhalten ohne Ball) (!Sie sind objektiver als mehrere vollständige Spiele)
Welche Quelle ist für Aussagen über eine offizielle Bayern-Funktion besonders belastbar? (Eine aktuelle offizielle Vereinsseite) (!Ein anonymer Social-Media-Post) (!Ein unbestätigtes Transfergerücht) (!Ein Fan-Kommentar ohne Quelle)
Warum müssen Kennzahlen im Fußball kontextualisiert werden? (Weil Rolle Teamstil Gegner und Spielzustand Werte beeinflussen) (!Weil jede Kennzahl grundsätzlich wertlos ist) (!Weil nur Tore im Fußball messbar sind) (!Weil Videos keine taktischen Informationen enthalten)
Memory
| Eventdaten | Codierte Aktionen wie Pass oder Torschuss |
| Trackingdaten | Räumliche Bewegungsverläufe von Spielern und Ball |
| Videoscouting | Beurteilung vollständiger Spielszenen im Kontext |
| Scoutingbericht | Strukturierte qualitative Beobachtung |
| ExpectedGoals | Modellierte Torwahrscheinlichkeit eines Abschlusses |
| Livebeobachtung | Wahrnehmung eines Spiels direkt im Stadion |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Ereignisdaten | einzelne Aktionen wie Pass oder Torschuss |
| Trackingdaten | räumliche Positionen und Bewegungen |
| Videoanalyse | taktische Muster und Handlungskontext |
| Live-Scouting | Beobachtung eines Spielers vor Ort |
| Quellenkritik | Trennung zwischen belegter Information und Vermutung |
Kreuzworträtsel
| Trackingdaten | Welche Datenart beschreibt räumliche Bewegungsverläufe? |
| Scouting | Wie heißt die systematische Beobachtung möglicher Spieler? |
| Kontext | Was muss zusätzlich zu einer Kennzahl berücksichtigt werden? |
| Videoanalyse | Wie heißt die systematische Auswertung von Spielszenen? |
| Datenqualität | Welcher Begriff beschreibt Zuverlässigkeit und Güte einer Datengrundlage? |
| Verzerrung | Wie heißt ein systematischer Fehler in Beobachtung oder Modell? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Datenarten im Fußball: Suche in einer frei zugänglichen Spielstatistik fünf verschiedene Kennzahlen und ordne sie Datenarten zu.
- Videoanalyse: Wähle zehn Minuten eines frei zugänglichen Spiels und notiere drei wiederkehrende Muster im Spielaufbau.
- Quellenkritik: Vergleiche eine offizielle Vereinsmeldung mit einem Social-Media-Beitrag zum gleichen Thema.
- Scoutingprofil: Erstelle für eine frei erfundene Außenverteidigerin oder einen frei erfundenen Außenverteidiger ein rollenbezogenes Anforderungsprofil.
Standard
- Expected Goals: Analysiere mehrere Abschlüsse und begründe qualitativ, welche Chancen einen höheren oder niedrigeren xG-Wert erhalten könnten.
- Videoscouting: Erstelle zu einem Spieler aus einem öffentlich verfügbaren vollständigen Spiel einen Scoutingbericht.
- Datenvisualisierung: Entwirf eine Passkarte, Schusskarte oder Heatmap mit selbst erhobenen Beispieldaten.
- Talentbeobachtung: Entwickle einen Beobachtungsbogen für Nachwuchsspieler, der Leistung und Entwicklungspotenzial trennt.
Schwer
- Scoutingmodell: Entwickle einen mehrstufigen Prozess aus Datenfilter, Videoscouting, Live-Beobachtung und Bewertung.
- Bias im Scouting: Entwirf ein Experiment, das mögliche Wahrnehmungsverzerrungen bei Spielerbewertungen untersucht.
- Gegneranalyse: Analysiere ein vollständiges Spiel, formuliere drei taktische Hypothesen und suche gezielt nach Gegenbeispielen.
- Öffentliche Informationen: Erstelle eine Quellenkarte zum FC Bayern mit den Kategorien offiziell belegt, Anbieterinformation, journalistisch berichtet und unbestätigt.
|
|
Lernkontrolle
- Transferentscheidung: Zwei Mittelfeldspieler haben ähnliche Leistungswerte, spielen aber in unterschiedlichen Mannschaftssystemen. Entwickle ein Verfahren für einen faireren Vergleich.
- Daten und Video: Ein Spieler hat viele Ballverluste. Formuliere drei mögliche taktische Erklärungen und beschreibe, welche Videoszenen Du prüfen würdest.
- Öffentliche Quellen: Eine Softwarefirma schreibt, ein Verein habe Interesse an einem KI-Prototyp gezeigt. Erkläre, welche Aussagen daraus zulässig sind und welche nicht.
- Nachwuchsscouting: Ein körperlich früh entwickelter U14-Spieler dominiert seine Liga. Erkläre, warum daraus noch keine sichere Aussage über Profipotenzial folgt.
- Analysefehler: Ein Team gewinnt fünf Spiele mit hoher Laufleistung. Prüfe kritisch die Behauptung, die Laufleistung habe die Siege verursacht.
- Scoutingethik: Entwickle Regeln dafür, welche Daten Du bei minderjährigen Talenten für ein Schulprojekt verwenden würdest.
Lernnachweis
Für einen Lernnachweis solltest Du eine konkrete Analysefrage formulieren, passende Daten oder Videos auswählen, die Grenzen Deiner Quellen benennen und Beobachtungen nachvollziehbar begründen.
Ein überzeugender Lernnachweis trennt öffentlich belegte Aussagen zum FC Bayern von allgemeinen Methoden des Profifußballs. Dazu gehören Quellenangaben, eine Reflexion möglicher Verzerrungen und eine Begründung, warum Daten, Video und menschliche Beobachtung kombiniert werden.
Als Lernprodukt eignen sich beispielsweise ein Scoutingbericht mit Quellenkritik, eine taktische Videoanalyse mit selbst erstellten Grafiken, eine kleine Datenstudie oder ein Vergleich zweier Spielerprofile.
OERs zum Thema
Verknüpfte Lernbereiche