Was nützt mir ein Modell, welches die Symptome berücksichtigt, nicht aber die Ursachen? Der Fehlerquote zum Beispiel liegen Ursachen zugrunde. Fehler zählen ist schön und gut. Und wie hier ja schon gezeigt wurde, gibt es eine gute Übereinstimmung zwischen dem aktuellen Tabellenplatz und der Anzahl der technischen Fehler. Das ist keine echte Überraschung, denn Handball ist ein Fehlerspiel. Würden alle Feldspieler fehlerfrei agieren, würde das Spiel mit maximal einem Tor Unterschied enden und die Torhüterquoten lägen bei 0 %.
Analysiert wurde hier aber nur das Ergebnis. Ableiten kann man davon allenfalls, dass Fehlervermeidung die Chancen auf einen Sieg erhöht. Ganz ehrlich: Dafür brauche ich kein KI-Modell.
Viel wichtiger wäre doch eine Analyse der Einflussfaktoren, die zu diesen Fehlern führen. Und da sage ich: Solange das Modell nicht berücksichtigt, ob Spieler XY vor dem Spiel von seiner Liebsten ein Bussi bekommen hat oder die Nacht davor die Peitsche, wäre es in jedem Fall unvollständig.
Man kann Erfolg planen, der SCM ist da ein sehr gutes Beispiel. Aber man kann ihn nicht garantieren, selbst wenn die Ausgangslage auf dem Papier positiv ist (siehe auch wieder SCM in Erlangen). Spieler sind keine Maschinen, die man vollständig mit einem Parametersatz beschreiben kann. Ein Rest Unsicherheit bleibt. Und ob den eine KI jemals vorhersagen kann, bezweifle ich.
Ich glaube wir sind uns hier größtenteils einig! Es wird imho keine KI geben die zu 100% voraussagen kann, wie Ergebnisse oder Platzierungen. Mein Gedanke war ein (konzeptionelles) Modell zu erstellen, das die unterschiedlichen (messbaren) Faktoren aus Angriff (z.B. Trefferquote, Gegenstoßquote, Anzahl Angriffe pro Spiel) , Ballkontrolle (Fehlerquote), Abwehr & Towart usw. sammelt und in Beziehungen setzt (auch mehrstufig). Wenn man die Daten alle hätte(!), dann könnte man ausrechnen, wieviel vom Ergebnis durch diese messbaren Faktoren erklärt werden können (Modellgüte, Bestimmtheitsmaß). Der Rest sind dann nicht greifbare Faktoren wie die Spieltagsverfassung, Team-Chemie oder deutlich schwerer zu erfassende Faktoren, wie Abhängigkeit von einem einzelnen Spieler, Ausgeglichenheit in der Kaderbreite, Spielsystem etc.
Deine grundsätzliche Argumentation (Was nützt mir ein Modell, welches Symptome berücksichtigt, nicht aber die Ursachen) teile ich daher nur bedingt. Für mich sind das keine Symptome, sondern nachgelagerte Kennzahlen/ lagging indicators. Wenn ich weiß, welche dieser nachgelagerten Kennzahlen "mehr Einfluss" haben, dann kann ich besser priorisieren. Wo ich aber bei dir bin: Es kann sein, dass die Aussagen für Fachleute trivial erscheinen würden, weil sie einfach das Bauchgefühl bestätigen.
