Der Algorithmus auf dem Transfermarkt. Als Billy Beane 2002 die Oakland Athletics mit einem der kleinsten Budgets der Major League Baseball zur erfolgreichsten Mannschaft der Liga machte, war „Moneyball“ zunächst ein Baseball-Phänomen. Zwanzig Jahre später hat das Prinzip den Fußball erreicht — und verändert ihn grundlegend. Vereine wie Brentford, Brighton und der FC Midtjylland beweisen, dass datenbasierte Transferstrategien auch im Sport mit dem runden Ball funktionieren.
Der globale Markt für Sportanalyse wächst laut Straits Research von 4,8 Milliarden Dollar auf prognostizierte 41 Milliarden bis 2033 — ein Wachstum, das zu einem erheblichen Teil durch die Digitalisierung von Transferentscheidungen getrieben wird. Die Idee ist einfach: Marktineffizienzen identifizieren, unterbewertete Spieler finden und sie zu einem Bruchteil des Preises verpflichten, den etablierte Vereine für vergleichbare Qualität bezahlen.
Dieser Artikel erklärt das Moneyball-Prinzip im Fußball, stellt die erfolgreichsten Beispiele aus Europa vor und beleuchtet die Grenzen eines Ansatzes, der Intuition durch Algorithmen ergänzt — und manchmal ersetzt.
Das Moneyball-Prinzip: Marktineffizienzen nutzen
Das Moneyball-Prinzip basiert auf einer Grundannahme: Der Transfermarkt im Fußball ist ineffizient. Spieler werden systematisch über- oder unterbewertet, weil traditionelle Bewertungen auf subjektiven Eindrücken, Reputation und sichtbaren Metriken wie Toren und Assists beruhen — während versteckte Qualitäten, die sich nur in fortgeschrittenen Daten zeigen, ignoriert werden.
Ein Beispiel: Ein Stürmer mit 15 Toren in einer Saison wird höher bewertet als einer mit 10 Toren, obwohl der zweite möglicherweise einen höheren xG-Wert hat — er kreiert also mehr und bessere Chancen, verwandelt sie aber seltener. Die Daten zeigen, dass die Abschlussqualität über eine Saison stärker schwankt als die Chancenqualität: Der Stürmer mit dem besseren xG wird langfristig wahrscheinlich mehr Tore erzielen, weil seine Chancenproduktion nachhaltiger ist. Wer diesen Zusammenhang versteht, kann den unterbewerteten Spieler identifizieren und für weniger Geld verpflichten.
Die Marktineffizienz im Fußball hat mehrere Quellen. Erstens: Reputation. Spieler aus großen Ligen und bekannten Vereinen werden teurer bewertet als solche aus kleineren Ligen — auch wenn die Leistungsdaten vergleichbar sind. Ein Mittelfeldspieler aus der belgischen oder österreichischen Liga kann auf Basis seiner Metriken genauso gut sein wie einer aus der Premier League, kostet aber ein Zehntel. Zweitens: Alter. Der Markt überbewertet junge Spieler unter 23 Jahren wegen ihres Entwicklungspotenzials und unterbewertet Spieler über 28, die ihre beste Phase möglicherweise noch vor sich haben. Drittens: Positionsbewertung. Stürmer und offensive Mittelfeldspieler werden systematisch teurer bewertet als Verteidiger und Sechser, obwohl deren Beitrag zum Teamerfolg ebenso groß sein kann.
Der Moneyball-Ansatz nutzt diese Ineffizienzen, indem er Transferentscheidungen auf Daten statt auf Bauchgefühl stützt. Der Prozess ist systematisch: Anforderungsprofil definieren, Datenbank filtern, Kandidaten bewerten und erst dann den Preis verhandeln — nicht umgekehrt. Im Kern geht es darum, den Spieler zu finden, der den größten sportlichen Mehrwert pro investiertem Euro liefert. Vereine, die diesen Ansatz konsequent verfolgen, bauen sich über mehrere Transferfenster einen systematischen Vorteil auf — nicht in einem einzelnen Transfer, sondern in der Summe aller Entscheidungen über Jahre hinweg.
Erfolgsbeispiele: Brentford, Brighton und Co.
Brentford FC ist das europäische Paradebeispiel für datenbasierte Transferarbeit. Der Londoner Verein, der 2021 in die Premier League aufstieg, baute sein Transfermodell auf der Arbeit des dänischen Statistikers Rasmus Ankersen auf. Das Prinzip: Spieler aus kleineren Ligen identifizieren, die in den Daten überdurchschnittliche Werte aufweisen, sie günstig verpflichten und nach ein bis zwei Saisons mit Gewinn weiterverkaufen. Transfers wie Ivan Toney (für 5 Millionen Pfund gekauft, für das Dreifache weiterverkauft) und Ollie Watkins (ähnliches Muster) finanzierten den Aufstieg und den Verbleib in der ersten Liga.
Brighton & Hove Albion hat den Moneyball-Ansatz auf ein höheres Niveau gebracht. Der Verein investierte massiv in seine Datenabteilung und entwickelte eigene Modelle zur Spielerbewertung. Transfers wie Moisés Caicedo (für 4,5 Millionen Euro gekauft, für über 100 Millionen an Chelsea verkauft) und Alexis Mac Allister (für 7 Millionen gekauft, für 35 Millionen an Liverpool verkauft) zeigen, dass datenbasiertes Scouting nicht nur funktioniert, sondern spektakuläre Renditen erzielen kann.
In der Bundesliga nutzen 12 von 18 Erstligisten SAP Sports One für Spielermanagement und Scouting. Markus Pilawa, Head of Scouting beim FC Bayern München, beschrieb die Ergebnisse der GenAI-gestützten Spielersuche als qualitativ hochwertig und erwartete eine erhebliche Zeitersparnis — gerade in der hektischen Transferperiode könne dies ein zusätzlicher Vorteil sein. Auch der SC Freiburg gilt als Beispiel für intelligente Transferarbeit in der Bundesliga: Jahrelang wurden Spieler aus der 2. Bundesliga, aus Frankreich oder Österreich identifiziert, die unter dem Radar der großen Vereine flogen und in Freiburg zu Leistungsträgern wurden.
Daten vs. Intuition: Wo liegen die Grenzen?
Der Moneyball-Ansatz hat Grenzen, die seine Befürworter nicht immer betonen. Die offensichtlichste: Daten erfassen nicht alles. Charakter, Mentalität, Anpassungsfähigkeit an eine neue Liga, Sprachkenntnisse, Umgang mit Druck — diese Faktoren entscheiden oft über Erfolg oder Scheitern eines Transfers und sind in keiner Datenbank messbar.
Ein zweiter Grenzbereich betrifft die Stichprobengröße. Spieler aus kleineren Ligen haben oft weniger dokumentierte Spiele, niedrigere Datenqualität und spielen gegen schwächere Gegner. Die Übertragbarkeit von Leistungsdaten aus der belgischen oder dänischen Liga auf die Bundesliga oder Premier League ist nicht garantiert — taktische Anforderungen, Spielgeschwindigkeit und physische Intensität unterscheiden sich erheblich.
Drittens: Der Markt lernt. Was vor zehn Jahren eine Ineffizienz war, ist heute möglicherweise keine mehr. Wenn alle Vereine mit denselben Daten arbeiten und dieselben Spieler identifizieren, verschwinden die Preisvorteile. Die erfolgreichsten Moneyball-Vereine sind deshalb diejenigen, die nicht nur dieselben Daten besser nutzen, sondern auch eigene Datenquellen und Modelle entwickeln, die der Konkurrenz nicht zur Verfügung stehen.
Die beste Transferstrategie kombiniert beides: Daten als Filter, Intuition als Prüfstein. Die Daten identifizieren die Kandidaten, die Scouts und Trainer bewerten den Menschen hinter den Zahlen. Kein erfolgreicher Moneyball-Verein arbeitet ohne Scouts — aber kein erfolgreicher Verein arbeitet mehr ohne Daten. Die Zukunft liegt nicht in der Wahl zwischen Algorithmus und Auge, sondern in ihrer Synthese. Die Vereine, die beides am besten integrieren, werden den Transfermarkt der nächsten Dekade dominieren.
Fazit
Moneyball im Fußball ist kein Hype — es ist eine bewährte Strategie, die Vereinen mit kleineren Budgets ermöglicht, auf dem Transfermarkt mit den Großen zu konkurrieren. Das Prinzip ist zeitlos: Marktineffizienzen finden, unterbewertete Spieler identifizieren, datenbasiert entscheiden. Der Algorithmus auf dem Transfermarkt hat den Fußball nicht revolutioniert — aber er hat die Spielregeln verändert.
Die Beispiele Brentford, Brighton und Freiburg zeigen, dass der Ansatz funktioniert — über Jahre und über verschiedene Ligen hinweg. Die Grenzen zeigen, dass er nicht allein funktioniert. Wer Moneyball versteht, versteht den modernen Transfermarkt — und weiß, warum der nächste Rekordtransfer vielleicht nicht der beste ist.
Quellen
- SAP News Germany (2024): Spielersuche mit künstlicher Intelligenz — Pilawa-Zitat. news.sap.com
- Straits Research (2024): Sports Analytics Market Report. straitsresearch.com