Fakten statt Bauchgefühl? Mit gezielter Datenanalyse und einer smarten Strategie sollen die Chancen auf den Sieg im Fussballtippspiel maximiert werden. Der Plan: Ein Dashboard in Power BI erstellen, die Quoten verschiedener Wettbüros sammeln, die Spielausgangswahrscheinlichkeiten berechnen und schlussendlich daraus die richtigen Resultate tippen.
Bevor es mit dem Projekt losgeht, erstelle ich in einem ersten Schritt ein Diagramm, um meinen Vorgehensplan zu skizzieren.
Danach entwerfe ich ein mögliches Layout für das Dashboard. Dieser Schritt wird mir später die Arbeit in Power BI erleichtern.
Nun mache ich mich online auf die Suche nach Datenquellen. Nach ein bisschen Googeln werde ich schnell fündig. Auf der Website The Sports DB findet man eine riesige, offene und gemeinschaftsbasierte Sportdatenbank. Es besteht die Möglichkeit, eine kostenlose API (Application Programming Interface) oder eine kostenpflichtige API mit erweiterten Abfragemöglichkeiten zu nutzen. Diese Schnittstelle ist notwendig, damit das Dashboard in Power BI mit der Datenbank kommunizieren kann. Die nötigen Daten der Wettbüros finde ich gesammelt hier: Sports Odds API | The Odds API. Beide Seiten bieten eine sehr gute API-Dokumentation mit Endpunkten, Parametern und Beispielanfragen. Die Daten werden im textbasierten JSON (JavaScript Object Notation) Format für die strukturierte Datenübertragung bereitgestellt.
Bei der Registrierung auf der Website von The Odds API erhältst du einen persönlichen und eindeutigen API KEY, der am Ende der URL angefügt werden kann.
In einem vierten Schritt geht es in Power BI Desktop los. Es gibt zwei Möglichkeiten, die Daten in Power BI zu laden.
1. Import direkt über das Web mit der URL.
Eine detaillierte Anleitung dazu findest du hier: Power BI – REST API & JSON als Datenquelle
2. Import mit Excel File:
- API-Abfrage über die URL im Browser durchführen.
- Tipp: JSON-Datei mithilfe eines gratis Online-Tools wie JSON to EXCEL Converter in eine Excel-Datei umwandeln und speichern.
- Excel-Tabelle über „Daten abrufen“ in Power BI importieren.
Da es bei beiden Anbietern nur eine begrenzte Anzahl an kostenlosen API-Calls pro Monat gibt, entscheide ich mich für die zweite Variante. Beim Import in Power BI Desktop können die Daten nötigenfalls in Power Query noch bearbeitet werden. So lade ich alle gewünschten Dateien ins Projekt und erstelle als nächstes das Modell nach dem Sternschema mit einer Fakten- und mehreren Dimensionstabellen. Das Sternschema ist besonders vorteilhaft, da es eine klare und effiziente Struktur der Datenmodelle bietet. Faktentabellen enthalten Werte wie Umsätze, Mengen oder in diesem Beispiel Quoten, während Dimensionstabellen Daten von Kunden, Produkten oder in diesem Fall Daten und Teams enthalten. Dank dieser Trennung ist das Modell gut verständlich. Abfragen und Berechnungen werden schnell ausgeführt und nach dem Erstellen von Verbindungen in der Model View in Power BI Desktop können die Daten später flexibel gefiltert werden:
Mehr zum Thema Sternschema findest du hier: Informationen zum Sternschema und der Wichtigkeit für Power BI – Power BI | Microsoft Learn
Als nächstes wird das Dashboard erstellt. Damit ich alle Visualisierungen und KPI’s (Key Performance Indicators) anzeigen kann, benötige ich einige Measures (dynamisch berechnete Kennzahlen), die ich mit der Formelsprache DAX (Data Analysis Expressions) erstelle. Dabei brauche ich Measures für die Quoten (berechne den Durchschnitt der Quoten der verschiedenen Wettbüros) und die Berechnung der Spielausgangswahrscheinlichkeiten für das Heim- und Auswärtsteam sowie ein mögliches Unentschieden. Die mathematischen Formeln sehen wie folgt aus:
Wettbüros berechnen die Quoten für Fussballspiele, indem sie die Wahrscheinlichkeiten der möglichen Ergebnisse (z.B. Sieg, Unentschieden, Niederlage) analysieren. Dabei berücksichtigen sie Faktoren wie Teamstatistiken, Spielerform, Verletzungen, historische Ergebnisse und aktuelle Nachrichten. Zusätzlich ist bei der Berechnung der Quote noch eine Gewinnmarge eingerechnet.
Mit der folgenden Berechnung wird die Wahrscheinlichkeit normalisiert und die Gewinnmarge herausgerechnet.
In DAX sieht die Berechnung für das Beispiel «Gewinnwahrscheinlichkeit Auswärtsteam» wie folgt aus:
Nachdem alle Measures, KPIs, Visuals und Filter erstellt wurden, geht es weiter mit dem Design. Um das Dashboard ansprechender zu gestalten, wende ich einen Trick an und designe das Layout nicht in Power BI sondern in PowerPoint. Dieser Schritt ist auch mit jedem anderen Grafikprogramm möglich (z.B. Adobe Photoshop, Figma, etc.). Eine grossartige Anleitung dazu findest du hier: Build THIS! Report DESIGN in Power BI | FULL TUTORIAL.
Das in PowerPoint erstellte und als JPEG-Datei gespeicherte Design wird im Canvas in Power BI als Hintergrund ausgewählt. Zudem werden die Hintergründe aller KPIs und Visuals unsichtbar gemacht.
Das Endergebnis sieht wie folgt aus:
Fazit
Habe ich nun im Tippspiel gewonnen? Leider nein! Die datengestützten Entscheidungen der siegreichen Teams waren oft korrekt, doch die genauen Ergebnisse konnte ich mit meinem Lösungsansatz und Selbstversuch nicht präzise vorhersagen. Im Sport spielen zu viele andere Faktoren eine wichtige Rolle. Obwohl es mit Hilfe von KI, beispielsweise durch den Einsatz neuronaler Netzwerke zur Modellierung von Fussballergebnissen, immer mehr Möglichkeiten gibt, präzise Vorhersagen zu treffen, bleibt dies ein herausforderndes Unterfangen. Doch das ist ein Thema für einen anderen Blog-Beitrag.
Fakt ist: Bei der Umsetzung eines solchen Projekts lernst du viele Techniken und Werkzeuge aus der Welt der Business Intelligence kennen und hast dabei jede Menge Spass. Zudem steht die nächste Fußball-EURO kurz bevor!
