The FIFA World Cup 2026 Master Dataset: A Normalized 3NF Relational Benchmark of the Expanded 48-Team International Football Tournament

Fußball war lange Zeit ein Spiel der Leidenschaft und des Instinkts, doch in den letzten Jahrzehnten hat eine stille Revolution den Sport in eine Wissenschaft verwandelt. Analysten und Trainer verlassen sich heute auf riesige Mengen strukturierter Informationen, um zu verstehen, was auf dem Spielfeld geschieht, wobei sie über einfache Ergebnisse hinausgehen, um jeden Pass, jeden Schuss und jede Auswechslung zu verfolgen. Dieses Feld, bekannt als Sportanalyse, versucht, Muster im Chaos eines Spiels zu finden, indem es Daten nutzt, um zu erklären, warum ein Team gewonnen oder verloren hat, wie ein Spieler performte und was als Nächstes passieren könnte. Während kommerzielle Unternehmen oft die detailliertesten Datensätze hinter Paywalls halten, benötigt die wissenschaftliche Gemeinschaft seit langem offene, zuverlässige Datensätze, um neue Ideen zu testen und unser Verständnis des Spiels zu verbessern. Die Herausforderung bestand bisher darin, dass verfügbare öffentliche Daten oft unordentlich, nicht miteinander verknüpft oder es fehlen die spezifischen Details, die für eine tiefgehende Studie notwendig sind, wie etwa der genaue Standort eines Stadions oder der präzise Marktwert eines Spielers.

Im Sommer 2026 adressierte ein Forscher namens MD Mominul Islam von der Shahjalal University of Science and Technology in Bangladesch diese Lücke, indem er eine umfassende digitale Aufzeichnung der FIFA Weltmeisterschaft erstellte. Dieses Turnier war ein historisches Ereignis, das sich von 32 auf 48 Nationalmannschaften erweiterte und 104 Spiele in 16 Austragungsorten in Kanada, Mexiko und den Vereinigten Staaten umfasste. Das Finalspiel sah, wie Spanien Argentinien mit 1:0 besiegte, aber die wahre Bedeutung des Ereignisses für die Datenwissenschaft liegt im schieren Volumen der generierten Aktivitäten. Der Forscher kompilierte Informationen im Verlauf des 39-tägigen Turniers und sammelte Details zu jedem einzelnen Spiel, den 48 qualifizierten Teams und den 1.248 registrierten Spielern. Das Ergebnis ist eine massive, organisierte Sammlung von Fakten, die biometrische Daten der Spieler, die Geografie der Austragungsorte und Spielereignisse in einem einzigen, kohärenten System verknüpft.

Der Kern der Leistung dieser Arbeit ist die Erstellung einer „normalisierten“ Datenbank, was eine spezifische Art der Informationsorganisation ist, bei der jeder Datenpunkt einen eindeutigen Platz hat und logisch mit allem anderen verbunden ist. Anstatt vereinzelter Tabellenkalkulationen zu verwenden, in denen Informationen wiederholt oder widersprüchlich sein könnten, baute der Forscher ein System mit 12 distinkten Tabellen, die wie ein Puzzle zusammenpassen. Eine Tabelle enthält die Details der 16 Stadien, einschließlich ihrer Kapazität und entscheidenderweise ihrer Höhe über dem Meeresspiegel, was beeinflussen kann, wie Spieler atmen und performen. Eine weitere Tabelle verfolgt die 1.248 Spieler und zeichnet deren Größe, Geburtsdatum, internationale Erfahrung und ihren geschätzten Marktwert in Euro auf. Ein dritter Satz von Tabellen erfasst die 104 Spiele selbst und verknüpft diese mit den spezifischen Schiedsrichtern, den beteiligten Teams und den Endständen. Diese Struktur ermöglicht es einem Forscher, komplexe Fragen zu stellen, wie etwa, wie die Höhe eines Stadions in Mexiko-Stadt die Leistung eines Teams aus einer Küstenregion beeinflusste, ohne dass er Dutzende verschiedener Dateien manuell abgleichen muss.

Was diesen Datensatz besonders wertvoll macht, ist die Einbeziehung von Metriken, die in freien öffentlichen Daten oft fehlen. Die Sammlung enthält „Expected Goals“ (erwartete Tore), ein statistisches Maß, das die Wahrscheinlichkeit schätzt, mit der ein Schuss zu einem Tor wird, basierend darauf, von wo aus der Schuss abgegeben wurde und unter welchem Winkel. Sie bietet zudem minutengenaue Aufzeichnungen darüber, wer spielte, wann jemand ausgewechselt wurde und wie lange die Person auf dem Feld blieb. Für jedes Spiel bietet der Datensatz eine Zusammenfassung der Teamtaktik, wie etwa, wie viel Zeit ein Team den Ball kontrollierte und wie viele Schüsse sie abgaben. Darüber hinaus fügte der Forscher vorberechnete Merkmale hinzu, die darauf ausgelegt sind, Computern das Lernen aus den Daten zu erleichtern, was es anderen ermöglicht, Modelle zu bauen, die Spielergebnisse vorhersagen können. Die Daten decken das gesamte Turnier ab, von den ersten Gruppenspielen bis zum Finale, und erfassen so den gesamten Bogen des Wettbewerbs.

Um sicherzustellen, dass die Informationen vertrauenswürdig waren, hat der Forscher die Zahlen nicht einfach aus dem Internet kopiert. Er baute ein automatisiertes System auf, um die Daten gegen offizielle Berichte der FIFA und anderer autoritativer Quellen zu prüfen. Dieser Prozess beinhaltete das Durchlaufen einer Serie von neun verschiedenen Tests, um zu verifizieren, dass die Zahlen Sinn ergaben, ergänzt durch eine manuelle Stichprobenkontrolle von 30 Spielen. Beispielsweise prüfte das System, ob die Gesamtzahl der Teams und Spieler mit dem offiziellen Zähler übereinstimmte, dass kein Spiel einen Spielstand ohne entsprechenden Status hatte und dass die Summe der von einem Spieler erzielten Tore in den detaillierten Ereignisprotokollen mit seinen Gesamttoren in der Spielerstatistik übereinstimmte. Dieser rigorose Verifizierungsprozess bestätigte, dass die Daten mit einem sehr hohen Grad an Genauigkeit korrekt waren, mit einer empirischen Genauigkeitsrate von 99,87 Prozent.

Die in dieser Arbeit präsentierten Erkenntnisse sind nicht nur eine Liste von Ergebnissen, sondern eine verifizierte Grundlage für zukünftige Entdeckungen. Die Daten zeigen eine starke Verbindung zwischen den generierten Expected Goals eines Teams und den tatsächlich erzielten Toren auf, was belegt, dass die statistischen Modelle zur Leistungsprüfung eng mit der Realität übereinstimmen. Sie verdeutlichen zudem die wirtschaftlichen Disparitäten zwischen den Nationen, indem sie den Gesamtmarktwert der Kader der besten 15 qualifizierten Teams aufzeigen. Obwohl der Datensatz aufgrund von Lizenzbeschränkungen keine hochgeschwindigkeitsbasierte, sekundengenaue Verfolgung jeder Spielerbewegung enthält, bietet er ein Detailniveau, das für Open-Access-Ressourcen selten ist. Er erfasst die physischen Bedingungen des Turniers, die taktischen Entscheidungen der Trainer und die individuellen Beiträge jedes Spielers in einem Format, das bereit für die Analyse ist.

Dieser Datensatz steht nun jedem Interessierten für Sportwissenschaften zur Verfügung, bereitgestellt in Formaten, die mit Standard-Datenbanksoftware und Machine-Learning-Tools verwendet werden können. Er dient als Benchmark für Forscher, die untersuchen wollen, wie die Erweiterung eines Turniers das Spiel beeinflusst, wie unterschiedliche Umgebungen die Leistung der Spieler beeinflussen oder wie man bessere Modelle zur Vorhersage der Zukunft des Fußballs baut. Durch die Bereitstellung dieser Informationen als offen und zuverlässig entfernt die Arbeit eine signifikante Barriere für Wissenschaftler und Analysten und ermöglicht es ihnen, sich auf die Entdeckung statt auf die Datenbereinigung zu konzentrieren. Das Ergebnis ist ein klares, konkretes Protokoll eines der populärsten Sportereignisse der Welt, bewahrt in einer Weise, die es ermöglicht, die Geschichte der Weltmeisterschaft 2026 nicht nur durch Highlights und Schlagzeilen, sondern durch die präzisen, miteinander verknüpften Fakten des Spiels selbst zu erzählen.