Interpretable ensemble machine learning identifies player-specific performance indicators in elite tennis

In der Welt des Elite-Sports ist die Leistungsanalyse die Kunst, das Chaos eines Spiels in klare Belege zu verwandeln. Trainer und Wissenschaftler beobachten Spiele nicht nur, um zu sehen, wer gewonnen hat, sondern um zu verstehen, wie der Sieg aufgebaut wurde. Sie zerlegen ein Spiel in tausende winzige Momente: einen Aufschlag, eine Rückkehr, einen Fußtritt, einen Fehler. Das Ziel ist es, herauszufinden, welcher dieser Momente tatsächlich am wichtigsten ist. Ein einzelner Wert oder ein einfacher Durchschnitt kann jedoch irreführend sein. Nur weil ein Spieler viele Gewinner schlägt, bedeutet das nicht, dass diese spezifische Aktion den Sieg verursacht hat; manchmal ist der wichtigste Faktor etwas Subtiles, das sich erst offenbart, wenn man das Gesamtbild betrachtet. Hier setzt die moderne Informatik an. Anstatt sich auf eine einzige Denkweise zu verlassen, können Forscher nun viele verschiedene Computerprogramme gleichzeitig nutzen. Diese Programme agieren wie ein Team von Experten, von denen jeder eine leicht andere Sichtweise auf die Daten hat. Indem sie auf alle hören, statt nur auf die lauteste Stimme, können Analysten Muster finden, die eine einzelne Methode übersehen würde. Dieser Ansatz wird in Sportarten wie Tennis immer wichtiger, in denen der Unterschied zwischen Sieg und Niederlage oft in den Details verborgen liegt.

Ein Forschungsteam der Wuhan Sports University und der Wuhan University wandte dieses teamorientierte Denken auf die Karriere von Novak Djokovic an, einem der größten Tennisspieler der Geschichte. Sie wollten genau wissen, welche technischen Fähigkeiten und taktischen Entscheidungen die stärksten Treiber seines Erfolgs beim Gewinnen eines Satzes waren. Zu diesem Zweck sammelten sie eine enorme Menge an Daten aus 239 auf Hartplätzen bei großen Grand-Slam-Turnieren zwischen 2019 und 2025. Sie verfolgten vierunddreißig verschiedene Indikatoren für jeden Satz, die von offensichtlichen Dingen wie der Anzahl der Doppelfehler bis hin zu spezifischeren Details wie der Geschwindigkeit eines Rückhandschlags oder der Anzahl der Male, in denen ein Spieler ans Netz stürmte, reichten. Die Forscher teilten diese Daten in zwei Gruppen auf. Sie nutzten die älteren Daten von 2019 bis 2024, um zwölf verschiedene Computer-Algorithmen zu trainieren, um den Ausgang eines Satzes vorherzusagen. Dann testeten sie diese Programme an einer neuen, ungesehenen Gruppe von vierzig Sätzen aus dem Jahr 2025, um zu sehen, ob die gelernten Lektionen in der realen Welt Bestand haben.

Die Forscher wählten nicht einfach das einzige beste Computerprogramm aus. Stattdessen testeten sie jede mögliche Kombination der zwölf Algorithmen und erstellten so tausende verschiedene „Teams“ oder Ensembles. Sie fanden heraus, dass das genaueste Team nicht eine riesige Gruppe aller zwölf war, sondern ein spezifisches Vier-Modell-Ensemble. Diese ausgewählte Gruppe von vier Programmen arbeitete zusammen, um mit bemerkenswerter Präzision vorherzusagen, ob Djokovic einen Satz gewinnen oder verlieren würde, und erreichte eine Genauigkeit von 90 Prozent bei den neuen Daten aus dem Jahr 2025. Als das Team untersuchte, was diese Programme gelernt hatten, stellten sie fest, dass die wichtigsten Faktoren genau das waren, was Experten schon lange vermutet hatten. Die Fähigkeit, den Aufschlag des Gegners zu brechen, die Gesamtzahl der gewonnenen Punkte und die Kontrolle der Unforced Errors waren die wichtigsten Treiber des Erfolgs. Diese Ergebnisse bestätigten, dass die Computermodelle keine Dinge erfanden; sie stellten die etablierten Wahrheiten des Spiels wieder her.

Der wahre Wert dieser Studie zeigte sich jedoch, als die Forscher nach den Dingen suchten, die ein einzelnes Computerprogramm vielleicht ignoriert hätte. Als sie jedes der zwölf einzelnen Programme fragten, die Bedeutung der vierunddreißig Indikatoren zu bewerten, stellten sie eine überraschende Uneinigkeit fest. Ein spezifischer Indikator, die Anzahl der Rückhands-Returns, wurde vom kombinierten Team als ein Top-Fünf-Faktor eingestuft, tauchte jedoch in den Top fünf nur bei drei der zwölf einzelnen Programme auf. Hätten die Forscher sich einfach für das leistungsstärkste Einzelprogramm entschieden, hätten sie dieses Signal möglicherweise völlig übersehen. Der kombinierte Ansatz enthüllte, dass die Häufigkeit der Rückhands-Returns ein subtiler, aber konsistenter Marker für den Erfolg Djokovics war – ein Muster, das für einen einzelnen Algorithmus allein zu leise war, um es zu hören.

Die Studie klärte auch, wie diese Muster funktionieren. Die Forscher zeigten, dass es mit einer höheren Wahrscheinlichkeit mit dem Gewinn des Satzes assoziiert war, wenn Djokovic mehr Rückhands-Returns spielte. Sie visualisierten diese Beziehung und fanden heraus, dass der positive Effekt deutlicher wurde, wenn die Anzahl der Rückhands-Returns in einem Satz etwa zweiundzwanzig erreichte. Es ist wichtig zu beachten, dass diese Zahl kein magisches Ziel oder eine Regel ist, die jeder Spieler befolgen muss. Sie ist lediglich eine Beschreibung dessen, was in diesen spezifischen Matches geschah. Die Forscher erklärten sorgfältig, dass sie nicht sagen konnten, warum dies geschah. Es könnte sein, dass die Gegner mehr auf seine Rückhand servierten, dass er mehr Gelegenheiten zum Return hatte oder dass sich die Länge der Ballwechsel seine Strategie veränderte. Die Daten zeigten eine Verbindung auf, bewiesen aber nicht die Ursache.

Diese Arbeit demonstriert eine neue Art, die sportliche Leistung zu untersuchen. Indem sie ein Team verschiedener Computermodelle verwenden und deren Antworten vergleichen, können Analysten das Rauschen vom Signal trennen. Sie können das bereits Bekannte, wie die Wichtigkeit des Aufschlagbrechens, bestätigen und gleichzeitig ein Licht auf leisere, spielerspezifische Gewohnheiten werfen, die sonst vielleicht übersehen würden. Die Studie behauptet nicht, dass diese Erkenntnisse für jeden Tennisspieler oder jede Oberfläche gelten. Die Ergebnisse sind spezifisch für Novak Djokovic und die auf Hartplätzen gespielten Matches während dieser Jahre. Dennoch ist die Methode selbst ein mächtiges Werkzeug. Sie bietet einen reproduzierbaren Weg, um wiederholte Leistungsdaten zu analysieren und sicherzustellen, dass die aus einem Spiel gezogenen Schlussfolgerungen auf einem breiten Konsens der Evidenz basieren und nicht auf der engen Sichtweise eines einzelnen Analysewerkzeugs. Für den neugierigen Beobachter legt es nahe, dass die wichtigsten Hinweise im komplexen Tanz des Elite-Sports oft nicht dadurch gefunden werden, dass man auf einen Experten hört, sondern indem man viele fragt.