プロサッカーにおける試合前の戦術的意思決定は、主観的な専門家分析やチームIDに基づくスカウティングシステムに大きく依存しており、未知のチームには汎化できません。この問題に対処するため、Mouad ZemzoumiとAmine Abouaomarは、チームに依存しないイベントベースの試合前戦術推奨フレームワーク「Sim2Win」を提案しました。このフレームワークは、試合結果予測を戦術意思決定支援問題として再定義し、チーム名やID特徴を一切使用せずに行動戦術表現を用いることで、未知のチームへの汎化を可能にします。
Sim2Winは、StatsBombが提供する公開イベントデータを使用します。このデータは11の大会、178チーム、1411のチーム-試合記録をカバーしています。システムはまず、直近5試合のデータに基づくローリング戦術プロファイルを構築し、チームの戦術状態を動的に捉えます。次に、4つの解釈可能な戦術特徴量比率を設計し、攻撃と守備の行動をさまざまな角度から定量化します。その後、K-Meansクラスタリングを用いて178チームの行動を8つのプレースタイル（例えば、ハイプレス、ポゼッション、カウンターアタックなど）に分類します。最後に、13種類の分類器（ロジスティック回帰、ランダムフォレスト、勾配ブースティング、ニューラルネットワークなど）を訓練し、各試合の勝ち、引き分け、負けの確率を推定します。
Sim2Winの最大の利点は、チームに依存しない点です。チーム名やID特徴を一切使用しないため、訓練時に一度も見たことのないチームに対しても予測が可能です。この能力を検証するため、研究者はLeave-One-Competition-Out（LOCO）評価を実施しました。各評価では、1つの大会のデータで訓練し、別の完全に独立した大会でテストしました。実験結果によると、Sim2Winは完全に未知のチームに対して平均ROC-AUC 0.704、平均精度55.4%を達成し、21のROC-AUC比較すべてと21の精度比較のうち19でELO、Pi-Rating、GAPベースラインを上回りました。評価されたすべてのモデルの中で、CatBoostが分布内で最高の性能（精度60.90%）を示しました。
これらの発見は、行動戦術表現が分布シフト下で転移可能な予測シグナルを提供し、ID依存のサッカー予測システムに代わる実行可能な選択肢であることを示唆しています。Sim2Winの成功は、サッカーの戦術分析がよりデータ駆動型で客観的になり、主観的な判断やチームIDの事前知識への依存を減らせる可能性を示しています。将来的には、このフレームワークが実際の試合前意思決定支援システムに統合され、コーチやアナリストがより合理的な戦術を立案するのに役立つことが期待されます。