在职业足球中，赛前的战术决策通常依赖于主观的专家分析和基于球队身份的侦察系统。这些方法在面对未知球队时往往难以适用，因为它们无法捕捉到球队之间共通的战术行为模式。针对这一局限性，Mouad Zemzoumi和Amine Abouaomar提出了一种创新的赛前战术推荐框架——Sim2Win。该框架完全摒弃了球队身份信息，转而利用事件数据进行行为战术表征，从而实现了对新球队的泛化能力。
Sim2Win系统使用了StatsBomb提供的公开事件数据，这些数据覆盖了11个不同的足球赛事、178支球队以及1411个球队-比赛记录。系统首先构建了滚动五场的战术画像，即基于最近五场比赛的数据来动态捕捉球队的战术状态。接着，它设计了四个可解释的战术特征比率，这些比率从不同维度刻画了球队的进攻与防守行为。随后，通过K-Means聚类算法，系统将178支球队的行为归纳为八种典型的比赛风格，例如高位压迫、控球渗透、快速反击等。最后，系统训练了十三种不同的分类器（包括逻辑回归、随机森林、梯度提升树、神经网络等）来估计每场比赛的胜、平、负概率。
Sim2Win的核心优势在于其团队无依赖性。系统完全不使用球队名称或其他身份特征，这使得它能够对训练过程中从未见过的球队进行预测。为了验证这一能力，研究者采用了严格的逐赛区交叉验证（Leave-One-Competition-Out, LOCO）方法。在每次验证中，系统在一个赛区的数据上进行训练，然后在另一个完全独立的赛区上进行测试。实验结果表明，Sim2Win在完全未知的球队上取得了平均ROC-AUC为0.704，平均准确率为55.4%的成绩。在所有21个ROC-AUC比较和19个准确率比较中，Sim2Win均优于ELO评分、Pi-Rating和GAP等传统基线方法。在所有评估的分类模型中，CatBoost（一种梯度提升算法）展现出了最强的分布内性能，准确率高达60.90%。
这些发现具有重要的理论和实践意义。它们表明，基于行为战术的表征能够在分布偏移的情况下提供可迁移的预测信号，从而为依赖身份的足球预测系统提供了一种可行的替代方案。Sim2Win的成功表明，足球战术分析可以更加数据驱动和客观，减少对主观判断和球队身份先验知识的依赖。未来，该框架有望被整合到实际的赛前决策支持系统中，帮助教练和分析师在比赛前做出更合理的战术安排。