在職業足球中，賽前的戰術決策通常依賴於主觀的專家分析和基於球隊身份的偵察系統。這些方法在面對未知球隊時往往難以適用，因為它們無法捕捉到球隊之間共通的戰術行為模式。針對這一侷限性，Mouad Zemzoumi和Amine Abouaomar提出了一種創新的賽前戰術推薦框架——Sim2Win。該框架完全摒棄了球隊身份資訊，轉而利用事件資料進行行為戰術表徵，從而實現了對新球隊的泛化能力。
Sim2Win系統使用了StatsBomb提供的公開事件資料，這些資料覆蓋了11個不同的足球賽事、178支球隊以及1411個球隊-比賽記錄。系統首先構建了滾動五場的戰術畫像，即基於最近五場比賽的資料來動態捕捉球隊的戰術狀態。接著，它設計了四個可解釋的戰術特徵比率，這些比率從不同維度刻畫了球隊的進攻與防守行為。隨後，透過K-Means聚類演算法，系統將178支球隊的行為歸納為八種典型的比賽風格，例如高位壓迫、控球滲透、快速反擊等。最後，系統訓練了十三種不同的分類器（包括邏輯迴歸、隨機森林、梯度提升樹、神經網路等）來估計每場比賽的勝、平、負機率。
Sim2Win的核心優勢在於其團隊無依賴性。系統完全不使用球隊名稱或其他身份特徵，這使得它能夠對訓練過程中從未見過的球隊進行預測。為了驗證這一能力，研究者採用了嚴格的逐賽區交叉驗證（Leave-One-Competition-Out, LOCO）方法。在每次驗證中，系統在一個賽區的資料上進行訓練，然後在另一個完全獨立的賽區上進行測試。實驗結果表明，Sim2Win在完全未知的球隊上取得了平均ROC-AUC為0.704，平均準確率為55.4%的成績。在所有21個ROC-AUC比較和19個準確率比較中，Sim2Win均優於ELO評分、Pi-Rating和GAP等傳統基線方法。在所有評估的分類模型中，CatBoost（一種梯度提升演算法）展現出了最強的分佈內效能，準確率高達60.90%。
這些發現具有重要的理論和實踐意義。它們表明，基於行為戰術的表徵能夠在分佈偏移的情況下提供可遷移的預測訊號，從而為依賴身份的足球預測系統提供了一種可行的替代方案。Sim2Win的成功表明，足球戰術分析可以更加資料驅動和客觀，減少對主觀判斷和球隊身份先驗知識的依賴。未來，該框架有望被整合到實際的賽前決策支援系統中，幫助教練和分析師在比賽前做出更合理的戰術安排。