Every year, football managers strive to build a squad that will maximize the likelihood of winning. However, predicting which players will be successful or not is a challenging task, especially for players who transfer to a new team. Furthermore, there is a challenge in evaluating players with a single comprehensive metric that reflects players’ overall skill level and potential. This thesis addresses these issues by introducing an innovative algorithm behind the metric Goalunit Skill Index and making team-aware player performance predictions through machine learning. Performance was predicted in terms of goals per 90 minutes, assists per 90 minutes, and the Goalunit Skill Index. The results from the study are promising, showing a strong correlation for all playing positions between the players’ Goalunit Skill Indexes and logarithmic market values, with Pearson and Spearman coefficients of 0.838 and 0.821, respectively. Discrepancies between market values and the Goalunit Skill Indexes were used to understand market distortions, showing most undervalued players are found among players between 18-22 years old and 33 years and above. While the deep learning models investigated in the study, ANN and LSTM, demonstrated slightly lower errors than Linear Regression and XGBoost when predicting future performance, the improvement was not statistically significant. However, the study shows with statistical significance that both team-aware input features and transfers impact model performance, which highlights limitations in the predictive accuracy and how it may be improved. Overall, the results from the study show that player performance predictions and the Goalunit Skill Index can serve as valuable tools for football managers to evaluate players and build more competitive teams.

Varje år försöker fotbollsledare bygga ett lag som maximerar chansen att vinna. Att förutspå vilka spelare som lyckas eller inte, är dock en stor utmaning, speciellt för spelare som byter lag. Vidare finns det en utmaning i att utvärdera spelare med ett enda heltäckande nyckeltal som mäter både nivå av skicklighet och potential. Denna uppsats behandlar dessa problem genom att introducera en ny innovativ algoritm bakom nyckeltalet Goalunit Skill Index och genom att göra lagmedvetna prognoser av spelarprestationer med maskininlärning. Spelarprestationer prognosticerades i form av mål per 90 minuter, assist per 90 minuter och Goalunit Skill Index. Resultaten från studien är lovande och visar på en stark korrelation för alla spelarpositioner mellan spelarnas Goalunit Skill Index och de logartimiska marknadsvärdena, med Pearson och Spearman koefficienter på 0.838 och 0.821. Avvikelser mellan marknadsvärden och Goalunit Skill Index användes för att analysera avvikelser i marknaden och visade på att flest undervärderade spelare fanns i åldersgruppen 18-22 samt 33 år och äldre. Djupinlärningsmodellerna som utvärderades i studien, LSTM och ANN, visade något lägre fel än linjär regression och XGBoost, men förbättringen var inte statistiskt signifikant. Studien visade dock, med statistisk signifikans, att spelarövergångar och lagmedvetna inmatningsvariabler till modellerna påverkar deras noggrannhet. Detta belyser begränsingar i modellernas noggranhet och hur de kan förbättras. Sammanfattningsvis visade resultatet från studien att prognoser för spelarprestationer och Goalunit Skill Index kan utgöra värdefulla verktyg för fotbollsledare för att utvärdera spelare och bygga mer konkurrenskraftiga lag.