Кирилл Серых

Понял, спасибо. Судя по всему, если Вы используете данные от разных провайдеров, то берёте сагрегированные данные по матчам и строите свою модель лишь по ним? И повторюсь, контекст происходившего каждой из игр хотя бы из ивент-данных никак не учитываете? Удивляет наличие спортса - если это не опечатка и не какой-то иной провайдер, то у любого из перечисленного Вами провайдеров даже агрегированные данные более разнообразные, чем у этого сайта. Как-то учитываете разные определения разных событий у разных провайдеров? Если что - я не докапываюсь, а пытаюсь понять и узнать, чем располагает ЦСКА и как это делаете Вы.

Берите Python: numpy, pandas, scikit-learn, scipy (если вдруг найдете много трекинга, то может быть и tensorflow для нейросетей понадобится) + визуализация на matplotlib, seaborn, plotly. Неплохие дэшборды строятся в dash.
Футбольные библиотеки в Python - socceraction и kloppy, там и бесплатные данные есть для анализа. Последние 2,5 года работаю во всем этом для футбольных данных, и в 99 процентах задач Python’a хватало. Остальной 1 процент - визуализации из d3 в JS.
Кто-то больше любит R, но это на любителя.

Тимофей, спасибо за статью!
Скажите, а вы как-то используете этот рейтинг в своей работе или же это больше проект по фану и чисто для себя? Если это как-либо используется в работе, то даже сходу по методологии очень много вопросов: почему среднее арифметическое, почему нет нормализации по всем данным, как выбраны метрики - смотрели ли банально на корреляцию между ними, учитываете ли хоть как-то контекст игры (хотя если данные взяты с fbref, то это немного сложнее сделать)?
Если фан - то вопросов нет :)