Die im Fußball eingesetzten Modelle stützen sich auf vier Datenfamilien: die erwarteten Tore (xG), die aktuelle Form, die Spielkennzahlen (Ballbesitz, Schüsse, Zweikämpfe) und die Quoten des Marktes. Ihre Grenze ist struktureller Natur: Fußball ist ein torarmer Sport, und die Forschung zeigt, dass der Zufall umso stärker über den Ausgang mitentscheidet, je weniger entscheidende Ereignisse eine Sportart hervorbringt.
Was die Modelle im Fußball betrachten
Vier Datenfamilien tauchen in den auf den Fußball angewandten Arbeiten immer wieder auf. Keine davon ist der KI eigen: Was die Modelle beitragen, ist die Fähigkeit, sie in großem Umfang zu kombinieren.
| Familie | Was sie erfasst | Ihre Grenze |
|---|---|---|
| Erwartete Tore (xG) | Die Qualität der herausgespielten und zugelassenen Chancen | Sagt nichts über die tatsächliche Chancenverwertung eines Kaders |
| Aktuelle Form | Die Dynamik der letzten Spieltage | Abhängig vom Niveau der bisherigen Gegner |
| Spielkennzahlen | Ballbesitz, Schüsse, Zweikämpfe, Pressing | Unterschiedlich starker Zusammenhang mit dem Ergebnis |
| Marktquoten | Die von den Betreibern gebündelte Information | Macht das Modell abhängig von dem Konsens, den es bewerten soll |
Die letzte Zeile verdient besondere Aufmerksamkeit: Zahlreiche Arbeiten nutzen die Quoten als Eingangsvariable, weil sie eine Information verdichten, die sich anders kaum rekonstruieren lässt. Der Preis wird damit zugleich Vergleichspunkt und Modellinput, was die Aussagekraft einer Abweichung zwischen beiden begrenzt.
Diese Seite bleibt beim Fussball: xG, wenige Tore, das Gewicht des Unentschiedens. Den allgemeinen Rahmen der auf Prognosen angewandten KI, sportartenübergreifend, behandelt KI und Sportprognosen.
Was xG aussagt, und was nicht
Die erwarteten Tore schätzen die Wahrscheinlichkeit, dass aus einer Chance ein Tor wird, ausgehend von ihrer Position, ihrer Konstellation und dem Kontext der Aktion. Die Summe über ein Spiel ergibt ein Maß für die Offensiv- und Defensivleistung, unabhängig vom Endstand.
Ihr Hauptnutzen liegt darin, die Lesart eines Ergebnisses zu korrigieren. Eine Mannschaft, die 1:0 gewinnt mit 0,4 xG gegen 2,1, hat nicht dieselbe Leistung erbracht wie eine Mannschaft, die beim selben Resultat 2,3 gegen 0,5 verbucht.
Die Grenzen sind ebenso deutlich: xG ist ein über eine breite Historie gebildeter Durchschnitt, kennt die spezifische Abschlussqualität eines einzelnen Spielers nicht, und in einem einzelnen Spiel bleibt der Abstand zwischen erwarteten und erzielten Toren erheblich.
Warum sich Fußball der Modellierung entzieht
Fußball bringt wenige entscheidende Ereignisse hervor, was dem Zufall ein strukturelles Gewicht verleiht.
Die Übersichtsarbeit von Bunker und Susnjak, die mehr als zwei Jahrzehnte an Arbeiten zur Ergebnisvorhersage im Mannschaftssport zusammenfasst, ist in diesem Punkt eindeutig. Zwei im Text der Übersicht geprüfte Zahlenbefunde:
- Fußball ist die am häufigsten untersuchte Sportart des gesamten Korpus, und dennoch erreicht die beste erfasste Genauigkeit dort 78 %, womit er unter den verglichenen Sportarten nur auf dem fünften Platz liegt;
- Sportarten mit besseren Genauigkeitswerten, etwa Rugby Union, verdanken einen Teil dieses Abstands weniger ausgeglichenen Wettbewerben — die Übersicht betont, dass die Dichte der Konkurrenz mindestens so schwer wiegt wie die Sportart selbst.
Die Übersicht zitiert zudem Arbeiten, die schätzen, dass reiner Zufall in bis zu 18 % der Spiele einer Saison der ausschlaggebende Faktor für den Ausgang sein kann.
Diese Zahlen beziehen sich auf die Ergebnisvorhersage in einem Forschungsrahmen. Sie sind keine auf eine Wette übertragbare Trefferquote: Eine Wette misst sich an einer Quote und ihrer Marge, nicht an einem Prozentsatz richtiger Antworten.
Verantwortungsbewusstes Spielen — ein Modell beseitigt das Risiko nicht. Sportwetten bergen das Risiko finanzieller Verluste und weisen laut der französischen Glücksspielbehörde ANJ unter den regulierten Angeboten das höchste individuelle Risiko für problematisches Spielverhalten auf. Eine von einer KI erzeugte Zahl macht keine Wette risikofrei. Setze dir ein Budget, versuche nicht, Verluste zurückzuholen, und nutze die verfügbaren Limit- oder Selbstsperr-Werkzeuge. Mehr zum verantwortungsbewussten Spielen.
Der Sonderfall Unentschieden
Fußball ist eine der wenigen großen Sportarten mit einem dritten Ausgang, und dieser ist am schwersten zu modellieren.
Ein Unentschieden hat keine eigene statistische Signatur: Es entspricht weder einer Dominanz noch einem Ungleichgewicht, sondern einem Gleichstand, der aus sehr unterschiedlichen Konstellationen entstehen kann. Mehrere in der Literatur erfasste Arbeiten umgehen die Schwierigkeit denn auch, indem sie mit zwei statt drei Klassen arbeiten — eine Vereinfachung, die die ausgewiesene Genauigkeit mechanisch erhöht, ohne das Verständnis des Spiels zu verbessern.
Das ist ein praktischer Prüfpunkt beim Lesen einer von einem Werkzeug angezeigten Zahl: Eine Genauigkeit über zwei Ausgänge und eine Genauigkeit über drei Ausgänge sind nicht vergleichbar.
Was KI dem Fußball bringt — und was nicht
Drei Ebenen, die nie zu verwechseln sind.
- Was sie zu tun erlaubt — ganze Saisons an Daten verarbeiten, Kennzahlen von Spiel zu Spiel einheitlich vergleichen und laufend verfolgen, was die Quoten tun.
- Was sie zu schätzen erlaubt — eine Wahrscheinlichkeit je Ausgang, mit einer Fehlerspanne, die in einem torarmen Sport erheblich bleibt.
- Was sie nie zu schließen erlaubt — das Ergebnis eines Spiels, und noch weniger dessen exakten Endstand.
Diese Seite behandelt den Blickwinkel Daten und Modelle. Die menschliche Analysemethode für ein Fußballspiel — 1X2-Markt, Gewicht des Unentschiedens, Terminkalender — wird auf Fußballprognose behandelt, die tatsächlich von der Plattform verfolgten Märkte auf Fußballquoten.
Zurück zum Ratgeber KI und Sportwetten-Prognosen →
Zurück zum kompletten Ratgeber für Sportwetten-Prognosen →
Den Markt erkunden
Quotenbewegungen sind nur ein Teil der Geschichte. Hier sind die nächsten Themen zum Weiterlesen.
KI und Sportwetten-Prognosen
Was KI beim Lesen von Daten leistet und was sie nie in Gewissheit verwandelt.
Rolle der KI verstehenFußballprognose: wie man ein Spiel analysiert
1X2-Markt, Gewicht des Unentschiedens, Form und Terminkalender.
Fußball-Ratgeber ansehenFußballquoten: die von OddScore verfolgten Märkte
1X2, Über/Unter Tore und abgedeckte Wettbewerbe.
Märkte ansehenSportwetten-Prognosen: analysieren, bevor du wettest
Der komplette Ratgeber: Daten, Quoten, Zuverlässigkeit, Denkfehler und die Rolle der KI.
Ratgeber lesenHäufige Fragen
Kann ein KI-Modell ein exaktes Ergebnis vorhersagen?
Das ist kein realistisches Ziel. Ein Modell schätzt bestenfalls eine Verteilung möglicher Ergebnisse, in der selbst das wahrscheinlichste Ergebnis eine klare Minderheit bleibt.
Was ist xG und wozu dient es?
Die erwarteten Tore messen die Qualität der herausgespielten Chancen statt der erzielten Tore. Die Kennzahl hilft, eine solide Leistung von einem Resultat zu unterscheiden, das aus wenigen Gelegenheiten entstanden ist.
Warum ist Fußball schwer zu modellieren?
Weil er wenige entscheidende Ereignisse hervorbringt. Die Übersichtsarbeit von Bunker und Susnjak (2022) hält fest, dass torarme Sportarten einen höheren Zufallsanteil in ihren Ergebnissen aufweisen, was die Genauigkeit der Modelle mechanisch begrenzt.
Dienen die Quoten den Modellen als Eingangsdaten?
Häufig ja. Mehrere in der Literatur erfasste Arbeiten nutzen die Quoten als Variable, gerade weil sie eine große Menge an Information bündeln.
Liefert OddScore Prognosen?
Nein. OddScore vergleicht die Quoten mehrerer Buchmacher, rechnet die Marge heraus und verfolgt ihre Entwicklung. Die Plattform veröffentlicht keine Wettauswahl und gibt keine Wettempfehlungen.
Quellen & Methodik
Diese Seite stützt sich auf eine wissenschaftliche Übersichtsarbeit zur Ergebnisvorhersage im Mannschaftssport mit maschinellem Lernen, auf eine aktuelle systematische Übersicht zum Einsatz maschinellen Lernens bei Sportwetten sowie auf den französischen Regulierungsrahmen der Glücksspielbehörde ANJ.
- Die beobachteten Genauigkeiten so wiedergeben, wie die Übersichtsarbeit sie veröffentlicht, Sportart für Sportart.
- Die Genauigkeit eines akademischen Modells nie als eine auf eine Wette übertragbare Trefferquote darstellen.
- Die Schätzung einer Wahrscheinlichkeit von der Benennung eines Ausgangs unterscheiden.
- Noch nicht peer-reviewte Arbeiten als Preprints kennzeichnen.
- Bunker, R. & Susnjak, T. (2022). The Application of Machine Learning Techniques for Predicting Match Results in Team Sport: A Review. Journal of Artificial Intelligence Research, 73, 1285-1322.
- Galekwa, R. M., Tshimula, J. M., Tajeuna, E. G. & Kyandoghere, K. (2024). A Systematic Review of Machine Learning in Sports Betting: Techniques, Challenges, and Future Directions. Preprint arXiv 2410.21484 (nicht peer-reviewed).