Fußballmodelle stützen sich auf vier Arten von Daten: erwartete Tore (xG), aktuelle Form, Spielkennzahlen (Ballbesitz, Schüsse, Zweikämpfe) und die Quoten des Marktes. Die Grenze liegt im Sport selbst. Es fallen wenige Tore, und die Forschung zeigt: Je weniger entscheidende Ereignisse eine Sportart hat, desto mehr entscheidet der Zufall über den Ausgang.
Was Modelle im Fußball anschauen
In der Forschung zum Fußball tauchen immer dieselben vier Datenarten auf. Keine davon hat die KI erfunden. Neu ist, dass Modelle sie über riesige Datenmengen hinweg verknüpfen können.
| Datenart | Was sie erfasst | Wo sie an Grenzen stößt |
|---|---|---|
| Erwartete Tore (xG) | Wie gut die herausgespielten und zugelassenen Chancen waren | Sagt nichts über die Abschlussstärke eines bestimmten Kaders |
| Aktuelle Form | Die Entwicklung über die letzten Spieltage | Hängt davon ab, wie stark die bisherigen Gegner waren |
| Spielkennzahlen | Ballbesitz, Schüsse, Zweikämpfe, Pressing | Der Zusammenhang mit dem Ergebnis schwankt |
| Marktquoten | Die Information, die die Anbieter bereits gebündelt haben | Das Modell hängt am Konsens, den es bewerten soll |
Schau dir die letzte Zeile an. Viele Arbeiten füttern die Quoten ins Modell, weil sie Information verdichten, die sich kaum anders nachbauen lässt. Der Preis ist damit Vergleichsmaßstab und Eingabe zugleich. Weicht das Modell vom Preis ab, sagt diese Abweichung weniger aus, als es scheint.
Diese Seite bleibt beim Fußball: xG, wenige Tore, das Gewicht des Unentschiedens. Wie KI bei Prognosen über alle Sportarten hinweg eingesetzt wird, steht in KI und Sportprognosen.
Was xG aussagt, und was nicht
Erwartete Tore schätzen, wie wahrscheinlich ein Torschuss zum Tor wird, je nach Position, Spielsituation und Kontext. Zählst du sie über ein Spiel zusammen, bekommst du ein Maß für Offensiv- und Defensivleistung, das vom Endstand unabhängig ist.
Wozu das gut ist? Vor allem, um ein Ergebnis richtig zu lesen. Wer 1:0 gewinnt und dabei 0,4 xG gegen 2,1 hat, hat ein anderes Spiel gemacht als wer 1:0 gewinnt mit 2,3 gegen 0,5. Bei einem knappen 1:0 schaue ich deshalb zuerst auf den xG-Wert, bevor ich das Spiel einschätze.
Die Grenzen sind genauso klar. xG ist ein Durchschnitt aus einer langen Historie. Die Abschlussqualität eines einzelnen Spielers kennt er nicht. Und in einem einzelnen Spiel bleibt der Abstand zwischen erwarteten und erzielten Toren groß.
Warum sich Fußball der Modellierung entzieht
Im Fußball gibt es wenige entscheidende Ereignisse, deshalb wiegt der Zufall schwer.
Bunker und Susnjak haben mehr als zwanzig Jahre Forschung zur Ergebnisvorhersage im Mannschaftssport ausgewertet. Zwei Befunde, im Text der Übersicht geprüft:
- Fußball ist die am häufigsten untersuchte Sportart des ganzen Korpus, trotzdem liegt die beste erfasste Genauigkeit dort bei 78 %. Das reicht unter den verglichenen Sportarten nur für Platz fünf;
- Sportarten, die besser abschneiden, etwa Rugby Union, verdanken einen Teil ihres Vorsprungs weniger ausgeglichenen Wettbewerben. Die Übersicht betont, dass die Dichte der Konkurrenz mindestens so viel zählt wie die Sportart selbst.
Die Übersicht zitiert außerdem Arbeiten, nach denen reiner Zufall bei bis zu 18 % der Spiele einer Saison den Ausgang entscheiden kann. Fast jedes fünfte Spiel.
Aber Vorsicht. Diese Zahlen stammen aus der Forschung zur Ergebnisvorhersage. Als Trefferquote für eine Wette taugen sie nicht. Eine Wette misst sich an einer Quote und ihrer Marge, nicht an einem Prozentsatz richtiger Antworten.
Verantwortungsvolles Spielen: Ein Modell nimmt das Risiko nicht weg. Sportwetten bergen ein finanzielles Verlustrisiko. Setz dir ein Budget, versuch nicht, Verluste zurückzuholen, und nutze die verfügbaren Limit- und Selbstsperrfunktionen. Du willst darüber reden? Die Telefonberatung zur Glücksspielsucht erreichst du kostenlos und anonym unter 0800 1 37 27 00. Mehr zum verantwortungsvollen Spielen.
Das Unentschieden als Sonderfall
Fußball gehört zu den wenigen großen Sportarten mit einem dritten Ausgang. Und der ist am schwersten zu modellieren.
Ein Unentschieden hat keine eigene statistische Signatur. Es steht weder für Dominanz noch für ein Ungleichgewicht. Es ist ein Gleichstand, und der kann aus ganz verschiedenen Konstellationen entstehen. Mehrere Arbeiten in der Literatur umgehen das Problem, indem sie mit zwei statt drei Klassen rechnen. Die ausgewiesene Genauigkeit steigt dadurch automatisch, ohne dass jemand das Spiel besser versteht.
Wenn ein Tool dir eine Genauigkeit nennt, schau deshalb zuerst, über wie viele Ausgänge sie gemessen wurde. Zwei Ausgänge und drei Ausgänge lassen sich nicht vergleichen.
Was KI im Fußball bringt und wo sie aufhört
Was kann sie gut? Ganze Saisons an Daten verarbeiten, Kennzahlen von Spiel zu Spiel einheitlich vergleichen und laufend verfolgen, was die Quoten tun. Sie kann auch eine Wahrscheinlichkeit je Ausgang schätzen, mit einer Fehlerspanne, die in einem torarmen Sport groß bleibt. Das Ergebnis eines Spiels kennt sie nicht. Den exakten Endstand erst recht nicht.
Diese letzte Grenze prägt, wie OddScore auftritt. Ausgangspunkt sind die Quoten mehrerer Buchmacher ohne Marge und ihre Entwicklung. Das Signal von 0 bis 100 und die KI-Lesart fassen zusammen, was der Markt sagt. Wie ein Spiel ausgeht, sagen sie nicht.
Diese Seite bleibt bei Daten und Modellen. Die menschliche Analysemethode für ein Spiel (1X2-Markt, Gewicht des Unentschiedens, Terminkalender) findest du unter Fußballprognose. Welche Märkte die Plattform tatsächlich verfolgt, steht in Fußballquoten.
Zurück zum Ratgeber KI und Sportwetten-Prognosen →
Zurück zum kompletten Ratgeber für Sportwetten-Prognosen →
In der Praxis anwenden
Wende diesen Leitfaden auf echte Quoten an.
Eine Marktanalyse ansehen
Ein echtes Spiel mit Quoten, Bewegungen und 0-100-Signal.
Demo öffnenMargenrechner
Miss die Marge eines Buchmachers auf jedem Markt.
Marge berechnenDen Markt erkunden
Quotenbewegungen sind nur ein Teil der Geschichte. Hier sind die nächsten Themen zum Weiterlesen.
KI und Sportwetten-Prognosen
Was KI mit Daten anfangen kann und warum daraus nie eine Gewissheit wird.
Rolle der KI verstehenFußballprognose: wie man ein Spiel analysiert
Der 1X2-Markt, das Gewicht des Unentschiedens, Form und Spielplan.
Fußball-Ratgeber ansehenPoisson- und xG-Modelle im Fußball
Wie ein statistisches Modell aus xG Ergebniswahrscheinlichkeiten macht.
Modelle ansehenFußballquoten: die Märkte, die OddScore verfolgt
1X2, Über/Unter Tore und die abgedeckten Wettbewerbe.
Märkte ansehenSportwetten-Prognosen: analysieren, bevor du wettest
Der komplette Ratgeber: Daten, Quoten, Verlässlichkeit, Denkfehler und die Rolle der KI.
Ratgeber lesenDie Grenzen von KI-Prognosen
Lückenhafte Daten, Black Box und zu viel Vertrauen in eine Zahl, die genau aussieht.
Grenzen ansehenHäufige Fragen
Kann ein KI-Modell ein exaktes Ergebnis vorhersagen?
Realistisch nicht. Im besten Fall schätzt ein Modell eine Verteilung möglicher Ergebnisse, und selbst das wahrscheinlichste bekommt davon nur einen kleinen Anteil.
Was ist xG und wozu dient es?
Erwartete Tore messen die Qualität der herausgespielten Chancen statt der erzielten Tore. So erkennst du, ob eine Mannschaft gut gespielt hat oder nur aus zwei, drei Chancen ein Resultat geholt hat.
Warum ist Fußball schwer zu modellieren?
In einem Spiel fallen wenige entscheidende Ereignisse. Die Übersichtsarbeit von Bunker und Susnjak (2022) hält fest, dass torarme Sportarten dem Zufall mehr Raum lassen. Das setzt der Genauigkeit der Modelle eine Grenze.
Dienen die Quoten den Modellen als Eingangsdaten?
Oft ja. Mehrere Arbeiten aus der Literatur nutzen sie als Variable, weil in ihnen so viel Information steckt.
Liefert OddScore Prognosen?
Nein. OddScore vergleicht die Quoten mehrerer Buchmacher, rechnet die Marge heraus und verfolgt, wie sie sich entwickeln. Die KI-Lesart fasst zusammen, was der Markt sagt, etwa welche Seite er vorn sieht oder welche Linie er erwartet. Sie ist keine Wette zum Nachmachen, und OddScore gibt keine Einsatzempfehlungen.
Quellen & Methodik
Hinter dieser Seite stehen eine wissenschaftliche Übersichtsarbeit zur Ergebnisvorhersage im Mannschaftssport mit maschinellem Lernen, eine aktuelle systematische Übersicht zu maschinellem Lernen bei Sportwetten sowie, für den deutschen Rahmen, die Gemeinsame Glücksspielbehörde der Länder und das Angebot Check dein Spiel.
- Die Genauigkeitswerte so wiedergeben, wie die Übersichtsarbeit sie veröffentlicht, Sportart für Sportart.
- Die Genauigkeit eines akademischen Modells nie als Trefferquote darstellen, die sich auf eine Wette übertragen lässt.
- Die Schätzung einer Wahrscheinlichkeit von der Wahl eines Ausgangs trennen.
- 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).
- GGL: Gemeinsame Glücksspielbehörde der Länder
- Check dein Spiel: Information und Hilfe bei Glücksspielproblemen