Experten Tipps

Es gibt diesen Moment, kurz bevor ein Spieltag beginnt, in dem sich die Wege trennen. Der eine scrollt durch Social Media, liest ein paar Überschriften und tippt aus dem Bauch heraus. Der andere öffnet Datenbanken, vergleicht Formkurven, prüft Kaderupdates und rechnet Wahrscheinlichkeiten durch. Beide nennen ihr Ergebnis einen Tipp. Aber nur einer hat einen Prozess dahinter.

Genau dieser Prozess ist das Thema dieses Artikels. Nicht die Frage, ob Experten immer richtig liegen — das tun sie nicht. Sondern wie sie zu ihren Einschätzungen kommen, welche Schritte sie durchlaufen und warum die Methode wichtiger ist als das einzelne Ergebnis. Denn wer versteht, wie ein Tipp entsteht, kann auch besser beurteilen, wann er einem Tipp vertrauen sollte und wann nicht.

Von der Auswahl der Datenquellen über die taktische Pre-Match-Analyse bis zur Frage, wie statistische Modelle und persönliche Erfahrung zusammenspielen — der Expertenprozess folgt einer klaren Logik. Und diese Logik lässt sich lernen, auch wenn man nicht hauptberuflich Fußball analysiert.

Schritt 1: Datenquellen auswählen und prüfen

Jeder Analyseprozess beginnt mit einer einfachen Frage: Woher kommen die Daten? Und wie verlässlich sind sie? Experten unterscheiden dabei zwischen drei Kategorien: öffentlichen Statistikportalen, kommerziellen Datenprovidern und Primärquellen wie offiziellen Ligaseiten.

Öffentlich zugängliche Plattformen wie FBref, Understat oder WhoScored liefern grundlegende Leistungsdaten — Torschüsse, Ballbesitz, Passgenauigkeit, Expected Goals. Für eine erste Orientierung reicht das. Aber Experten wissen, dass diese Portale ihre Daten aus unterschiedlichen Modellen beziehen. FBref nutzt die xG-Werte von StatsBomb, Understat berechnet eigene Modelle, und die Abweichungen zwischen beiden können bei einzelnen Spielen erheblich sein. Wer nur eine Quelle nutzt, sieht nur eine Version der Wahrheit.

Kommerzielle Anbieter wie Opta, StatsBomb oder Wyscout gehen tiefer. Sie erfassen Tracking-Daten, Passwinkel, Laufwege, Pressing-Intensität — Informationen, die auf den öffentlichen Portalen nicht verfügbar sind. Der Zugang kostet Geld, und nicht jeder Analyst hat ein Abonnement. Aber die Datendichte macht einen Unterschied, besonders bei taktischen Fragestellungen.

Dann gibt es die Primärquellen: offizielle Kaderseiten der Vereine, Pressekonferenzen, Pflichtveröffentlichungen der Ligen. Hier finden sich Informationen über Verletzungen, Sperren und Kaderumstellungen — Faktoren, die in keiner Statistikdatenbank auftauchen, aber Spielverläufe massiv beeinflussen können. Ein Experte, der seine Datenquellen nicht diversifiziert, arbeitet mit einem blinden Fleck.

Die Kunst besteht nicht darin, möglichst viele Quellen zu konsultieren, sondern die richtigen für die jeweilige Fragestellung zu wählen. Wer ein Bundesliga-Spiel analysiert, braucht andere Daten als jemand, der einen Conference-League-Qualifikanten aus Moldau einschätzen will. Im ersten Fall stehen Dutzende Datenpunkte pro Spieler zur Verfügung. Im zweiten ist man froh, wenn man die Aufstellung vor Anpfiff kennt.

Ein praktischer Arbeitsablauf sieht so aus: Zunächst die Grunddaten aus einem öffentlichen Portal ziehen — xG, Formkurve, Heim-Auswärts-Split. Dann die offiziellen Vereinsseiten auf Kaderneuigkeiten prüfen. Anschließend, falls verfügbar, taktische Daten aus kommerziellen Quellen hinzuziehen. Und am Ende die Informationen gegeneinander prüfen: Stimmen die Formwerte mit dem überein, was die taktische Analyse nahelegt? Wenn ja, hat man eine solide Basis. Wenn nein, beginnt die eigentliche Detektivarbeit.

Schritt 2: Pre-Match-Analyse — von Aufstellung bis Motivation

Die Daten liegen auf dem Tisch. Jetzt beginnt die eigentliche Arbeit: die Pre-Match-Analyse. Sie ist das Herzstück des Expertenprozesses und folgt einer systematischen Reihenfolge, die sich von Makro zu Mikro bewegt.

Am Anfang steht die Formkurve. Nicht die platte Frage «Wie viele Spiele hat das Team gewonnen?», sondern eine differenziertere Betrachtung: Wie hat die Mannschaft gespielt? Welche Expected-Goals-Werte hat sie erzeugt und zugelassen? Gibt es eine Diskrepanz zwischen Ergebnissen und Leistungsdaten? Eine Mannschaft, die drei Spiele in Folge gewonnen hat, aber jedes Mal einen xG-Wert unter 1,0 produzierte, steht auf dünnerem Eis, als die Tabelle vermuten lässt. Eine Bundesliga-Studie von Forcher et al. über drei Saisons zeigte, dass xG-basierte Modelle Spielausgänge mit 65,6 Prozent Genauigkeit vorhersagen — deutlich mehr als reine Ergebnishistorien liefern.

Nach der Formanalyse kommt die Kaderlage. Wer fehlt? Wer kehrt zurück? Wie tief ist der Kader, wenn drei Stammspieler ausfallen? Die Pressekonferenz am Vortag liefert hier oft entscheidende Hinweise. Ein Trainer, der auf die Frage nach einem Schlüsselspieler ausweichend antwortet, sagt manchmal mehr als einer, der klare Auskunft gibt.

Dann die taktische Dimension. Wie spielt die Heimmannschaft gegen defensiv eingestellte Gegner? Wie reagiert die Auswärtsmannschaft auf Pressing? Welches System ist zu erwarten, und welche Anpassungen wurden in den letzten Spielen vorgenommen? Diese Fragen erfordern nicht nur Daten, sondern auch Spielverständnis — die Fähigkeit, Zahlen in Spielbilder zu übersetzen.

Schließlich der oft unterschätzte Faktor Motivation. Ein Spiel zwischen einem Verein im Abstiegskampf und einem Team im gesicherten Mittelfeld hat eine andere Dynamik als ein direktes Duell um die Europacup-Plätze. Pokalspiele unter der Woche, internationale Reisen, Derby-Atmosphäre — all das fließt in die Analyse ein, lässt sich aber nicht in einer Zahl ausdrücken. Genau hier trennt sich die reine Datenanalyse von der Expertise.

Die Pre-Match-Analyse endet nicht mit einer einzelnen Erkenntnis. Sie produziert ein Gesamtbild — zusammengesetzt aus Form, Kader, Taktik und Kontext. Dieses Bild ist nie vollständig, aber je mehr Perspektiven einfließen, desto schärfer wird es. Und desto besser lässt es sich mit dem abgleichen, was im nächsten Schritt folgt: dem statistischen Modell.

Schritt 3: Modell und Bauchgefühl abgleichen

Jetzt wird es interessant. Die Daten deuten in eine Richtung, das Modell spuckt eine Wahrscheinlichkeit aus — aber irgendetwas fühlt sich falsch an. Genau an diesem Punkt zeigt sich, ob jemand ein Analyst ist oder nur ein Datenableser.

Statistische Modelle sind mächtige Werkzeuge. Moderne xG-Ansätze, die nicht nur den einzelnen Schuss bewerten, sondern die gesamte Ereigniskette davor einbeziehen, liefern messbar bessere Prognosen als einfache Schussmodelle. Eine Studie in PLOS ONE (Bandara et al., 2024) konnte zeigen, dass Random-Forest-Modelle mit Event-Sequenzen traditionelle Single-Shot-xG-Modelle bei AUC-ROC-Metriken übertreffen. Forcher et al. erreichten in ihrer Bundesliga-Studie mit dem xG-Post-Match-Ansatz einen RPS-Wert (Ranked Probability Score) von 0,148 — der niedrigste und damit beste Wert aller getesteten Modelle. Ihre Schlussfolgerung: Bereits die reduzierte Information über tornahe Situationen enthält hochgradig objektive Hinweise auf die tatsächliche Spielstärke einer Mannschaft.

Aber Modelle haben Grenzen. Sie erfassen keine Kabinenstimmung, keine Trainerwechsel-Dynamik, keine Platzverweise in der fünften Minute, die ein komplettes Spielbild umwerfen. Sie bilden den Durchschnitt ab, nicht den Ausreißer. Und Fußball lebt von Ausreißern.

Deshalb arbeiten die besten Analysten mit einem Abgleichprinzip: Das Modell liefert die Basiswahrscheinlichkeit. Die qualitative Analyse korrigiert nach oben oder unten. Wenn beide Seiten — Daten und Erfahrung — in dieselbe Richtung zeigen, steigt die Konfidenz. Wenn sie sich widersprechen, ist Vorsicht angebracht. Kein Tipp ist besser als ein schlechter Tipp.

In der Praxis bedeutet das: Ein Experte, der konsequent nach diesem Dreischritt arbeitet — Datenquellen prüfen, Pre-Match-Analyse durchführen, Modell und Erfahrung abgleichen —, wird nicht jedes Spiel richtig einschätzen. Aber er wird über eine Saison hinweg eine konsistentere Trefferquote erzielen als jemand, der auf Schlagzeilen und Instinkt setzt.

Fazit

Der Unterschied zwischen einem fundierten Tipp und einer Vermutung liegt nicht im Ergebnis — sondern im Prozess. Wer Datenquellen bewusst auswählt und hinterfragt, eine strukturierte Pre-Match-Analyse durchführt und das Zusammenspiel von Modell und Erfahrung versteht, trifft bessere Entscheidungen. Nicht jede einzelne, aber über die Summe vieler Spiele hinweg.

Das Gute daran: Dieser Prozess ist kein Geheimwissen. Die Daten sind zugänglich, die Methoden dokumentiert, die Werkzeuge oft kostenlos. Was es braucht, ist Disziplin — die Bereitschaft, vor jedem Tipp die gleichen Schritte zu durchlaufen, auch wenn die Zeit drängt und das Bauchgefühl laut wird. Genau diese Disziplin trennt den Experten vom Gelegenheitstipper.