Fußball Statistiken für Wetten: Welche Datenquellen zuverlässig sind und wie man sie liest

Warum Statistiken allein noch keine Wette machen

Am Anfang meiner Wettkarriere dachte ich, mehr Daten bedeuten automatisch bessere Entscheidungen. Also habe ich mir jede verfügbare Statistik angeschaut – Ballbesitz, Passquote, Zweikampfquote, Laufleistung. Nach einem halben Jahr war meine Festplatte voll mit Tabellen, aber meine Trefferquote nicht besser als zuvor. Das Problem war nicht der Mangel an Daten, sondern die fehlende Fähigkeit, relevante von irrelevanten Daten zu unterscheiden.

In der Bundesliga 2025/26 korreliert ein kombinierter xG über 3,0 in 68 Prozent der Fälle mit mehr als 2,5 Toren. Diese eine Kennzahl hat mir mehr geholfen als hundert Tabellen mit Ballbesitz-Daten. Fußball Statistiken für Wetten zu nutzen bedeutet nicht, alles zu sammeln – es bedeutet, die richtigen Zahlen zu finden und richtig zu interpretieren.

In diesem Artikel zeige ich, welche Datenquellen ich nutze, welche Kennzahlen wirklich relevant sind und wie ein effizienter Analyse-Workflow aussieht.

Datenquellen: Wo man zuverlässige Statistiken findet

Die gute Nachricht: Für die Bundesliga und die großen europäischen Ligen sind die meisten relevanten Daten kostenlos verfügbar. Man muss kein Abo abschließen oder teure Software kaufen, um eine solide Datenbasis aufzubauen.

FBref ist meine primäre Quelle. Die Plattform basiert auf Daten von StatsBomb und bietet xG-Werte, Schussstatistiken, Passdiagramme und defensive Metriken – alles auf Team- und Spielerebene. Die Daten werden zeitnah aktualisiert und sind bis auf die 2. Bundesliga verfügbar. Die Stärke von FBref liegt in der Tiefe: Man kann nicht nur sehen, wie viele Tore ein Team erzielt hat, sondern wie viele es hätte erzielen sollen.

Transfermarkt.de ist die zweite Kernquelle, allerdings für andere Informationen. Kaderwerte, Vertragslaufzeiten, Verletzungshistorien und Transferdaten – all das beeinflusst die Leistungsfähigkeit eines Teams und damit die Wettmärkte. Wenn ein Team drei Stammkräfte gleichzeitig verliert, spiegelt sich das in den xG-Daten erst nach mehreren Spielen wider. In den Transfermarkt-Daten sieht man es sofort.

Spezialisierte Seiten wie Understat bieten alternative xG-Modelle und historische Vergleiche. Die Differenz zwischen FBref-xG und Understat-xG für dasselbe Spiel liegt selten über 0,3 – aber gelegentlich zeigt die Abweichung, welche Schüsse ein Modell anders bewertet. Das kann für Spezialanalysen nützlich sein.

Die Bundesliga-Webseite selbst und die DFL veröffentlichen offizielle Spieltagsstatistiken – Laufleistung, Sprints, Passgenauigkeit. Diese Daten sind eher für die taktische Einordnung als für direkte Wettentscheidungen relevant, helfen aber bei der Kontextualisierung von xG-Werten.

Was ich nicht empfehle: kostenpflichtige Tipp-Dienste, die „geheime Statistiken“ versprechen. Die relevanten Daten sind frei verfügbar. Was einen guten Tipper von einem schlechten unterscheidet, ist nicht der Zugang zu exklusiven Daten, sondern die Fähigkeit, öffentlich zugängliche Daten richtig zu interpretieren und in Wettentscheidungen umzusetzen. In neun Jahren Wettanalyse habe ich keinen einzigen kostenpflichtigen Dienst gefunden, der besser war als eine sorgfältige eigene Analyse auf Basis von FBref und Transfermarkt.

Ein praktischer Hinweis: Die Datenqualität variiert zwischen den Ligen. Für die Bundesliga, Premier League, La Liga, Serie A und Ligue 1 sind die Daten auf FBref nahezu vollständig. Für kleinere Ligen – 2. Bundesliga, Eredivisie, belgische Liga – gibt es Lücken, insbesondere bei erweiterten Metriken wie Pressing-Daten. Wer auf diese Ligen wetten will, muss alternative Datenquellen finden oder sich stärker auf eigene Beobachtung verlassen.

Kernkennzahlen: Was wirklich zählt

Die Korrelation zwischen xG und dem Über/Unter-Markt in der Bundesliga – 68 Prozent bei xG über 3,0 – zeigt, warum Expected Goals die wichtigste Kennzahl für Wettanalyse ist. Aber xG allein reicht nicht. Hier sind die fünf Kennzahlen, die ich für jeden Bundesliga-Spieltag abrufe.

xG pro 90 Minuten: Die erwartete Torproduktion, normalisiert auf 90 Minuten. Wichtiger als der reine Tordurchschnitt, weil xG die Qualität der Chancen misst, nicht das Ergebnis. Teams, deren xG deutlich über ihrem Tordurchschnitt liegt, sind statistisch unterbewertete Performer.

xGA pro 90 Minuten: Die erwarteten Gegentore. Misst die Qualität der Chancen, die ein Team zulässt. Ein Team mit niedrigem xGA ist defensiv stark – unabhängig davon, ob der Torwart gerade eine Weltklassesaison spielt oder nicht.

Schüsse aufs Tor pro Spiel: Einfach, aber aussagekräftig. Teams mit vielen Schüssen aufs Tor erzeugen mehr Chancen und mehr Druck. Für den BTTS-Markt ist diese Kennzahl hilfreicher als xG, weil sie auch die Schüsse einschließt, die geblockt werden oder knapp vorbei gehen.

Heim/Auswärts-Differenz: Viele Teams haben stark unterschiedliche Leistungen zu Hause und auswärts. Die xG-Heim/Auswärts-Differenz zeigt, wie standortabhängig die Leistung ist. Teams mit großer Differenz sind für Auswärtswetten unattraktiv – aber Heimwetten bieten oft Value, wenn die Quote den Heimvorteil nicht voll einpreist.

Formkurve der letzten fünf Spiele: Der xG-Trend über die letzten fünf Partien im Vergleich zum Saisondurchschnitt. Steigender Trend = bessere Chancen als die Saison-Quote suggeriert. Fallender Trend = schlechtere Chancen als die Saison-Quote suggeriert.

Analyse-Workflow: Vom Datenpunkt zur Wettentscheidung

Daten sammeln ist die halbe Arbeit. Sie in Wettentscheidungen umzusetzen, ist die andere – und die schwierigere Hälfte. Mein Workflow für einen Bundesliga-Spieltag sieht so aus.

Donnerstagabend: Ich rufe die xG-Tabelle auf FBref ab und identifiziere die drei bis vier Spiele mit der größten Diskrepanz zwischen xG-Leistung und tatsächlichen Ergebnissen. Das sind die Spiele, bei denen die Quoten am wahrscheinlichsten fehlbewertet sind.

Freitagmorgen: Für diese ausgewählten Spiele prüfe ich Verletzungen, Sperren und taktische Veränderungen auf Transfermarkt und den Vereinswebsites. Dann vergleiche ich die aktuellen Quoten mit meiner eigenen Wahrscheinlichkeitseinschätzung.

Freitagnachmittag: Wenn der Erwartungswert positiv ist, platziere ich die Wette. Wenn nicht, lasse ich das Spiel aus. Es gibt Spieltage, an denen ich keine einzige Wette platziere – das ist völlig normal und Teil der Disziplin.

Ein Fehler, den ich anfangs gemacht habe: zu viele Datenquellen gleichzeitig konsultieren. Das führt zu Analyse-Paralyse – man findet für jedes Argument ein Gegenargument und trifft am Ende keine Entscheidung. Mein Rat: Zwei Kernquellen – FBref für xG-Daten und Transfermarkt für Kaderdaten – reichen für eine solide Bundesliga-Analyse. Alles darüber hinaus ist optional und sollte nur hinzugezogen werden, wenn die beiden Kernquellen kein klares Bild ergeben.

Der gesamte Prozess dauert etwa 90 Minuten pro Spieltag. Das klingt viel, ist aber deutlich weniger als die drei oder vier Stunden, die ich am Anfang investiert habe, als ich noch jede Statistik einzeln durchging. Effizienz entsteht durch Fokus, nicht durch Masse. Wer Fußball Wetten Strategie mit Daten untermauern will, braucht nicht mehr Statistiken – sondern die richtigen.

Erstellt vom Redaktionsteam „WETTFELD".