xG und PPDA — welche CL-Statistiken für Wettentscheidungen taugen

Vor fünf Jahren habe ich angefangen, Expected Goals in meine CL-Wettanalysen einzubauen. Damals war xG noch ein Nischenthema. Die meisten Wetter verließen sich auf Tordifferenz, Tabellenstände und Bauchgefühl. Heute werfen Wettseiten, Podcasts und Social-Media-Accounts mit xG-Werten um sich, als wäre die Zahl die Antwort auf alles. Sie ist es nicht. Aber sie ist der beste verfügbare Ausgangspunkt, und in der Champions League, wo in der Ligaphase 2024/25 ein Rekordschnitt von 3,26 Toren pro Spiel fiel. Liefern datengestützte Ansätze einen strukturellen Vorteil gegenüber reiner Intuition. Die Frage ist nicht, ob man Statistiken nutzen sollte, sondern welche. Und welche nur gut formatiertes Rauschen sind.

Expected Goals (xG) — was die Zahl über ein CL-Spiel verrät

Ich saß vor dem Bildschirm, als Arsenal im Achtelfinal-Hinspiel 2024 ein Spiel 1:0 gewann, aber die xG-Bilanz 0,7 zu 2,3 verlor. Wer nur auf das Ergebnis geschaut hätte, hätte Arsenal als Favoriten fürs Rückspiel gesehen. Wer die xG-Daten kannte, wusste: Arsenal hatte weniger Chancen kreiert, weniger hochwertige Abschlüsse gehabt und seinen Sieg einem Einzelmoment zu verdanken. Genau dafür existiert xG. Die Zahl trennt die Qualität der Chancen vom tatsächlichen Ergebnis.

xG bewertet jeden Schuss anhand seiner Position auf dem Feld, des Winkels zum Tor, der Schussart, der Spielsituation und weiterer Variablen. Ein Strafstoß hat einen xG-Wert um 0,76 — wird also in rund 76 Prozent der Fälle verwandelt. Ein Kopfball aus 14 Metern liegt bei 0,04. Die Summe aller xG-Werte eines Teams ergibt die „erwarteten Tore“ — eine Zahl, die die Chancenqualität abbildet, unabhängig davon, ob die Bälle tatsächlich im Netz gelandet sind.

Für CL-Wetten ist xG in zwei Szenarien besonders wertvoll. Erstens: bei der Einschätzung, ob ein Team über- oder unterperformt. Ein Team mit einer positiven xG-Differenz über mehrere Spiele, das aber nur ein Drittel dieser Spiele gewonnen hat, wird vom Markt systematisch unterschätzt. Die Ergebnisse hinken der Leistung hinterher, und die Quoten folgen den Ergebnissen, nicht den xG-Daten. Zweitens: bei Über/Unter-Wetten. Wenn zwei Teams jeweils hohe xG-Werte pro Spiel aufweisen, ist die Wahrscheinlichkeit eines torreichen Spiels höher, als die reine Tordifferenz vermuten lässt.

Was xG nicht kann: den Kontext liefern. xG sagt dir nicht, warum ein Spiel torarm war. Ob die Defensive stark stand, der Rasen schlecht war oder der Schiedsrichter den Spielfluss bremste. Deshalb nutze ich xG nie als alleinige Grundlage für eine Wettentscheidung. Es ist ein Filter, kein Urteil.

PPDA und Pressing-Intensität als Indikator für Über/Unter-Wetten

Wenn xG die Qualität der Chancen misst, misst PPDA die Intensität, mit der ein Team den Gegner unter Druck setzt. PPDA steht für „Passes Allowed Per Defensive Action“. Je niedriger die Zahl, desto aggressiver das Pressing. Ein Team mit einem PPDA von 6 stört den Gegner nach durchschnittlich sechs Pässen. Ein Team mit PPDA 14 lässt den Gegner lange kombinieren, bevor es eingreift.

Warum ist das für CL-Wetter relevant? Weil Pressing-Intensität ein verlässlicher Indikator für Spielöffnung ist. Zwei Teams mit niedrigem PPDA erzeugen Spiele mit vielen Ballgewinnen in hohen Zonen, schnellen Kontern und offenen Strukturen. Diese Spiele produzieren überproportional viele Tore. Und liegen damit häufiger über der Über/Unter-Linie von 2,5. Der Zusammenhang ist nicht perfekt, aber er ist statistisch robust über mehrere CL-Saisons hinweg.

In der Praxis nutze ich PPDA als zweiten Filter nach xG. Wenn beide Teams hohe xG-Werte und niedrige PPDA-Werte aufweisen, ist mein Vertrauen in eine Über-Wette deutlich höher, als wenn nur einer der beiden Indikatoren positiv ist. Das klingt nach einer einfachen Regel, aber die Disziplin, nur bei doppelter Bestätigung zu wetten, hat meine Trefferquote bei Über/Unter-Märkten in der CL merklich verbessert.

PPDA-Daten sind über Plattformen wie Understat oder WhoScored frei verfügbar — auch aufgeschlüsselt nach CL-Spielen. Der Aufwand, zwei Zahlen nachzuschlagen und zu vergleichen, beträgt fünf Minuten. Das Verhältnis von Aufwand zu Informationsgewinn ist bei keiner anderen Statistik so gut. Besonders in der Ligaphase, wo jedes Team acht verschiedene Gegner hat, zeigen PPDA-Werte stabile Muster: Mannschaften, die konstant unter 8,0 liegen, erzeugen verlässlich offene, torreiche Spiele — unabhängig vom Gegner.

Wo Statistiken scheitern — Kontext schlägt Datenpunkte

Chris Rasmussen, Dozent für Sportwetten-Integrität an der University of New Haven, hat eine Beobachtung formuliert, die mich seit Jahren begleitet: Bei weniger bekannten Teams und Wettbewerben fällt es Buchmachern schwer, korrekte Quoten zu setzen. In der CL-Ligaphase trifft diese Beobachtung auf die Teams zu, die zum ersten Mal teilnehmen oder aus kleineren Ligen kommen. Ihre statistischen Profile sind dünn, und xG-Modelle funktionieren nur so gut wie die Daten, die sie füttern.

Ein Beispiel: Ein Team aus der slowenischen Liga nimmt erstmals an der CL teil. Seine nationalen xG-Daten basieren auf Gegnern, die in der CL nicht auftauchen. Die Pressing-Intensität in der slowenischen Liga ist eine andere als gegen Real Madrid oder Bayern. Die Datenpunkte existieren, aber sie sind nicht übertragbar. Und wer sie eins zu eins in eine CL-Analyse überträgt, macht einen Fehler, der teurer sein kann als gar keine Daten.

Weitere Kontextfaktoren, die keine Statistik einfängt: Motivation in der letzten Ligaphase-Runde (Teams mit gesichertem Achtelfinale rotieren ihren Kader), taktische Systemwechsel unter Druck (ein Trainer stellt von 4-3-3 auf 5-4-1 um, und die xG-Werte des Gegners brechen ein), Stadion-Atmosphäre bei K.o.-Spielen und Reisebelastung bei Auswärtsspielen über weite Distanzen. Die Anfield-Road-Atmosphäre in einem Rückspiel-Drama hat Einfluss auf Spielerentscheidungen. Aber es gibt keine Metrik, die „Gänsehaut-Faktor“ heißt.

Mein Umgang mit diesem Spannungsfeld: Statistiken liefern die Grundlage, nicht das Urteil. Ich beginne jede Analyse mit xG und PPDA, prüfe dann den Kontext, Verletzungen, Rotation, Motivationslage, Spielort, und treffe erst dann eine Wettentscheidung. Wenn die Statistiken in eine Richtung zeigen und der Kontext in die andere, wette ich nicht. Das ist kein Zeichen von Unsicherheit, sondern von Disziplin. Und in der Verbindung von Daten und systematischem Value Betting liegt der größte Hebel, den ein CL-Wetter hat.