Eishockey ist eine der am besten vermessenen Sportarten der Welt. Für jedes NHL-Spiel werden Hunderte von Datenpunkten erfasst — von simplen Torstatistiken bis hin zu komplexen Modellen, die den erwarteten Torerfolg eines einzelnen Schusses berechnen. Für Wetter ist dieses Datenuniversum Segen und Fluch zugleich: Wer die richtigen Zahlen kennt und interpretieren kann, hat einen echten Vorteil. Wer sich in der Datenflut verliert oder die falschen Metriken heranzieht, betreibt Aufwand ohne Ertrag.
Dieser Artikel sortiert das Statistische vom Nützlichen, erklärt die wichtigsten klassischen und fortgeschrittenen Kennzahlen und zeigt, wie du sie konkret für deine Wettentscheidungen einsetzt.
Grundlegende Eishockey-Statistiken: Das Fundament für datengestützte Wetten
Bevor wir über Corsi und Expected Goals sprechen, müssen die Basics sitzen. Die grundlegenden Statistiken im Eishockey sind nicht deshalb weniger wertvoll, weil sie einfach sind — sie bilden das Fundament, auf dem jede weiterführende Analyse aufbaut.
Die Tordifferenz ist der offensichtlichste Indikator für die Stärke einer Mannschaft. Teams, die deutlich mehr Tore erzielen als sie kassieren, gewinnen langfristig mehr Spiele. Soweit die Binsenweisheit. Interessanter wird es, wenn du die Tordifferenz nach Spielstärke aufschlüsselst: Wie sieht die Bilanz bei 5-gegen-5 aus, wie im Powerplay, wie im Penalty Kill? Ein Team, das seine positive Tordifferenz hauptsächlich dem Überzahlspiel verdankt, ist anfälliger als eines, das auch bei gleicher Spielstärke dominiert — denn Powerplay-Effizienz schwankt stärker als die Leistung bei 5-gegen-5.
Die Schussstatistik geht einen Schritt tiefer. Wie viele Schüsse erzeugt ein Team pro Spiel, und wie viele lässt es zu? Das Schussverhältnis (Shots For / Shots Against) ist ein guter Indikator für die Spielkontrolle. Teams, die konstant mehr schießen als der Gegner, kontrollieren in der Regel den Puck häufiger und erzeugen mehr Offensivdruck. Allerdings zählt nicht jeder Schuss gleich — ein Schuss aus dem hohen Slot hat eine deutlich höhere Trefferwahrscheinlichkeit als einer aus spitzem Winkel von der Bande. Reine Schusszahlen sind daher ein guter Ausgangspunkt, aber kein vollständiges Bild.
Die Powerplay- und Penalty-Kill-Effizienz verdient besondere Aufmerksamkeit für Wetter. In engen Spielen entscheiden Überzahlsituationen häufig den Ausgang, und die Qualität der Special Teams variiert zwischen den Mannschaften erheblich. Ein Team mit einem Powerplay von 25 Prozent und einem Penalty Kill von 82 Prozent hat in Spielen mit vielen Strafen einen strukturellen Vorteil. Für Over/Under-Wetten ist das besonders relevant: Spiele zwischen Teams mit starkem Powerplay und schwachem Penalty Kill tendieren zu mehr Toren.
Advanced Stats: Corsi und Fenwick
Die fortgeschrittenen Statistiken im Eishockey — oft unter dem Sammelbegriff „Analytics“ zusammengefasst — versuchen, die Spielkontrolle präziser zu messen als es reine Torstatistiken können. Die beiden bekanntesten Metriken sind Corsi und Fenwick — Corsi ist nach dem Torwarttrainer Jim Corsi benannt, Fenwick nach dem Blogger Matt Fenwick.
Corsi misst alle Schussversuche eines Teams bei 5-gegen-5 — nicht nur die Schüsse, die das Tor treffen, sondern auch geblockte Schüsse und Schüsse, die das Tor verfehlen. Die Idee dahinter: Jeder Schussversuch ist ein Ausdruck von Offensivpräsenz und Puckkontrolle. Die relevante Kennzahl ist Corsi For Percentage (CF%), also der Anteil aller Schussversuche, der auf das eigene Team entfällt. Ein CF% von 52 Prozent bedeutet, dass das Team mehr Schussversuche generiert als zulässt — ein Indikator für Spielkontrolle. Werte über 54 Prozent deuten auf dominante Teams hin, Werte unter 48 Prozent auf Mannschaften, die regelmäßig unter Druck stehen.
Fenwick funktioniert nach demselben Prinzip, klammert aber geblockte Schüsse aus der Rechnung aus. Die Logik: Ein geblockter Schuss ist ein Schuss, der aktiv von der Verteidigung verhindert wurde, und sollte daher nicht als Qualitätsindikator für die Offensive gewertet werden. In der Praxis liefern Corsi und Fenwick ähnliche Ergebnisse, wobei Fenwick bei manchen Analysten als etwas sauberer gilt.
Für Wetter sind diese Metriken vor allem dann nützlich, wenn sie von den reinen Ergebnissen abweichen. Ein Team mit einem schlechten Saisonstart, aber starken Corsi-Werten, wird mit hoher Wahrscheinlichkeit eine Ergebnisverbesserung erleben — die Spielkontrolle stimmt, aber das Puckglück fehlt. Umgekehrt sind Teams mit guten Ergebnissen und schwachen Corsi-Werten Kandidaten für einen Leistungseinbruch. Buchmacher reagieren primär auf Ergebnisse, nicht auf unterliegende Metriken, und genau hier entsteht Value für den datenaffinen Wetter.
Expected Goals und PDO: Die nächste Analyseebene
Während Corsi und Fenwick die Quantität der Schussversuche messen, geht das Expected-Goals-Modell (xG) einen entscheidenden Schritt weiter und bewertet die Qualität jedes einzelnen Schusses. Jedem Schussversuch wird auf Basis seiner Position, des Schusswinkels, der vorherigen Spielsituation und anderer Faktoren eine Trefferwahrscheinlichkeit zugeordnet. Die Summe dieser Wahrscheinlichkeiten ergibt die Expected Goals — also die Anzahl an Toren, die ein Team basierend auf seinen Chancen hätte erzielen sollen.
Der Wert für Wetter liegt im Vergleich zwischen tatsächlichen Toren und Expected Goals. Ein Team, das pro Spiel 3.5 xG erzeugt, aber nur 2.8 echte Tore erzielt, schießt unter seinem Erwartungswert. Das kann auf Pech, schlechtes Finishing oder einen überragenden gegnerischen Torhüter zurückzuführen sein. Wenn es an Pech liegt, ist eine Korrektur nach oben wahrscheinlich — und die Quoten spiegeln das nicht wider, weil Buchmacher sich stärker an den tatsächlichen Ergebnissen orientieren. Dieses Gap zwischen Realität und Erwartung ist eine der konsistentesten Value-Quellen für analytisch arbeitende Wetter.
PDO ist eine Metrik, die auf den ersten Blick seltsam wirkt, aber ein mächtiges Werkzeug ist. Sie berechnet sich als Summe aus der Schussquote eines Teams (Tore / Schüsse) und seiner Save Percentage bei 5-gegen-5. Der ligaweite Durchschnitt liegt definitionsgemäß bei 1.000. Teams mit einem PDO deutlich über 1.000 — etwa 1.030 oder höher — erleben eine Phase, in der sowohl das Schießen als auch das Torhüten überdurchschnittlich gut funktioniert. Die Erfahrung zeigt, dass solche Phasen selten von Dauer sind: PDO tendiert langfristig zum Mittelwert zurück. Ein Team an der Tabellenspitze mit einem PDO von 1.040 ist ein Kandidat für eine Schwächephase, während ein Tabellenletzter mit einem PDO von 0.960 mit hoher Wahrscheinlichkeit bald bessere Ergebnisse erzielen wird.
Statistiken in die Praxis übersetzen
Wissen über Statistiken ist wertlos, wenn du es nicht in konkrete Wettentscheidungen umsetzt. Der Schlüssel liegt in einem strukturierten Workflow, der die relevanten Daten für jedes Spiel zusammenführt und eine fundierte Einschätzung ermöglicht.
Ein sinnvoller Ablauf beginnt mit dem Blick auf die Tabelle und die jüngsten Ergebnisse — das gibt dir den Kontext. Dann folgt die Analyse der unterliegenden Metriken: Wie steht es um die Corsi- oder xG-Bilanz der Teams? Gibt es Abweichungen zwischen Ergebnissen und zugrundeliegender Spielqualität? Anschließend prüfst du die Special-Teams-Statistiken und die Torhütersituation. Am Ende vergleichst du deine Einschätzung mit den angebotenen Quoten.
Die häufigste Falle dabei ist die Übergewichtung einzelner Metriken. Kein statistischer Wert existiert im Vakuum. Ein Team mit hervorragenden Corsi-Werten kann trotzdem schlechte Ergebnisse liefern, wenn sein Powerplay katastrophal ist oder der Starttorhüter eine Schwächephase durchlebt. Erst die Kombination mehrerer Datenpunkte ergibt ein zuverlässiges Gesamtbild. Behandle Statistiken wie Puzzleteile, nicht wie Kristallkugeln.
Für verschiedene Wettmärkte sind unterschiedliche Statistiken relevant. Bei Moneyline-Wetten zählen primär die Gesamtstärke beider Teams, Torhüterleistung und aktuelle Form. Bei Over/Under-Wetten rücken Schussstatistiken, Powerplay-Effizienz und der Spielstil in den Vordergrund. Bei Handicap-Wetten ist die Frage relevant, wie häufig die Teams ihre Spiele mit großem oder knappem Vorsprung gewinnen oder verlieren. Diese Differenzierung verhindert, dass du für jede Wettart dieselbe Analyse durchführst — ein Fehler, der überraschend weit verbreitet ist.
Zahlen lügen nicht, aber sie erzählen nicht die ganze Geschichte
Es gibt eine Tendenz unter analytisch veranlagten Wettern, den Zahlen blindes Vertrauen zu schenken. Wenn das Modell sagt, dass Team A zu 58 Prozent gewinnt, dann ist das so — Punkt. Diese Haltung ignoriert, dass jede Statistik nur so gut ist wie die Daten, auf denen sie basiert, und dass es Faktoren gibt, die sich nicht in Zahlen fassen lassen.
Teamchemie nach einem großen Trade, die Motivation eines Teams im Abstiegskampf, ein Trainerwechsel in der Vorwoche, die Atmosphäre in einer ausverkauften Halle bei einem Rivalen-Derby — all das beeinflusst das Ergebnis, taucht aber in keiner Datenbank auf. Die besten Sportwetter kombinieren statistische Analyse mit kontextuellem Verständnis des Spiels. Sie nutzen die Zahlen als Gerüst und füllen es mit Beobachtungen, die kein Algorithmus erfassen kann.
Statistiken sind das Teleskop, durch das du den Eishockeymarkt betrachtest. Sie zeigen dir Dinge, die du mit bloßem Auge nicht sehen kannst, und sie korrigieren Wahrnehmungsverzerrungen, denen jeder Mensch unterliegt. Aber kein Teleskop zeigt dir alles, und wer vergisst, auch ab und zu ohne Instrument hinzuschauen, verpasst das, was direkt vor ihm liegt.
