Verletzte und Gesperrte Spieler: Wie Ausfälle Prognosen beeinflussen

Ein Spieler fehlt — und plötzlich ist die Prognose überholt. Der Unterschied zwischen Bayern mit und ohne Manuel Neuer, zwischen Dortmund mit und ohne Gregor Kobel, kann den Ausgang eines Spiels verändern. Verletzungen und Sperren sind der am häufigsten unterschätzte Faktor in Fußballprognosen.

Kader kennen, Prognosen verbessern — dieser Grundsatz gilt für jede ernsthafte Analyse. Ein Modell, das nur Teamstärken berücksichtigt, ignoriert die Tatsache, dass Teams keine abstrakten Einheiten sind, sondern Sammlungen von Individuen. Wenn ein Schlüsselspieler ausfällt, ändert sich die Teamstärke — manchmal erheblich.

Die Buchmacher wissen das. Sie passen ihre Quoten an, wenn ein wichtiger Spieler ausfällt — oft innerhalb von Minuten nach der Meldung. Wer die Nachricht früher hat, kann von der Verzögerung profitieren. Wer sie später hat, wettet gegen einen bereits angepassten Markt. Die Geschwindigkeit der Information ist entscheidend.

Die Herausforderung liegt in der Quantifizierung. Wie viel ist Manuel Neuer wert? Wie viel schwächt die Sperre von Joshua Kimmich das Team? Diese Fragen haben keine einfachen Antworten, aber sie haben messbare Annäherungen. Wer sie ignoriert, verschenkt Genauigkeit.

Schlüsselspieler-Effekt quantifizieren

Die Bedeutung einzelner Spieler variiert enorm. Ein Bankverteidiger, der ausfällt, verändert wenig. Ein Stammtorhüter oder zentraler Mittelfeldspieler kann das gesamte Teamgefüge beeinflussen. Die Frage ist: Wie messen wir diesen Unterschied?

Eine Analyse von Anzer und Bauer, veröffentlicht in Frontiers in Sports and Active Living, verwendete SHAP-Analysen, um die wichtigsten Faktoren für xG-Modelle zu identifizieren. Die Studie zeigt, dass Distanz zum Tor der einflussreichste Faktor in der Torwahrscheinlichkeit ist. Übertragen auf Spielerausfälle bedeutet das: Der Einfluss eines Spielers lässt sich durch seinen Beitrag zu den Teammetriken messen.

Expected Goals Added — xGA — ist eine solche Metrik. Sie zeigt, wie viele erwartete Tore ein Spieler durch seine Aktionen hinzufügt. Ein Stürmer mit hohem xGA ist schwerer zu ersetzen als einer mit niedrigem. Die Differenz zwischen Stammspieler und Ersatz ergibt die geschätzte Einbuße bei einem Ausfall.

Die Kadertiefe eines Teams bestimmt, wie stark Ausfälle wirken. Bayern hat für fast jede Position mehrere Weltklasse-Alternativen. Ein Ausfall tut weh, aber der Ersatz ist immer noch hervorragend. Bei kleineren Vereinen ist das anders: Der Unterschied zwischen Stammspieler und Ersatz kann dramatisch sein. Aufsteiger oder Abstiegskandidaten sind oft viel anfälliger für Verletzungskrisen.

Die Position macht einen Unterschied. Torhüter haben enormen Einfluss — der Unterschied zwischen einem Top-Keeper und einem Ersatztorwart kann mehrere xGA pro Saison betragen. Zentrale Mittelfeldspieler beeinflussen beide Spielhälften. Flügelspieler sind oft leichter zu ersetzen, weil ihre Aufgaben weniger komplex sind.

Praktisch bedeutet das: Vor jeder Prognose die aktuellen Ausfälle prüfen und deren Bedeutung einschätzen. Wenn Bayern ohne drei Stammspieler antritt, sollte das ELO-basierte Modell nach unten korrigiert werden. Die Korrektur ist grob — vielleicht 50 bis 100 ELO-Punkte pro wichtigem Ausfall —, aber sie ist besser als keine Korrektur.

Datenquellen für Verletzungen

Aktuelle Verletzungsinformationen sind frei verfügbar, aber verstreut. Die wichtigsten Quellen bieten unterschiedliche Detailgrade und Aktualität.

Transfermarkt listet Verletzungen mit geschätzter Ausfallzeit. Die Daten sind umfassend, aber nicht immer aktuell. Die Plattform ist besonders nützlich für langfristige Ausfälle — Kreuzbandrisse, Muskelverletzungen, die über Wochen gehen. Für kurzfristige Entscheidungen — spielt er morgen oder nicht — sind andere Quellen besser.

WhoScored und ähnliche Plattformen bieten Kaderübersichten mit Verfügbarkeitsstatus. Die Daten sind oft aktueller als Transfermarkt, aber weniger detailliert. Für einen schnellen Überblick vor dem Spieltag sind sie ideal.

Offizielle Vereinskanäle liefern die aktuellsten Informationen, aber oft spät. Trainer geben in Pressekonferenzen Hinweise, aber selten vollständige Listen. Manche Vereine kommunizieren offen, andere halten Informationen zurück, um taktische Vorteile zu wahren. Die Pressekonferenz vor dem Spiel ist oft die letzte Chance, verlässliche Informationen zu bekommen.

Twitter und soziale Medien können frühe Hinweise liefern. Journalisten, die nah am Verein sind, posten manchmal Informationen vor der offiziellen Bestätigung. Aber die Zuverlässigkeit variiert — Gerüchte verbreiten sich schnell, Bestätigungen brauchen länger.

Dr. Kevin Moore, Experte für Fußballgeschichte, betont, dass das Verständnis des Spiels über bloße Statistiken hinausgeht. Diese Einsicht gilt besonders für Verletzungsanalysen: Die nackte Information, dass ein Spieler fehlt, sagt wenig ohne das Verständnis seiner Rolle im Team und der verfügbaren Alternativen.

Die Integration erfordert Urteilsvermögen. Ein verletzter Stammspieler bedeutet nicht automatisch eine schwächere Mannschaft — der Ersatz könnte überraschen. Aber systematisch betrachtet ist der Ersatz wahrscheinlich schwächer als der Stammspieler. Sonst wäre er selbst Stammspieler.

Integration in Prognosemodelle

Fortgeschrittene Modelle berücksichtigen Kaderzusammensetzung als Feature. Laut einer Studie in MDPI Applied Sciences erreichten Random-Forest-Modelle mit umfassenden Spielerfeatures eine Genauigkeit von 81,26 Prozent bei der Vorhersage von Spielausgängen — bei einem durchschnittlichen ROI von 1,58 Prozent pro Spiel. Diese Präzision ist höher als bei einfachen Modellen, die nur Teamstatistiken verwenden.

Der Ansatz: Statt nur Teamstärke zu messen, werden die individuellen Stärken der aufgestellten Spieler aggregiert. Ein Team mit allen Stammspielern hat einen höheren aggregierten Wert als dasselbe Team mit drei Ersatzleuten. Die Differenz fließt in die Prognose ein.

Die praktische Umsetzung ist komplex. Sie erfordert aktuelle Kaderlisten, individuelle Spielerbewertungen und einen Algorithmus zur Aggregation. Für den durchschnittlichen Wettenden ist das nicht praktikabel. Aber der Grundgedanke lässt sich vereinfachen: Manuelle Korrektur der ELO-Werte basierend auf bekannten Ausfällen.

Ein Beispiel: Bayern hat ein ELO-Rating von 2000. Ohne Manuel Neuer, der etwa 0,3 xG pro Spiel wert sein könnte, reduziert sich die effektive Stärke. Eine grobe Schätzung: minus 30 bis 50 ELO-Punkte. Bei drei wichtigen Ausfällen kann die Korrektur 100 ELO-Punkte betragen — genug, um die Siegwahrscheinlichkeit um mehrere Prozentpunkte zu verschieben.

Das Timing der Information ist entscheidend. Wer früh von einem Ausfall erfährt, kann wetten, bevor die Buchmacher reagieren. Wer zu spät kommt, findet bereits angepasste Quoten. Der Informationsvorsprung ist einer der wenigen echten Vorteile, die ein einzelner Wettender gegenüber dem Markt haben kann.

Die Warnung: Verletzungsinformationen sind nicht immer zuverlässig. Spieler, die als fraglich gelten, spielen manchmal doch. Spieler, die als fit gemeldet werden, sitzen plötzlich auf der Bank. Die Korrektur sollte konservativ sein — lieber zu wenig anpassen als zu viel.

Sperren sind einfacher zu handhaben als Verletzungen. Sie sind öffentlich bekannt und definitiv. Wenn ein Spieler eine Rote Karte bekommt, fehlt er im nächsten Spiel — keine Unsicherheit. Diese Klarheit macht Sperren zu einem zuverlässigeren Faktor in Prognosen.

Kader kennen, Prognosen verbessern — aber auch die Grenzen des Wissens kennen. Verletzungen sind ein wichtiger Faktor, aber sie sind nicht der einzige. Die beste Prognose kombiniert alle verfügbaren Informationen: ELO, Form, Heimvorteil, Kader. Keine einzelne Variable erzählt die ganze Geschichte. Der informierte Analyst nutzt alles, was verfügbar ist — und bleibt skeptisch gegenüber scheinbaren Gewissheiten.

Der Aufwand lohnt sich besonders bei knappen Spielen. Wenn zwei Teams auf Augenhöhe sind, kann ein wichtiger Ausfall den Unterschied machen. Bei klaren Favoritensituationen — Bayern gegen einen Aufsteiger — ändern selbst mehrere Ausfälle selten das Gesamtbild. Die Kunst liegt darin, zu erkennen, wann Ausfälle relevant sind und wann nicht.

Die Entwicklung geht zu immer detaillierteren Modellen. Einige professionelle Wettorganisationen verwenden Lineup-Prognosemodelle, die vorhersagen, wer spielen wird, bevor es offiziell ist. Diese Modelle nutzen Trainingsberichte, Pressekonferenzen und historische Muster. Für den durchschnittlichen Wettenden ist das unerreichbar — aber das Bewusstsein für die Bedeutung von Kaderverfügbarkeit kann jeder entwickeln.

Es beginnt mit einer einfachen Frage vor jeder Wette: Wer fehlt? Die Antwort kann den Unterschied machen. Kader kennen, Prognosen verbessern — diese Maxime ist einfacher umzusetzen, als sie klingt. Die Informationen sind verfügbar, die Werkzeuge kostenlos. Die Frage ist nur, ob man sich die Zeit nimmt.