Unterschiedliche Definitionen, gleiche Zahlen?
Schau, die Idee hinter Expected Goals ist simpel: jede Torchance bekommt einen Wahrscheinlichkeitswert. Doch das ist ein Trugschluss. Jeder Anbieter hat seine eigene Formel, seine eigenen Filter. Opta zählt Schüsse, die das Tor mindestens 0,5 Meter seitlich passieren; StatsBomb hingegen schaut auf das gesamte Erwartungsmodell, inklusive Passverlauf, Defensivpositionen und sogar die Fußgröße des Schützen. Das ist nicht nur ein Mini‑Detail, das ist das Grundgerüst, warum die Werte auseinanderdriften.
Datenerfassung – das Fundament des Chaos
Hier entsteht der eigentliche Split. Opta verwendet ein halbautomatisches System, das auf Kameras und manuellen Eingriffen basiert. StatsBomb setzt auf ein vollautomatisches Deep‑Learning‑Modell, das jede Bewegung in Millisekunden auswertet. Unterschiedliche Quellen bedeuten unterschiedliche Fehlerquoten. Ein kurzer Blick auf die Rohdaten zeigt sofort, dass die beiden Datenbanken nicht dieselben Events erfassen – manche Zweikämpfe werden von Opta als „Block“ klassifiziert, von StatsBomb jedoch als „Pressing“.
Modellparameter – das geheime Rezept
Und dann die Gewichte: Opta legt viel Wert auf Schussdistanz und Winkel, aber vernachlässigt die Abwehrabstand. StatsBomb dagegen integriert die Position der Verteidiger, die Torwartposition und sogar die durchschnittliche Ballgeschwindigkeit. Wenn du das kombinierst, bekommst du ein ganz anderes xG‑Profil. Kurz gesagt: Zwei verschiedene Küchen, zwei völlig unterschiedliche Gerichte.
Historische Datenbank vs. Echtzeit‑Kalibrierung
Schau, Opta speist sein Modell mit einem fünf‑Jahres‑Datensatz, der bereits 2020 endet. StatsBomb aktualisiert seine Parameter wöchentlich, basierend auf den neuesten Liga‑Statistiken. Das bedeutet, dass StatBomb schneller auf taktische Veränderungen reagiert – ein neuer Pressing‑Stil wird sofort sichtbar, Opta braucht Monate. Das führt zu kurzfristigen Schwankungen, die im Vergleich wie ein Erdbeben erscheinen.
Praktische Konsequenzen für Analysten
Wenn du deine Spielanalyse auf einen einzigen Anbieter baust, läufst du Gefahr, ein verzerrtes Bild zu bekommen. Du könntest denken, ein Team hat eine bessere Abschlussqualität, während das gegenteilige Modell das Gegenteil sagt. Auf aibundesligaprognose.com sehen wir das täglich – unterschiedliche Rankings, unterschiedliche Bewertungen. Vertraue nicht blind auf das eine System.
Wie du die Diskrepanz überbrückst
Hier ist die Lösung: Kombiniere beide Quellen, normalisiere die Werte auf ein gemeinsames Raster, und gewichte sie nach deinem eigenen Erfahrungswert. Das ist kein Hexenwerk, sondern ein simpler Vorgang: erst Daten sammeln, dann Standardabweichungen prüfen, dann den Mittelwert bilden. So bekommst du ein robustes xG‑Signal, das nicht von einem Provider abhängig ist. Und das ist das Einzige, was zählt.