Eishockey Statistiken für Wetten: Die wichtigsten Kennzahlen und ihre Bedeutung

Wer auf Eishockey wettet, braucht Daten. Aber welche Daten? Die NHL produziert hunderte Statistiken pro Spiel, von Schüssen aufs Tor über Faceoff-Prozente bis hin zu Time on Ice. Nicht alle davon sind für Wetter relevant, und manche, die relevant aussehen, führen in die Irre.

In einem globalen Eishockey-Wettmarkt mit einem Volumen von rund 7 Milliarden US-Dollar ist Datenkenntnis kein optionaler Vorteil, sondern die Grundlage für informierte Entscheidungen. Die Herausforderung ist nicht der Zugang zu Daten, denn die meisten relevanten Statistiken sind öffentlich verfügbar, sondern die Fähigkeit, die richtigen Daten auszuwählen und richtig zu interpretieren.

Dieser Artikel sortiert die wichtigsten Eishockey-Statistiken nach ihrer Wettrelevanz, erklärt, was sie messen und was nicht, und zeigt, wie sie in einen Analyse-Workflow integriert werden können.

Team-Statistiken: Welche Zahlen die Quotenbewertung schärfen

Vier Team-Statistiken bilden das Fundament jeder Eishockey-Wettanalyse.

Goals For / Goals Against pro Spiel. Die offensichtlichste Statistik und gleichzeitig die trügerischste. GF/GA zeigt, wie viele Tore ein Team erzielt und zulässt. Das Problem: In kleinen Stichproben ist GF/GA stark von Zufall abhängig. Ein Team kann in 10 Spielen 4.0 Tore pro Spiel erzielen, weil es eine unsustainable Shooting Percentage von 14 Prozent hat, obwohl der Ligadurchschnitt bei 9 bis 10 Prozent liegt. Erst ab 30 bis 40 Spielen stabilisiert sich GF/GA als zuverlässiger Indikator.

Shooting Percentage (SH%) und Save Percentage (SV%). SH% misst, wie viele Prozent der Schüsse im Tor landen. SV% misst, wie viele Prozent der gegnerischen Schüsse gehalten werden. Beide Metriken sind für Wetter relevant, weil extreme Werte fast immer zur Liga-Mean regressieren. Ein Team mit einer SH% von 13 Prozent über die ersten 15 Spiele wird diese Rate nicht halten. Wenn die Quoten auf der hohen Torproduktion basieren, die durch die überhöhte SH% getrieben wird, ist das Team als Favorit möglicherweise überbewertet.

Die Kombination aus SH% und SV% wird als PDO bezeichnet: PDO = SH% + SV%. Der Ligadurchschnitt liegt per Definition bei 100. Ein Team mit einem PDO von 103 über die ersten 20 Spiele profitiert von überdurchschnittlicher Schusseffizienz und Torwartleistung gleichzeitig, eine Kombination, die selten über eine ganze Saison haltbar ist. Teams mit hohem PDO sind Regressionskandidaten, deren Bilanz sich verschlechtern wird. Teams mit niedrigem PDO werden sich verbessern. Diese Erkenntnis ist für Wetter einer der zuverlässigsten Value-Indikatoren der frühen Saisonphase.

Power Play und Penalty Kill Percentage. Wie effizient nutzt ein Team seine Überzahl-Situationen, und wie effektiv verteidigt es in Unterzahl? PP% und PK% haben einen direkten Einfluss auf das Spielergebnis und sind für Wetter besonders dann relevant, wenn ein Team mit hoher PP% gegen ein Team mit schwachem PK antritt. In solchen Matchups steigt die erwartete Torproduktion, was die Over/Under-Bewertung beeinflusst.

Corsi For Percentage (CF%). Wie im Artikel zu Advanced Analytics beschrieben, misst CF% den Anteil der eigenen Schussversuche bei 5-gegen-5. CF% ist der beste Einzelindikator für Spielkontrolle und korreliert stärker mit zukünftigen Ergebnissen als die aktuelle Siegquote. Für Wetter ist CF% die Metrik, die am häufigsten Diskrepanzen zwischen Quotenbewertung und tatsächlicher Teamstärke aufdeckt.

Spieler-Statistiken: Individuelle Kennzahlen für Prop-Bets und Teamanalyse

Auf Spielerebene sind drei Statistik-Kategorien für Wetter am relevantesten.

Points per Game (P/GP) und Goals per Game (G/GP). Die Scoring-Rate eines Spielers ist die Basis für Anytime-Goalscorer- und Punkte-Props. Ein Spieler mit 0.45 G/GP erzielt statistisch in knapp jedem zweiten Spiel ein Tor. Aber die tagesaktuelle Quote auf Anytime Goalscorer reflektiert nicht immer die aktuelle Form. Wenn der Spieler in den letzten fünf Spielen 0.8 G/GP hat, steht die Prop-Linie aber auf seinem Saisondurchschnitt, entsteht eine Diskrepanz.

Shots on Goal (SOG) pro Spiel. Die stabilste Spielerstatistik und der beste Markt für datenbasierte Props. Schüsse aufs Tor schwanken weniger als Tore, weil sie weniger vom Torwart und vom Zufall abhängen. Ein Spieler, der konsistent 3.5 SOG pro Spiel generiert, wird diesen Wert mit höherer Wahrscheinlichkeit reproduzieren als seine Torquote. SOG-Props sind deshalb für analytische Wetter oft der bevorzugte Prop-Markt.

Time on Ice (TOI). Die Eiszeit eines Spielers korreliert direkt mit seiner Schuss- und Torwahrscheinlichkeit. Ein Stürmer mit 20 Minuten Eiszeit hat mehr Gelegenheiten als einer mit 12 Minuten. TOI-Veränderungen, etwa durch Verletzungen in der Sturmreihe oder Trainer-Entscheidungen, beeinflussen die erwartete Leistung. Wenn ein Spieler plötzlich in die erste Powerplay-Einheit befördert wird, steigt seine erwartete Punkteproduktion, aber die Props reagieren oft erst mit Verzögerung.

Ein weiterer Spieler-Datenpunkt, der selten in Prop-Analysen auftaucht, aber hochrelevant ist: die Faceoff-Winning-Percentage eines Centers. In der NHL beginnen rund 30 Prozent aller Offensivaktionen mit einem gewonnenen Faceoff. Ein Center mit einer Faceoff-Rate von 58 Prozent verschafft seinem Team in jeder Spielunterbrechung einen statistischen Vorteil. Für Wetter, die auf Spieler-Props im Bereich Punkte oder Assists wetten, ist die Faceoff-Rate des Centers in der Sturmreihe ein indirekter, aber messbarer Einflussfaktor auf die Offensivproduktion des Flügelspielers.

Praxis: Ein Statistik-Workflow für den Wett-Alltag

Ein schlanker Workflow, der vor jeder Wette durchlaufen wird.

Schritt eins: Team-Level-Check. CF%, xGF%, SH%, SV% beider Teams abrufen. Zeigt eines der Teams eine extreme SH% oder SV%, die zur Regression neigt? Wenn ja, den Effekt in die eigene Quoteneinschätzung einpreisen.

Schritt zwei: Matchup-Analyse. PP% des Heimteams gegen PK% des Auswärtsteams und umgekehrt. Gibt es ein Powerplay-Penalty-Kill-Mismatch, das die Torproduktion beeinflussen könnte? Wenn ja, hat das Implikationen für den Over/Under-Markt.

Schritt drei: Spieler-Check für Props. Wenn ein Prop-Bet in Betracht gezogen wird: SOG-Durchschnitt des Spielers über die Saison und die letzten fünf Spiele vergleichen. TOI-Veränderungen prüfen. Matchup gegen den erwarteten Verteidiger oder Torwart einbeziehen.

Schritt vier: Ergebnis mit Quote vergleichen. Die eigene Wahrscheinlichkeitseinschätzung, die aus den Statistiken abgeleitet wurde, gegen die angebotene Quote legen. Wenn die eigene Einschätzung 3 oder mehr Prozentpunkte über der impliziten Quotenwahrscheinlichkeit liegt, ist ein Value-Play möglich. Wenn nicht, weiterziehen.

Der gesamte Workflow dauert fünf bis zehn Minuten pro Spiel. Das klingt nach viel, ist aber die Investition, die den Unterschied zwischen informiertem Wetten und Raten macht. Wer die Daten nicht prüft, wettet blind. Wer sie prüft, hat einen Informationsvorsprung, der sich über eine Saison in der Bilanz niederschlägt.

Fazit

Statistiken sind das Rohmaterial der Eishockey-Wettanalyse. Aber nicht jede Statistik ist gleich wertvoll, und nicht jede Zahl, die beeindruckend aussieht, hat eine Vorhersagekraft für zukünftige Spiele. Die Kunst liegt in der Auswahl: CF% und xG für die Teamstärke, SOG und TOI für Spieler-Props, SH% und SV% für Regressionsanalysen, PDO für das Gesamtbild der Nachhaltigkeit eines Teamtrends.

Wer diese Kennzahlen kennt, interpretiert und in einen konsistenten Workflow einbettet, hat eine Analysebasis, die über Intuition und Bauchgefühl hinausgeht. Die Daten sind öffentlich, auf Plattformen wie Natural Stat Trick, Hockey-Reference und MoneyPuck kostenfrei abrufbar. Der Vorteil liegt nicht im Zugang, sondern in der Anwendung, und in der Disziplin, den Workflow vor jeder Wette konsequent durchzuziehen.