Zwei Modelle — eine Logik
Bundesliga-Prognosen stehen vor einem Datenproblem: Vor Spieltag 1 gibt es keine Saisondaten. Keine Spielform, keine aktuellen Expected Goals, keine Verletzungsliste der laufenden Saison. Was es gibt: strukturelle Informationen. Kaderqualität, historische Stärke, Transferbilanz, Trainerprofil.
Für diesen Zeitraum — die ersten Spieltage — ist das Faktor-8-Modell das sinnvollere Werkzeug. Es bewertet Struktur, nicht Momentform. Sobald genug In-Season-Daten vorliegen, wechseln wir auf das präzisere, datengetriebene Dynamisches Modell — das mit xGoals, Form und Fatigue rechnet.
Der Wechsel ist keine Korrektur eines Fehlers. Er ist der geplante nächste Schritt: vom Struktur-Modell zum Form-Modell, sobald Saison-Daten belastbar genug sind.
Schritt für Schritt: Bayern gegen Stuttgart
Wie entsteht eine Tendenz? Am Beispiel des Eröffnungsspiels Spieltag 1:
Die effektive Differenz liegt bei +2.08 — deutlich über der Klare-Heimtendenz-Schwelle (+1.20). Das Modell sieht Bayern klar vorne. Was diese Zahl nicht kennt: ob Musiala spielt, ob Saibari sofort ins Kurzpassspiel findet, ob Hoeneß sein Pressing gegen das Bayern-Aufbauspiel stellt. Das Modell rechnet mit Struktur. Den Rest spielen die 90 Minuten aus.
Warum +0.40 als Heimvorteil?
Der Heimvorteil ist über mehrere Bundesliga-Saisons kalibriert: Heimteams gewinnen statistisch rund 45–48 % aller Spiele, Auswärtsteams rund 28–32 %, der Rest endet Unentschieden. Auf der Differenz-Skala (0–10) entspricht dieser Effekt ungefähr +0.40 Punkten zugunsten des Heimteams — unabhängig davon, wer spielt. Das ist ein Pauschalwert, keine Arenen-spezifische Schätzung. Allianz Arena und Ursapharm-Arena bekommen denselben Zuschlag.
Die fünf Tendenz-Zonen
Die effektive Differenz landet in einer von fünf Zonen:
| Zone | Bereich | Beispiel Spieltag 1 |
|---|---|---|
| Klare Heimtendenz | > +1.20 | Bayern vs. Stuttgart (+2.08) |
| Leichte Heimtendenz | +0.30 bis +1.20 | — (Spieltag 1 kein Fall) |
| Offen / Tendenz X | −0.30 bis +0.30 | — (Spieltag 1 kein Fall) |
| Leichte Auswärtstendenz | −1.20 bis −0.30 | — (Spieltag 1 kein Fall) |
| Klare Auswärtstendenz | < −1.20 | Union vs. Frankfurt (−2.33) |
Spieltag 1 ist ungewöhnlich: Alle 9 Partien landen in den Randzonen — 6× klare Heimtendenz, 3× klare Auswärtstendenz, 0× leichte Tendenzen, 0× offen. Das liegt an der großen Kaderstärke-Spreizung der Liga: Zwischen Bayern (8.81) und Köln (2.11) liegen 6.70 Punkte.
Das Faktor-8-Modell und seine 8 Faktoren
Jeder Team-Score setzt sich aus 8 gewichteten Faktoren zusammen. Alle Rohwerte werden auf einer Skala 0–10 normalisiert (Perzentil-Methode: der stärkste Wert des Jahres bekommt 10.00, der schwächste 0.00):
| Faktor | Gewicht | Beschreibung |
|---|---|---|
| Kaderstärke | 20 % | Marktwert-Gesamtpaket aller 25 Kaderspieler (Transfermarkt.de) |
| Historische Form | 17 % | Punkte pro Spiel der letzten 3 Bundesliga-Saisons (gewichtet: jüngste zählt mehr) |
| Transferbilanz | 15 % | Netto-Transfersaldo der Sommertransferperiode — Zugänge minus Abgänge |
| Trainer-Faktor | 12 % | Historische Punktequote des Trainers in der Bundesliga, adjustiert für Amtszeit |
| Heimform | 10 % | Punkte pro Heimspiel der letzten 2 Saisons |
| Verletztenlage | 10 % | Anzahl und Schwere langzeitverletzter Stammspieler zum Saisonstart |
| Auswärtsform | 8 % | Punkte pro Auswärtsspiel der letzten 2 Saisons |
| Spielplan-Dichte | 8 % | Europäische Belastung (CL/EL/UECL) — mehr Spiele = höhere Fatigue-Last |
Alle Scores und die vollständige Methodik der Saisonprognose finden sich auf der Modell-Seite und in den 18 Team-Analysen.
Warum das Faktor-8-Modell für die laufende Saison an Grenzen stößt
Das Faktor-8-Modell ist ein Struktur-Modell. Es fragt: Welches Team ist besser aufgestellt — vor dem ersten Anpfiff? Das ist für die Saisonvorschau der richtige Ansatz. Für Spieltagsprognosen ab Spieltag 3 oder 4 ist es zunehmend das falsche Werkzeug.
Warum? Weil Struktur sich träge verändert, aber Spielergebnisse sich schnell verschieben. Spielt Bayern plötzlich schlecht, taucht im Faktor-8-Score nach einer Woche noch nichts davon auf. Ein Team in Verletzungs-Hochform kann sich kurzfristig über seinen Strukturwert hinaus verbessern. Das Faktor-8-Modell bleibt davon unberührt — es kennt nur die Ausgangslage.
Was das Faktor-8-Modell nicht sieht: Aktuelle Spielform der laufenden Saison · Expected Goals (xG) aus Saisonspielen · Kurzfristige Verletzungen und Sperren · Fatigue nach englischen Wochen · Direktvergleich-Dynamiken der Saison
Ab Spieltag 4: Wechsel zum Dynamisches Modell
Ab Spieltag 4 wechseln die Spieltagsprognosen auf das datengetriebene Modell. Warum Spieltag 4 und nicht früher?
Für aussagekräftige xG-Werte und Formkurven braucht es mindestens 3 Saisonspiele pro Team als belastbare Datenbasis. Nach Spieltag 3 hat jede Mannschaft exakt diese drei Spiele absolviert. Spieltag 4 ist damit der früheste Moment, an dem das Dynamisches Modell mit in-season Signalen rechnen kann, ohne dass diese Signale reines Rauschen sind. Drei Spiele sind statistisch immer noch wenig — deshalb wird das Modell in den ersten Wochen nach Wechsel die Pre-Season-Faktor-8-Scores noch als Ankergewicht berücksichtigen, das mit steigender Datenmenge abnimmt.
Was sich nicht ändert: kein Wett-Bezug
Egal welches Modell rechnet — die Ausgabe bleibt dieselbe: eine redaktionelle Ergebnis-Tendenz, keine Wettempfehlung.
Weder das Faktor-8-Modell noch das Dynamisches Modell produzieren Kelly-Sizing, Quoten-Vergleiche oder Buchmacher-Empfehlungen. Die Spieltagsvorschau ist Datenjournalismus — kein Aufruf zu Sportwetten. Das gilt für Spieltag 1 genauso wie für Spieltag 34.
Wo die Grenzen bleiben
Kein Modell sieht einen Videobeweis in der 94. Minute voraus. Kein Modell rechnet mit einem Trainerwechsel während der Woche. Kein Modell kennt die Aufstellung, bis sie veröffentlicht wird. Der "Was das Modell nicht weiß"-Abschnitt in jeder Spielpartie ist kein Disclaimer-Pflichttext, sondern der wichtigste Teil: dort steht, womit das Modell am ehesten falsch liegt.
Transparenz heißt nicht Unfehlbarkeit. Es heißt: Ihr könnt nachvollziehen, wie wir rechnen, wo wir falsch lagen, und warum wir das Modell verändern.