Besitzwertmodelle: Fußball-Analytik-Guide für 2026

Stell dir vor, Kevin De Bruyne nimmt den Ball kurz vor der Mittellinie an. Er schaut sich um, erkennt einen Lauf, der noch gar nicht begonnen hat, und legt einen präzisen Ball durch drei Verteidiger. Der Abschluss ist mäßig und die Chance ist dahin. Auf dem Statistikblatt passiert gar nichts: kein Tor, kein Assist, nichts, worüber man sich aufregen könnte. Und doch hat genau dieser Pass das getan, was ein guter Pass tun sollte: Er hat eine harmlose Ballbesitzsituation in eine echte Torchance verwandelt. (Die Szene ist frei erfunden, aber du hast hundert ähnliche schon live gesehen.)

Modellansätze zur Ballbesitzwertigkeit, kurz PVMs, dienen genau dem Zweck, diesem Moment die verdiente Anerkennung zu geben. Anstatt nur Tore und Assists zu zählen, schätzen sie ab, wie stark jede einzelne Aktion die Chancen eines Teams auf Tore und Gegentore verändert hat.

Dieser Leitfaden führt durch die wichtigsten Modelle (VAEP, EPV, OBV, g+ und xT), erklärt, wie Klubs sie nutzen und – da wir hier auf einer Wettseite sind –, wie viel sie für einen Tipper wirklich wert sind. Die kurze Antwort: ein sehr nützlicher Blickwinkel, aber kein Geldautomat.

Der Fußball ist immer schon an Zahlen interessiert. Jahrzehntelang haben sie jedoch nur einen Bruchteil der Geschichte erzählt. Tore, Vorlagen und Tore aus dem Nichts sind die Schlagzeilen, doch sie erfassen nur die Spitze des Eisbergs.

Nimm die Passquote. Ein Innenverteidiger, der 95 % seiner Rück- und Seitwärtspässe vollendet, wird höher bewertet als ein kreativer Mittelfeldspieler, der ständig den schwierigen Ball zwischen den Linien versucht. Die Prozentzahl sagt nichts darüber aus, wie schwer oder wie wertvoll jeder einzelne Pass war.

Der Ballbesatz hat den gleichen Fehler. Den Ball in harmlosen Bereichen zu dominieren, bringt gegen eine Mannschaft, die ihn dir gerne überlässt und im Gegenangriff zuschlägt, sehr wenig.

Und Tore und Vorlagen belohnen nur die letzte Aktion in dem, was oft eine lange, elaborate Kombination ist. Der Stürmer, der einen Verteidiger zu einem Fehler zwingt, der Mittelfeldspieler, der den Ball unter Druck recycelt, der Verteidiger, dessen Stellung eine Chance im Keim erstickt, bevor sie entsteht: all das ist im traditionellen Rekord unsichtbar.

Expected Goals (xG) hat das Problem teilweise gelöst, indem es die Qualität der Chancen misst, aber es betrachtet immer noch nur Schüsse. Was ist also mit allem anderen, was auf einem Fußballplatz passiert?

Statt der Frage „Hat diese Aktion zu einem Tor geführt?“ stellt ein PVM eine nützlichere Frage: „Wie hat diese Aktion die Wahrscheinlichkeit zu scoren oder zu kassieren verändert?“

Jede Aktion im Spiel – ob Pass, Tackling, Dribbling, Abwehr oder Schuss – verändert den Spielverlauf. Ein Pass in die Box erhöht die Torgefahr. Ein ungenauer Pass im Mittelfeld macht ein Gegentor wahrscheinlicher. PVMs ordnen jeder dieser Verschiebungen einen Wert zu und summieren diese für jeden Spieler und jedes Team auf.

Die Grundrechenoperation ist eine einfache Summe: der Anstieg deiner Torschance minus der Anstieg deiner Gegentorschance. Nehmen wir an, ein Pass erhöht deine Chance, ein Tor zu schießen, von 2 % auf 8 % und senkt deine Chance, ein Gegentor zu kassieren, von 1 % auf 0,5 %. Das ergibt einen Gewinn von 0,06 Toren plus eine Einsparung von 0,005, sodass der Pass etwa 0,065 Tore wert ist. Die Zahlen sind erfunden, um es zu veranschaulichen, aber die Logik entspricht dem, wie echte Modelle funktionieren.

Sobald du das für einen einzelnen Pass hinbekommst, kannst du es für alles anwenden. Ein letzter Tackling-Versuch, der ein sicheres Tor verhindert, hat einen enormen Wert. Ein ruhiges Haltungs- und Pässing unter Druck kann mehr wert sein, als es auf den ersten Blick wirkt. Ein spekulativer Schuss, der weit ins Aus fliegt und eine Ecke nach sich zieht, hat einen negativen Wert.

Genau das macht diese Modelle so nützlich für die Spieler, die das Spielstatistikblatt vergisst: die haltenden Mittelfeldspieler, die spielenden Innenverteidiger und die pressenden Stürmer, deren beste Arbeit selten in der traditionellen Statistik auftaucht.

Es gibt verschiedene Frameworks, die diese Idee in Zahlen übersetzen, und jeder folgt dabei einem anderen Weg. Wenn du dich ernsthaft mit fortgeschrittenen Fußballstatistiken beschäftigst, sind das die Namen, die du kennen musst.

VAEP (Valuing Actions by Estimating Probabilities)

Entwickelt von der DTAI-Forschungsgruppe an der KU Leuven in Belgien, ist VAEP eines der einflussreichsten akademischen Modelle in der Fußballanalyse. Es nutzt Machine Learning, um zu schätzen, wie jede Aktion die Wahrscheinlichkeit für Tore und Gegentore in den darauffolgenden Aktionen verändert. Seine Stärke liegt in der Breite: Es kann alles von einem einfachen Pass bis zu einem Dribbling bewerten, und sein Open-Source-Code hat es zu einer Grundlage für viele spätere Forschungen gemacht. Die Werte für einzelne Aktionen sind winzig, meist Bruchteile eines Tores.

EPV (Expected Possession Value)

Die Arbeit, die von Javier Fernández in der Analyseabteilung des FC Barcelona geleitet wurde, führte zu EPV, das auf Tracking-Daten basiert und zeigt, wo sich alle 22 Spieler befinden. Das ermöglicht eine Analyse Frame für Frame, einschließlich von Aktionen, die den Ball nicht berühren: der Dummy-Run, der einen Verteidiger vom Ball wegzieht, oder die Bewegung, die Raum für einen Teamkollegen schafft. Es ist einer der detailliertesten Ansätze, aber die benötigte Tracking-Infrastruktur macht es für die meisten Vereine zu teuer.

OBV (On-Ball Value)

StatsBomb, heute Hudl StatsBomb, führte OBV im Jahr 2021 ein. Es wird auf erwarteten Toren (xG) trainiert, nicht auf tatsächlichen Toren, was die Zufälligkeit beim Finish glättet, und es teilt den Wert zwischen Passgeber und Passempfänger auf, damit niemand doppelt gezählt wird.

g+ (Goals Added)

American Soccer Analysis hat g+ für die Berichterstattung über die MLS und NWSL erstellt. Es bewertet jede Berührung und teilt die Verdienste für einen Pass zwischen Passgeber und Passempfänger, weil ein guter Pass auch einen guten ersten Ballannahme-Moment erfordert, um zu funktionieren.

xT (Expected Threat)

Karun Singhs xT ist das am leichtesten vorstellbare. Es teilt den Platz in ein Gitter auf, gibt jeder Zone einen Wert basierend darauf, wie wahrscheinlich ein Tor von dort ist, und belohnt jeden Pass oder Ballführung, die den Ball in eine gefährlichere Zone bringt. Einfach zu erklären und einfach zu bauen, ist es ein toller Einstiegspunkt.

Man könnte aufgrund der akademischen Wurzeln annehmen, dass PVMs in Forschungspapieren zu Hause sind. Das ist nicht der Fall. Elitevereine haben diese Konzepte seit Jahren in ihre Arbeit integriert.

Rekrutierung

Liverpool unter Sportdirektor Michael Edwards, der die Position bis 2022 innehatte, werden oft als das Musterbeispiel für datengetriebenes Scouting angeführt. Das Ziel war es, Spieler zu finden, deren Beitrag über ihre reinen Toren und Vorlagen hinausging: Mittelfeldspieler, die den Ball nach vorne transportierten, ohne dabei in den Glamour-Statistiken zu glänzen, und Verteidiger, die Chancen schon im Ansatz vereitelten. Vereine sagen selten, wie stark sie auf ein einzelnes Modell angewiesen sind, daher sollte man individuelle Geschichten als fundierte Berichterstattung und nicht als veröffentlichte Methodik betrachten.

Spielvorbereitung

Ein Gegenspieler-Analyst könnte herausfinden, dass ein Rivale den größten Teil seines Ballbesitzwerts daraus zieht, dass sein Rechtsverteidiger den Ball ins Mittelfeld trägt. Das Trainerteam kann dann Pressing-Triggers entwickeln, um das Spiel aus dieser Zone zu drücken. Die gleichen Daten zeigen auch, welche Flügel Gegner bevorzugen, wo sie anfällig sind und wie oft ihre Standardsituationen zu hochwertigen Positionen führen.

Spielerbewertung

Für Scouts bieten PVMs ein vollständigeres Bild. Ein Stürmer, der zwar nicht torerfolgreich ist, aber weiterhin hochwertige Positionen schafft, könnte eine Chance auf Einsatzzeit verdient haben. Ein Verteidiger, dessen traditionelle Zahlen unspektakulär wirken, könnte durch Positionierung und Antizipation viele Chancen verhindern. Flügelspieler, die den Ball aus der Tiefe voranbringen – Trent Alexander-Arnold in seinen Liverpool-Jahren das offensichtliche Beispiel – glänzen oft in den Messgrößen für progressive Pässe, trotz bescheidener Torausbeute.

Expected Goals haben die Fußballanalyse revolutioniert, indem sie die Qualität von Torchancen messen, aber xG erfasst nur die Momente, in denen Torschüsse erfolgen. PVMs ziehen diese Denkweise über das gesamte Spielfeld.

Bedeutet ein breiterer Ansatz automatisch eine bessere Prognose der Ergebnisse? Die Beweislage ist gemischt. Eine Studie von 2025 in Frontiers in Sports and Active Living von Forcher und Kollegen nutzte drei Bundesligasaisons (2022/23 bis 2024/25). Für die Vorhersage vor dem Spiel erreichte EPV eine Trefferquote von 58,3 % gegenüber 55,6 % für xG. Nach dem Spiel war xG jedoch der stärkere Prädiktor (65,6 % gegenüber 59,6 %). Die Interpretation der Autoren: xG verrät dir mehr darüber, wie ein Team angegriffen hat, nachdem das Spiel gespielt wurde, während EPV vor dem Spiel echte Versprechen für die Vorhersage zukünftiger Ergebnisse zeigt.

Für Tipper bedeutet das in der Praxis, dass PVMs Teams markieren können, die hochwertige Ballbesitzsituationen kreieren, aber diese nicht in Tore umwandeln – diese sind Kandidaten für eine positive Regression – und Teams, die sich über ihre zugrunde liegenden Zahlen hinausbewegen. Sie können auch taktische Fehlbesetzungen aufdecken, bevor die Ergebnisse dies tun.

Der Wettmarkt hat sich bei der Wertschätzung von Ballbesitz langsamer gezeigt als die Top-Klubs, und die Belege dafür, dass PVM-Daten die Schlussquoten schlagen, sind dünn. Es bleibt jedoch eine clevere Brille, und zu lernen, wie man Fußball-Analytik auf Wetten anwendet, ist ein sinnvoller Einstieg.

Teams erkennen, deren Ergebnisse noch nicht aufholen

Mannschaften, die viel Besitzwert generieren, aber unterdurchschnittlich konvertieren, könnten bald bessere Ergebnisse einfahren, selbst wenn die letzten Spielstände das nicht zeigen. Die Kehrseite: Teams, die über ihren zugrunde liegenden Zahlen liegen, könnten auf einen Dämpfer zusteuern.

Spieler-Märkte funktionieren auf dieselbe Weise. Ein Mittelfeldspieler, der konstant hochwertige Positionen kreiert, aber keine Assists verbucht, könnte kurz vor seinem Durchbruch stehen, und ein Stürmer mit starkem Besitzwert, aber schwacher Finish-Qualität, könnte in den Torschützer-Märkten unterbewertet sein. Unser Leitfaden zu Spieler-Schuss-Märkten zeigt, wie man dieses Denken in die Praxis umsetzt.

Live-Wetten

Echtzeit-PVM-Tracking könnte Momentum-Wechsel aufdecken, bevor sie das Spielstand erreichen, und könnte sogar dabei helfen, Wechsel vorherzusagen. Das ist etwas, das man erst testen sollte, bevor man darauf setzt.

Kombination mit xG

Die effektivste Analyse kombiniert Metriken. Wenn man xG neben dem Besitzwert betrachtet, wird das Bild schärfer: Starkes xG bei schwachem Besitzwert deutet darauf hin, dass ein Team Chancen kreiert, ohne die Spiele wirklich zu kontrollieren, während dominanter Besitzwert bei schwacher xG-Konvertierung auf Qualität hindeutet, die durchbrechen sollte. Vor allem fangen PVMs den Prozess, nicht nur die Ergebnisse, ab, und in einem Sport, in dem die Varianz hart beißt, ist der Prozess der Ort, an dem sich das Signal verbirgt.

Die nächste Generation von PVMs kombiniert Ereignisdaten mit Spielertracking und erfasst alle 22 Spieler während des gesamten Spiels. Das bedeutet genauere Werteschätzungen und – was besonders wichtig ist – eine Anerkennung für die Arbeit ohne Ball.

Tracking-Daten

Der Dummy-Lauf, der einen Verteidiger aus der Gefahrenzone zieht, lässt sich endlich quantifizieren. Pressing, das zu Fehlern führt, ist messbar. Stellungsspiel, das Raum für einen Teamkollegen schafft, zeigt sich in den Daten. Die EPV-Arbeit von Javier Fernández zeigt, was möglich ist, indem sie den Ballbesitzwert in Teilmodelle aufteilt, die Aktionen bewerten, die den Ball nie berühren.

KI und Live-Analyse

Einige Vereine und Datenanbieter experimentieren mit KI-Tools für die Live-Überwachung von Taktik und Ermüdung. Die Belege für die Genauigkeit sind noch dünn, daher sollte man große Behauptungen über automatisierte Wechselempfehlungen oder Verletzungsprognosen als vielversprechend, aber nicht bewiesen betrachten.

Inzwischen werden Daten günstiger. Kleinere Vereine erhalten Zugang zu Tracking-Technologie, und ausgefeinte Metriken verbreiten sich weit über die Elite-Vereine hinaus, die sie als Pioniere eingeführt haben.

Trotz ihrer enormen Leistungsfähigkeit haben PVMs echte blinde Flecken, und jeder, der darauf setzt, sollte wissen, wo diese liegen.

Was gilt als Ballbesitz?

Da sind sich die Experten nicht einig. Zählt ein abgewehrter Ball, der zum angreifenden Team zurückkommt, als ein oder zwei Ballbesitze? Wie viele Ballkontakte sind nötig, um Kontrolle zu etablieren? Sollen Standardsituationen separat behandelt werden? Die Wahl ist entscheidend: Aktionsbasierte Zeitfenster belohnen eher die Ballhaltung, während besitzbasierte Zeitfensten mehr Gewicht auf Stürmer und Torschüsse legen.

Arbeit ohne Ball ohne Tracking

Ereignisdatenmodelle können nicht bewerten, was nicht im Ereignisstream enthalten ist: Bewegung ohne Ball, Pressingintensität, Positionierung, die Lücken schafft. Surrogatwerte führen zu einer gewissen Verzerrung, aber sie sind immer noch besser als gar keinen Kontext zu haben.

Die Blackbox

Die präzisesten Modelle, insbesondere baumbasierte wie VAEP, sind schwer zu interpretieren. Warum hat das Modell dieser Aktion diesen Wert zugewiesen? Trainer werden Zahlen nicht vertrauen, mit denen sie nicht argumentieren können.

Wer besitzt die Daten?

Je detaillierter das Tracking wird, desto mehr entstehen Fragen darüber, wem die Bewegungs- und biometrischen Daten der Spieler gehören und wie sensible Fitnessinformationen geschützt werden. Die Antworten darauf werden bestimmen, wie sich das Feld weiterentwickelt.

Besitzwert-Modelle sind der größte Fortschritt in der Fußball-Analytik seit den Expected Goals. Sie bewerten die unzähligen Aktionen, die das Spielprotokoll ignoriert, und erklären so Spieler- und Teamleistungen auf eine Weise, die Tore und Vorlagen nie konnten. Für Vereine sind sie ein Werkzeug unter vielen. Für Fans beantworten sie, warum bestimmte Spieler und Teams wirklich erfolgreich sind. Für Wettanbieter sind sie eine kleine, geduldige Kante in einem Markt, der immer noch auf traditionelle Zahlen setzt: real, aber leicht von Buchmacher-Margen und Varianz aufgefressen.

• Nutze PVMs zusammen mit xG, nicht anstatt davon. Die Forschung zeigt, dass jedes für eine andere Aufgabe besser ist.
• Kenne deine Quelle. Prüfe, welches Modell und welcher Datenanbieter hinter den Zahlen stehen, bevor du Vergleiche anstellst; eine VAEP-Zahl und eine OBV-Zahl sind nicht dieselbe Währung.
• Denke in Saisons, nicht in einzelnen Spielen. Nachhaltige Muster bedeuten etwas; Schwankungen über ein Spiel sind meist nur Rauschen.
• Suche nach dem Mismatch. Die besten Hinweise sind Teams, die viel Wert schaffen, aber keine Ergebnisse vorweisen können, und umgekehrt.
• Halte den Vorteil in der richtigen Perspektive. Jeder Vorteil ist klein und muss die Buchmacher-Marge überwinden, setze daher entsprechend.

Ein Pass, der nie zu einer Vorlage wird, ist nicht wertlos. Besitzwert ist der Weg, um das zu beweisen.

• Expected Threat (xT) im Fußball: Kompletter Analytik-Guide
• VAEP Fußball-Analytik: Der komplette Guide zur Bewertung jeder Aktion
• Wie man ein Sportwetten-Modell aufbaut: Kompletter Guide
• Heimvorteil vs. Teamqualität: Fortgeschrittener Fußballwetten-Guide
• Über/Unter 1,5 & 3,5 Tore: Fortgeschrittene Torgrenzen-Wettstrategien

18+. Bitte wetten verantwortungsvoll. Für kostenlose, vertrauliche Unterstützung besuchen Sie BeGambleAware.org.