Ein Fußballmodell in der Tabellenkalkulation bauen: Aufbau, Formeln, Fallstricke

Wer ein Prognosemodell für Fußball bauen möchte, denkt schnell an Programmiersprachen, Datenbanken und Machine Learning. Für den Einstieg reicht aber eine Tabellenkalkulation wie Excel oder LibreOffice Calc. Sie zwingt dazu, jeden Rechenschritt sichtbar zu machen, und genau das ist beim Lernen und Prüfen ein Vorteil. Dieser Beitrag beschreibt, wie ein solches Modell aufgebaut wird, welche Formeln nützlich sind und welche Fehler man vermeidet. Er ist eigenständig geschrieben; die Idee, Daten per INDEX und VERGLEICH automatisch zusammenzuführen, wird auch im Wettblog von Crimson Corporation behandelt.

Die Blätter: Daten, Berechnung, Ausgabe

Ein übersichtliches Modell trennt drei Bereiche, jeweils auf einem eigenen Tabellenblatt:

1. Daten: Rohdaten ohne jede Berechnung. Pro Zeile ein Spiel mit Datum, Heim- und Gastmannschaft, Toren und optional Quoten. Rohdaten werden nie überschrieben.
2. Teamwerte: Pro Team die Kennzahlen, die das Modell braucht, etwa Tore pro Heim- und Auswärtsspiel erzielt und kassiert.
3. Prognose: Pro anstehendem Spiel die berechneten Werte: erwartete Tore, Wahrscheinlichkeiten und faire Quoten.

Diese Trennung verhindert, dass sich Rechenfehler unbemerkt in die Rohdaten schleichen, und macht das Modell nachvollziehbar. Ein zusätzliches Blatt „Notizen“ dokumentiert Quellen, Definitionen und Änderungen.

Teamwerte automatisch bestimmen

Die wichtigsten Funktionen für Teamwerte sind Summenfunktionen mit Bedingung (SUMMEWENN, ZÄHLENWENN, MITTELWERTWENN). Sie berechnen zum Beispiel, wie viele Tore ein Team in seinen Heimspielen erzielt hat. Die Funktionen INDEX und VERGLEICH holen anschließend den passenden Wert zu einem Teamnamen aus der Teamtabelle in die Prognosezeile. Kurz erklärt: VERGLEICH liefert die Zeilennummer eines Namens in einer Liste, INDEX gibt aus einer Spalte den Wert an dieser Zeilennummer zurück. Verglichen mit SVERWEIS hat die Kombination den Vorteil, dass sich Spalten verschieben lassen, ohne die Formeln zu brechen, und dass die Suche in beliebiger Richtung funktioniert.

Wer Teamnamen aus verschiedenen Quellen kombiniert, stößt oft auf abweichende Schreibweisen („FC Bayern“, „Bayern München“). Eine eigene Zuordnungstabelle löst das Problem zuverlässiger als Handarbeit.

Vom Teamwert zur Torwahrscheinlichkeit

Für die Prognose nutzt man die Poisson-Verteilung. Die Tabellenkalkulation bringt dafür eine fertige Funktion mit, in Excel POISSON.VERT, in Calc ähnlich benannt. Sie erwartet drei Angaben: die Torzahl, den erwarteten Wert Lambda und ob die kumulierte (1) oder die einzelne Wahrscheinlichkeit (0) gewünscht ist. Wie man aus Saisonschnitten ein Lambda ableitet und daraus eine ganze Ergebnismatrix baut, zeigt der Beitrag Poisson-Modell Schritt für Schritt. Die Matrix lässt sich in der Tabelle als Raster aus Zeilen für Heimtore und Spalten für Gasttore aufbauen, in dem jede Zelle das Produkt zweier Wahrscheinlichkeiten ist.

Aus der Matrix werden Summen gebildet: Heimsieg (Zellen oberhalb der Diagonale), Remis (Diagonale), Auswärtssieg (Zellen unterhalb). Summen über die Gesamttorzahl liefern Over/Under-Werte. Ein Kontrollkästchen sollte stets prüfen, dass alle Wahrscheinlichkeiten sich zu 100 Prozent addieren. Weicht die Summe ab, liegt ein Fehler vor oder die Matrix ist zu klein gewählt.

Qualität sichern: Prüfen, bevor man vertraut

Ein hübsches Modell ist noch kein gutes Modell. Mindestens drei Prüfungen gehören dazu:

• Plausibilitätschecks: Summen von Wahrscheinlichkeiten, Vorzeichen, Größenordnungen. Ein Heimsieg mit 120 Prozent verrät sich sofort.
• Prüfung mit unbekannten Daten: Das Modell wird nur mit Spielen bis zu einem bestimmten Tag gefüttert und dann an den danach gespielten Partien gemessen. So vermeidet man Datenleck, wie es der Beitrag zum Walk-Forward-Backtest erklärt.
• Vergleich mit dem Markt: Wie nahe liegt das Modell an den Schlussquoten? Der Linienfehlertest macht diese Frage messbar.

Wer Änderungen vornimmt, sollte jeweils nur eine Sache auf einmal verändern und das Ergebnis auf denselben Daten vergleichen. Sonst weiß man nicht, welche Anpassung etwas bewirkt hat.

Typische Fallstricke

Erstens: Zu kleine Stichproben. Gerade zu Saisonbeginn sind Teamwerte kaum aussagekräftig. Viele Modelle mischen deshalb die Vorsaison ein oder starten mit dem Ligaschnitt und passen ihn mit jedem Spiel an. Zweitens: Verdeckte Annahmen. Wenn Heimvorteil, Tormittel oder Gewichtungen fest in Formeln stecken, sind sie später kaum zu finden. Besser sind Parameter in eigenen, benannten Zellen. Drittens: Unbemerkte Fehler durch Kopieren. Absolute und relative Zellbezüge verhalten sich beim Kopieren verschieden; eine falsche Verankerung verschiebt Berechnungen leise. Viertens: Versionschaos. Wer Modelländerungen nicht festhält, kann Ergebnisse nicht reproduzieren. Ein Änderungsprotokoll und gespeicherte Versionsstände helfen.

Außerdem gilt: Die Tabellenkalkulation ist ein Werkzeug zum Lernen und Prüfen, kein Beweis. Ein Modell, das auf der Ausgangsdatenlage gut aussieht, kann bei neuen Daten versagen. Dieser Beitrag dient der Information und ist keine Wettempfehlung; Hinweise zu Risiken stehen unter Risikohinweise.

Ein kleines Beispiel für den Tabellenaufbau

Angenommen, das Blatt „Daten“ enthält 380 Spiele einer Saison. In „Teamwerte“ steht pro Mannschaft eine Zeile mit vier Spalten: Heimtore erzielt, Heimtore kassiert, Auswärtstore erzielt, Auswärtstore kassiert, jeweils als Durchschnitt über die bisherigen Spiele. Das Blatt „Prognose“ erhält pro Begegnung eine Zeile. Zwei Spalten ziehen mit INDEX und VERGLEICH die Werte der beteiligten Teams, zwei weitere berechnen daraus Lambda für Heim und Gast, danach folgen die Wahrscheinlichkeiten. Eine Parameterzelle für den Ligaschnitt und eine für die Gewichtung neuerer Spiele macht spätere Anpassungen leicht. So bleibt jede Zahl rückverfolgbar, und ein Fehler lässt sich in wenigen Minuten finden.

Fazit

Ein Fußballmodell in der Tabellenkalkulation besteht aus drei getrennten Blättern, wenigen robusten Formeln und konsequenter Prüfung. Die Einfachheit ist ein Vorteil: Man versteht jede Zahl, kann sie nachrechnen und das Modell Schritt für Schritt verbessern. Wer später auf Programmiersprachen umsteigt, nimmt die Struktur und die Prüfroutinen mit.