Fodbold Statistik til Betting: De Nøgletal der Gør en Forskel
Jeg startede med at kigge på de tal, alle andre kiggede på. Boldbesiddelse, antal skud, antal hjørnespark. Det tog mig to tabsrige sæsoner at indse, at de fleste populære statistikker er værdiløse for betting. Ikke fordi de er forkerte — men fordi de ikke fortæller dig det, du har brug for at vide. Det afgørende er ikke hvor mange data du har, men hvilke data du bruger. Og den skelnen er det, der adskiller en datadrevet bettor fra en, der bare ligner en.
Denne guide handler om at skære ind til benet. Hvilke statistikker har reel prædiktiv værdi? Hvilke er støj? Og hvor finder du data, der faktisk kan flytte din analyse?
Fem nøgletal enhver bettor bør kende
Efter ni år med dataanalyse har jeg destilleret min model ned til fem kernestatistikker. De dækker ikke alt — ingen model gør det — men de fanger de vigtigste signaler i en fodboldkamp.
Nummer ét er xG — expected goals. Jeg har skrevet en hel artikel om xG, så her er den korte version: xG måler kvaliteten af de chancer, et hold skaber og tillader. Opta’s model bruger over 20 variable — afstand, vinkel, forsvarspres, målmandsposition — og er trænet på næsten en million historiske skud. Det er det bedste mål for et holds offensive og defensive præstation, fordi det filtrerer heldet fra og fokuserer på den underliggende kvalitet.
Nummer to er xGA — expected goals against. Hvor xG måler den offensive produktion, måler xGA den defensive soliditet. Et hold med lav xGA tillader få chancer af høj kvalitet. Det er en bedre indikator for defensiv styrke end “mål imod”, fordi det fjerner variansen fra individuelle keeperpræstationer og heldige redninger.
Nummer tre er PPDA — passes per defensive action. Det måler, hvor intensivt et hold presser. Et lavt PPDA-tal (under 8) indikerer et aggressivt pressende hold. Et højt tal (over 12) indikerer et hold, der vælger at ligge lavt og kontre. PPDA er særligt nyttigt til at forudsige kampens rytme og tempo — og dermed om over/under-markeder er attraktive.
Nummer fire er skudkvalitetsfordelingen. Ikke bare det samlede antal skud, men fordelingen: hvor mange skud kommer fra boksen? Hvor mange er førstegangs? Hvor mange er under pres? Et hold med 15 skud, hvoraf 12 er langskud uden pres, skaber reelt mindre fare end et hold med 7 skud, alle fra nært hold. Skudkvalitet er vigtigere end skudkvantitet.
Nummer fem er hjemme/ude-split. Et holds samlede sæsonstatistik er ofte misvisende, fordi den blander to vidt forskellige kontekster. I Superligaen vinder hjemmeholdet i 44-48 procent af kampene — men den fordeling varierer enormt fra hold til hold. Nogle hold er næsten uovervindelige hjemme og svage ude. Andre præsterer jævnt i begge kontekster. Brug altid splittet statistik, aldrig aggregerede tal.
Overvurderede statistikker: possession og skud
Boldbesiddelse er den mest overeksponerede statistik i fodbold. Den er overalt — på tv-grafik, i kamprapporter, i betting-analyser. Og den er næsten værdiløs som prædiktiv indikator for kampudfald.
Correlation mellem boldbesiddelse og sejr er svag. Hold som Atletico Madrid har i årevis vundet kampe med 35-40 procent boldbesiddelse. Counter-pressende hold afgiver bevidst bolden og venter på omstillingsmuligheder. Boldbesiddelse fortæller dig noget om spillestil — men næsten intet om sandsynligheden for at vinde.
Totalt antal skud er næsten lige så misvisende. 20 skud lyder imponerende, men hvis 16 af dem er blokerede langskud, er den reelle trussel minimal. Skud-statistikken uden kontekst er støj. Det er derfor, xG eksisterer — den giver skuddene den kontekst, som det rå tal mangler.
Hjørnespark er en anden yndlingsstatistik, der sjældent bidrager til en meningsfuld analyse. Correlation mellem antal hjørnespark og mål er overraskende lav. Ja, hjørnespark er chancer — men de fleste resulterer ikke i kvalitetsskud. At basere bets på hjørnesparksstatistik er som at tælle antallet af gange, du kaster en dartpil, uden at se, om du rammer skiven.
Min regel: ignorer enhver statistik, der ikke direkte relaterer til chancekvalitet eller defensiv soliditet. Resten er underholdning, ikke analyse.
Gratis og betalte datakilder til fodboldanalyse
Du behøver ikke et dyrt abonnement for at komme i gang med datadrevet betting. De bedste gratis kilder er overraskende gode — og de dækker de fleste behov for en seriøs, men ikke professionel, bettor.
FBref er min primære gratis kilde. Den bruger StatsBomb-data og tilbyder xG, xGA, skuddata, passing-statistik og defensive actions for de fleste store ligaer. Interfacet er spartansk, men dataen er solid og opdateres hurtigt efter kampene.
Understat specialiserer sig i xG-data og tilbyder en alternativ model til FBref’s StatsBomb-data. At sammenligne xG-tal fra begge kilder giver dig et mere robust billede — afvigelser mellem modellerne kan indikere kampe, hvor datausikkerheden er høj.
FotMob er den bedste mobile app til live-statistik og kampdata. Den tilbyder xG, skudkort, heatmaps og momentum-grafer for kampe i realtid. Til pre-match analyse er den mindre detaljeret end FBref, men til live-betting og hurtige tjek er den uovertruffen.
Transfermarkt er uundværlig for holdnyheder, skader, transferer og markedsværdier. Det er ikke en statistikside i traditionel forstand, men informationen om holdopstillinger og spillertilgængelighed er afgørende for at kontekstualisere de statistiske data.
Betalte kilder som StatsBomb IQ, Opta og InStat tilbyder dybere data, herunder tracking-data, expected threat-modeller og individuelle spillermetrics. De er relevante for professionelle bettors og analytikere, men for de fleste er de gratis kilder tilstrækkelige som fundament.
Sådan bygger du en databaseret kampanalyse
Min analyseproces for en enkelt kamp tager typisk 20-30 minutter. Her er rammen, trin for trin.
Start med xG-profilen for begge hold over de seneste 8-10 kampe. Kig på både samlet xG og xG-trenden — forbedrer holdet sig, eller er de i faldende form? Splittet hjemme/ude. Et hold med stigende xG hjemme men faldende xG ude har en profil, der er relevant for kampens kontekst.
Dernæst tjekker jeg defensive metrics: xGA og PPDA. Et hold med stigende xGA over de seneste kampe er sårbart, uanset hvad 1X2-oddset siger. Presintensiteten (PPDA) fortæller mig, om kampen sandsynligvis bliver åben (begge holder presser) eller lukket (ét eller begge hold ligger lavt).
Tredje trin er holdnyheder. Skader på nøglespillere, rotation efter europæiske kampe, suspensioner. Det tager fem minutter at tjekke, og det kan invalidere en ellers solid statistisk analyse. Et hold med tre stamspillere ude er ikke det samme hold statistisk.
Fjerde trin er head-to-head-historik. Ikke fordi fortiden forudsiger fremtiden direkte, men fordi visse taktiske matchups producerer konsistente mønstre. Et hold, der konsekvent underperformer mod en bestemt modstander, kan have et taktisk problem, som dataen alene ikke fanger.
Sidste trin er oddssammenligningen. Beregn din estimerede sandsynlighed, konvertér den til et fair odds, og sammenlign med markedet. Finder du en diskrepans på mere end 5-10 procent, har du et potentielt value-bet. Finder du ingen diskrepans, lader du kampen passe — disciplin er at vide, hvornår man ikke spiller. Vil du gå dybere ind i, hvordan du beregner value og sammenligner odds, så læs videre om value betting i fodbold.
Hvilke gratis hjemmesider tilbyder pålidelig fodboldstatistik?
FBref (StatsBomb-data), Understat (xG-specialiseret) og FotMob (mobil, live-data) er de tre stærkeste gratis kilder. FBref er bedst til dybdegående pre-match analyse, Understat til xG-sammenligninger, og FotMob til realtidsdata under kampe. Transfermarkt er uundværlig for holdnyheder og skadesinformation.
Hvor meget data behøver man for at lave en solid kampanalyse?
En meningsfuld analyse kræver minimum 8-10 kampes data for hvert hold, splittet i hjemme- og udekampe. Under det niveau er variansen for stor til at identificere pålidelige mønstre. For sæsonlange strategier bør du bruge mindst en halv sæsons data — og helst supplere med data fra forrige sæson for hold med stabile trænere og systemer.
Udarbejdet af redaktionen på ”bet Fodbold”.
