Fußball Vorhersagen: Wie KI-Algorithmen Spielausgänge berechnen
Eine fußball vorhersage ist kein Bauchgefühl in Zahlenform — sie ist das Ergebnis statistischer Modelle, die Tausende Variablen gleichzeitig verarbeiten. Wer das verstanden hat, weiß auch, warum das Versprechen «75% Trefferquote» auf den meisten Prognose-Plattformen Marketing ist und keine Wissenschaft. Die ehrlichen Zahlen liegen niedriger — und sind trotzdem nützlich.
KI-gestützte Algorithmen erreichen in realen Bedingungen eine Genauigkeit von 60–68% bei der Vorhersage des Spielausgangs (1X2), während menschliche Experten im Durchschnitt auf 52–55% kommen. Das mag nach einem kleinen Vorsprung klingen. Tatsächlich ist es, über viele Spieltage hinweg betrachtet, ein messbarer und reproduzierbarer Unterschied — vorausgesetzt, das Modell ist methodisch sauber.
Was steckt dahinter? Moderne Prognose-Algorithmen arbeiten mit Expected Goals (xG), Expected Possession Value (EPV), Formkurven, Head-to-Head-Bilanzen, Heimvorteil-Korrekturen und einer wachsenden Zahl an Echtzeit-Positionsdaten. Für die Bundesliga liefert die DFL-Tochter Sportec Solutions die Grundlage: Positionsdaten aller Spieler mit 25 Messpunkten pro Sekunde. Aus diesem Datenfluss entstehen Vorhersagen — keine Gewissheiten, aber fundierte Wahrscheinlichkeiten.
Diese Pillar-Seite erklärt die Mechanik hinter fußball vorhersagen vollständig: wie Algorithmen rechnen, wo ihre Grenzen liegen, welche Wettmärkte sich am besten für datengestützte Prognosen eignen und warum der rechtliche Rahmen in Deutschland für jeden Nutzer relevant ist. Daten statt Versprechen — das ist der Ansatz.
Hinweis: Inhalte auf dieser Seite dienen der Information und Analyse. Sportwetten sind in Deutschland nur bei GGL-lizenzierten Anbietern legal. Glücksspiel kann süchtig machen. Spielen Sie verantwortungsvoll.
Warum KI-Prognosen nicht unfehlbar sind — und trotzdem nützlich
- KI-Algorithmen erreichen 60–68% Genauigkeit (1X2) in realen Bedingungen — deutlich mehr als menschliche Experten mit 52–55%, aber weit von «unfehlbar» entfernt.
- Das beste belegte Ergebnis für die Bundesliga: xG-basierte Prognosen nach Spielschluss kommen auf 65,6% Trefferquote über 306 Partien der Saison 2024/25.
- Zufall bleibt entscheidend — das ist die offizielle Position des Technologiebüros des Deutschen Bundestags (TAB Nr. 72, 2024).
- Prognosen sind ein Werkzeug für informierte Entscheidungen, keine Gewinnergarantie.
- In Deutschland sind Sportwetten nur bei GGL-lizenzierten Buchmachern legal — der GlüStV 2021 regelt Spielerschutz und Wettlimits verbindlich.
Inhaltsverzeichnis
Prognosen: Bundesliga-Übersicht
Die folgende Tabelle zeigt beispielhafte Spielpaarungen mit algorithmisch berechneten 1X2-Wahrscheinlichkeiten und dem empfohlenen Markt nach Modellkalibrierung.
| Paarung | Heimsieg | Unentschieden | Auswärtssieg | Empfohlener Markt | xG (Expected) |
|---|---|---|---|---|---|
| Bayern München vs. BVB | 54% | 24% | 22% | 1X2 (Heimsieg) | 2.45 - 1.10 |
| RB Leipzig vs. Leverkusen | 38% | 28% | 34% | Über 2,5 Tore | 1.90 - 1.85 |
Hinweis: Diese Angaben sind illustrative Musterprognosen.
Wie Algorithmen eine Vorhersage berechnen: Daten, Modelle, Grenzen
Die Rohdaten: Woher kommt das Wissen?
Jede Vorhersage beginnt mit Daten. Für die Bundesliga ist die Datengrundlage heute so präzise wie in keiner anderen Liga der Welt: Die DFL-Tochter Sportec Solutions erfasst die Position jedes Spielers 25-mal pro Sekunde, ergänzt durch Ereignisdaten zu Pässen, Schüssen, Zweikämpfen und Wechseln. Seit der Saison 2022/23 umfasst das Tracking auch den DFB-Pokal, seit 2023/24 die 3. Liga und die Google Pixel Frauen-Bundesliga. Das ist kein Marketing — das ist das offizielle Profil, das das Büro für Technikfolgen-Abschätzung des Deutschen Bundestags in seinem Themenkurzprofil Nr. 72 beschreibt.
Diesen Datenstrom verarbeiten KI-Systeme in mehreren Schritten: Zuerst werden rohe Ereignisse normalisiert und in Metriken überführt. Dann kalibrieren Algorithmen diese Metriken anhand historischer Matchdaten. Schließlich generieren probabilistische Modelle eine Wahrscheinlichkeitsverteilung für die drei möglichen Ausgänge: Heimsieg, Unentschieden, Auswärtssieg.
Expected Goals: die zentrale Messgröße
Die wichtigste Einzelmetrik im modernen Prognose-Algorithmus ist Expected Goals (xG). xG misst nicht, wie viele Tore gefallen sind, sondern wie viele Tore statistisch fallen hätten sollen — auf Basis von Schussposition, Schusswinkel, Körperteil, Spielsituation und vorherigem Ballkontakt. Ein Elfmeter hat einen xG-Wert von etwa 0,77, ein Fernschuss aus 30 Metern liegt bei 0,03.
Warum ist das für Vorhersagen relevant? Weil Teams über mehrere Spiele hinweg zuverlässiger im xG-Bereich performen als im tatsächlichen Torverhältnis. Ein Team, das konstant einen positiven xG-Saldo produziert, aber Punkte verliert, ist statistisch im Rückstand gegenüber seiner eigenen Stärke — und dürfte in der nächsten Phase zurückkommen. Algorithmen erkennen solche Strukturen automatisch.
Expected Goals (xG) — eine statistische Kennzahl, die die Torschussqualität bewertet. Ein xG-Wert von 1,5 für eine Mannschaft bedeutet: basierend auf Schussqualität und -quantität wäre 1,5 Tore der erwartete Wert — unabhängig davon, wie viele tatsächlich fielen.
EPV: wenn xG nicht genug ist
Neben xG gewinnt der Expected Possession Value (EPV) an Bedeutung. EPV misst nicht nur Torschüsse, sondern bewertet jede Ballbesitzsituation danach, wie wahrscheinlich sie in einem Tor endet — unabhängig davon, ob ein Schuss folgt. Das erlaubt es, den Spielaufbau zu quantifizieren: ein präziser Steilpass hinter die Abwehrlinie hat einen hohen EPV-Gewinn, auch wenn kein Tor fällt.
Forcher et al. haben in ihrer Studie aus dem Jahr 2025 — basierend auf 918 Bundesliga-Spielen über drei Saisons (2022/23–2024/25) — für die Bundesliga nachgewiesen: Im Pre-Match-Modus — also wenn nur Daten aus früheren Spielen verfügbar sind — erzielt ein EPV-basiertes Modell eine Genauigkeit von 58,3% (RPS = 0,194), während das xG-Modell bei 55,6% liegt (RPS = 0,199). Der Unterschied ist messbar, aber nicht dramatisch. Er zeigt, dass EPV dem Modell zusätzliche Information liefert, die rein schussbasierte Metriken nicht erfassen.
Im Post-Match-Modus — wenn das Modell alle Spieldaten des laufenden Matches einbezieht — steigt die xG-Genauigkeit auf 65,6% über 306 Bundesliga-Partien der Saison 2024/25. Das ist die realistischste Messlatte für algorithmusbasierte Live-Prognosen.
Wie funktioniert die KI im Kern? Ein modernes Prognose-System für Fußball kombiniert in der Regel mehrere Schichten: (1) Datenaufbereitung aus Sportec/Opta-Feeds, (2) Feature Engineering mit Metriken wie xG, xGA, PPDA, Formkurven, (3) ein Klassifikationsmodell wie Random Forest oder Gradient Boosting, das die Wahrscheinlichkeit für Heim/Unentschieden/Auswärtssieg berechnet, (4) eine Kalibrierungsschicht, die sicherstellt, dass die Wahrscheinlichkeiten mit der Realität übereinstimmen. Das Ergebnis ist keine Sicherheit — es ist eine kalibrierte Wahrscheinlichkeit.
Algorithmentypen: Random Forest, CatBoost, XGBoost
In der wissenschaftlichen Literatur haben sich mehrere Algorithmenklassen etabliert. Random Forest gilt als robuster Klassiker: mehrere Entscheidungsbäume stimmen gemeinsam ab, was das Overfitting-Risiko reduziert. In einer Implementierungsstudie von Hassard und Kerr (Ulster University / IEEE 2024) erreichte ein Random-Forest-Modell eine Genauigkeit von bis zu 85% — allerdings unter kontrollierten Forschungsbedingungen, nicht im Live-Betrieb. Reale Bedingungen mit noisigen Daten und unvorhersehbaren Ereignissen drücken diesen Wert erheblich.
CatBoost und XGBoost sind Gradient-Boosting-Algorithmen, die besonders mit kategorialen Features umgehen können — also mit Merkmalen wie Mannschaftsidentität, Spielort oder Schiedsrichter. Ein Kelly-Index-basiertes CatBoost-Modell (arXiv:2211.15734) zeigt, dass Vorhersagen auf «hochvorhersagbaren» Matches (Type 1) eine Genauigkeit von 70% erreichen, während auf gemischten Matches (Type 2) 55–60% realistischer sind. Die Differenzierung nach Vorhersagbarkeit ist methodisch klug: Nicht jedes Spiel verdient dasselbe Vertrauen.
Wo Algorithmen scheitern
Jedes Modell hat eine Achillesferse: unvorhersehbare Ereignisse. Eine Rote Karte in der 12. Minute verändert die Spielstruktur fundamental — und kein Pre-Match-Algorithmus kann das antizipieren. Ähnliches gilt für kurzfristige Verletzungen, Rotation in englischen Wochen, mentale Verfassung nach Champions-League-Belastung oder schlicht das Wetter bei einem Winterspiel auf einem schweren Rasen.
Simone Ehrenberg-Silies, wissenschaftliche Mitarbeiterin des Büros für Technikfolgen-Abschätzung beim Deutschen Bundestag, formuliert es klar: «Wenngleich die Vermessung des Fußballs suggeriert, dass dieser vorhersehbarer würde, ist anzunehmen, dass auch im Zeitalter von KI und Big Data der Zufall im Fußball weiterhin eine entscheidende Rolle für das Spielergebnis innehaben wird.» Das ist keine Kritik an KI — das ist eine Beschreibung des Spiels.
Algorithmen helfen, die Grundwahrscheinlichkeiten zu präzisieren. Den Rest entscheidet der Ball.
KI vs. menschliche Experten: ein fairer Vergleich
Die Ausgangslage
Der Vergleich zwischen KI-Algorithmen und menschlichen Experten ist einer der meistgestellten Fragen in der Sportprognose — und einer der am häufigsten falsch beantworteten. Die kurze Antwort: KI ist besser, aber nicht so viel besser, wie viele Plattformen behaupten. Die längere Antwort erklärt, warum beide Ansätze ihre Berechtigung haben.
In realen Anwendungsbedingungen erreichen KI-Modelle für 1X2-Vorhersagen eine Genauigkeit von 60–68%, menschliche Experten kommen auf 52–55%. Das ist kein kleiner Unterschied: Auf einer Saison von 306 Bundesliga-Spielen bedeutet das rund 25–40 Spiele, die der Algorithmus richtig vorhersagt, während der Experte irrt. Für strukturierte Wettstrategien ist das material.
Stärken der KI
Algorithmen haben drei klare Vorteile gegenüber Menschen. Erstens Skalierbarkeit: Ein Modell kann gleichzeitig alle 306 Bundesliga-Spiele, alle Champions-League-Partien und mehrere andere Ligen abdecken, ohne Ermüdung oder kognitive Überlastung. Kein menschlicher Analyst schafft das mit gleicher Konsistenz.
Zweitens Datenmenge: Algorithmen verarbeiten Daten, die kein Mensch manuell auswerten kann. Positionsdaten mit 25 Messpunkten pro Sekunde, xG-Verläufe über 90 Minuten, Pressing-Intensität, Pässe unter Druck — das sind Informationsmengen, für die menschliche Intuition schlicht kein Interface hat.
Drittens Konsistenz: Der Algorithmus bewertet das gleiche Spiel unter gleichen Bedingungen immer gleich. Kein Heimatverein-Bias, keine Tagesform, kein «Ich habe das Spiel gestern gesehen und das Team hat gut ausgesehen». Gefühle verzerren menschliche Prognosen systematisch — bei Algorithmen gibt es dieses Problem nicht.
Stärken des menschlichen Experten
Trotzdem gibt es Szenarien, in denen ein erfahrener Analyst dem Algorithmus überlegen ist. Das wichtigste: Kontextinformation, die nicht in den Daten steckt. Ein Analyst, der weiß, dass ein Schlüsselspieler seit drei Tagen wegen Familienproblemen nicht trainiert hat, verfügt über eine Information, die kein Sportec-Feed erfasst. Ebenso: interne Klima nach einem Managerwechsel, die Motivationslage vor einem Abstiegsendspiel, ein Schiedsrichter, der in den letzten Wochen auffällig viele Rote Karten gezeigt hat.
Ein guter Analyst kombiniert beide Welten — er nutzt den Algorithmus als Ausgangspunkt und korrigiert ihn mit qualitativer Information. Das ist kein Widerspruch zur KI, sondern ihre sinnvolle Erweiterung.
Der Research-Kontext: Laborwerte vs. Realität
Hier muss ein methodischer Punkt sauber getrennt werden: In Forschungsumgebungen mit sauberen Datensätzen, optimierten Features und Cross-Validation erreichen Modelle wie Random Forest Genauigkeitswerte von bis zu 85%. Das klingt beeindruckend — und ist methodisch korrekt. Aber diese Werte entstehen in einer Umgebung, die dem echten Spielbetrieb nicht entspricht. Echte Bundesliga-Prognosen arbeiten mit unvollständigen Kaderinfos, verrauschten Transfernachrichten und Spieltagen, die erst 48 Stunden vor Anpfiff vollständig definiert sind.
Wer KI-Prognosen nutzen will, sollte diese Differenz kennen: Laborwerte zeigen das Potenzial der Methode. Realwerte zeigen, was Sie tatsächlich erwarten können.
KI schlägt menschliche Experten in der Breite — durch Konsistenz, Datenmenge und Skalierbarkeit. Menschliche Analysten behalten einen Vorteil in der Tiefe: bei Kontextinformation, die außerhalb statistischer Datenfeeds liegt. Die klügste Strategie kombiniert beides.
Sportwetten sind mit erheblichem Verlustrisiko verbunden. Selbst ein Algorithmus mit 65% Trefferquote bedeutet, dass jede dritte bis vierte Prognose falsch liegt. Entscheidungen zum Wetten sollten ausschließlich auf Basis vollständiger Risikoabwägung getroffen werden.
Bundesliga im Fokus: Daten, Spielstärke und Vorhersagequalität
Warum die Bundesliga das beste Testfeld ist
Die Bundesliga ist für KI-Algorithmen aus einem simplen Grund das attraktivste Labor in Europa: Sie hat die beste Datenbasis. Während andere Ligen auf kommerzielle Datenanbieter angewiesen sind, die Daten nachträglich aufbereiten, verfügt die Bundesliga durch Sportec Solutions über ein Echtzeit-Tracking-System mit einer Auflösung, die international ihresgleichen sucht. Das erlaubt eine Modellpräzision, die in anderen Märkten nicht replizierbar ist.
Hinzu kommt die wirtschaftliche Stärke der Liga. Im Frühjahr 2026 — mitten in der laufenden Bundesliga-Saison — arbeiten die Modelle auf Basis des stärksten Datensatzes, den die Liga je hatte: Die 36 Klubs der Bundesliga und 2. Bundesliga erwirtschafteten in der Saison 2023/24 eine Gesamtleistung von 5,87 Milliarden Euro — ein historischer Rekord und ein Plus von 12% gegenüber dem Vorjahr, wie der DFL Wirtschaftsreport 23/24 ausweist. Mehr Kapital bedeutet mehr Investitionen in Spieler, mehr Kaderinformation, mehr Kontinuität — und damit stabilere Datenpunkte für Prognosemodelle. Die Liga ist dabei nicht nur wirtschaftlich, sondern auch sportlich das attraktivste Produkt Europas: Mit durchschnittlich 38.973 Zuschauern pro Spiel und insgesamt mehr als 20,7 Millionen verkauften Tickets in der Saison 2023/24 hat die Bundesliga die beste Stadionauslastung aller europäischen Topligen — und belegt hinter der Premier League Platz 2 bei den Ligaeinnahmen in Europa, mit aggregierten Vereinsaktiva von 4,62 Milliarden Euro (Stand 30. Juni 2024, DFL Wirtschaftsreport 23/24).
Spielstärkeverteilung und Vorhersagbarkeit
Ein strukturelles Merkmal der Bundesliga beeinflusst die Prognosequalität direkt: die relative Ausgeglichenheit im Mittelfeld der Tabelle. Anders als in der Premier League, wo die «Big Six» fast jedes Jahr klar von den restlichen Klubs abgegrenzt sind, gibt es in der Bundesliga eine breite Gruppe von Vereinen, die sich von Spieltag zu Spieltag auf Augenhöhe begegnen — von RB Leipzig bis zum VfL Wolfsburg, je nach Saisonverlauf.
Das ist für Algorithmen eine Herausforderung: Spiele zwischen Teams mit ähnlichen Stärken produzieren flachere Wahrscheinlichkeitsverteilungen. Ein xG-Modell, das für ein Spiel 48% Heimsieg, 28% Unentschieden und 24% Auswärtssieg ausgibt, ist mathematisch korrekt kalibriert — aber für den Nutzer wenig handlungsleitend. Das Spiel könnte fast alles werden.
Klarer werden die Prognosen, wenn die Abstände in der Tabelle wachsen: Spitzenklubs gegen Abstiegskandidaten zeigen deutlichere Wahrscheinlichkeitsverteilungen. Hier ist die Vorhersagezuverlässigkeit am höchsten — und das ist kein Zufall, sondern Mathematik.
TSG Hoffenheim: der Bundesliga-Pionier in der Datenanalyse
Kein Bundesliga-Klub steht so stark für die Integration von KI-Analytics wie TSG 1899 Hoffenheim. Der Klub aus dem Kraichgau nutzt xG und EPV seit Jahren im täglichen Matchbetrieb — nicht als theoretische Spielerei, sondern als operatives Werkzeug für Matchanalyse und Transferbewertung.
Leander Forcher, Data Scientist bei TSG Hoffenheim und Autor der Frontiers-Studie 2025, bringt die Grundlogik der modernen Analyse auf den Punkt: «Früher zählten alle nur Tore und Assists, aber im modernen Profifußball geht es um viel mehr.» Timo Gross, Head of Football Intelligence bei TSG, ergänzt aus der Praxis (TSG Hoffenheim, November 2025): «xGoals gibt uns viel mehr Informationen über den Spielverlauf als die Schussstatistik. Wir bekommen sofort ein Gefühl dafür, wie gut die Chance wirklich war.»
Das ist der Kern der modernen Prognoselogik: Nicht das Ergebnis, sondern die Qualität der Torchancen bestimmt langfristig die Stärke eines Teams — und damit die Güte der Vorhersage für das nächste Spiel.
Heimvorteil und englische Wochen: unterschätzte Variablen
Zwei Faktoren, die Algorithmen systematisch berücksichtigen müssen, werden in vereinfachten Prognosen oft unterschätzt: Heimvorteil und Spielrhythmus in englischen Wochen.
Der Heimvorteil in der Bundesliga ist statistisch belegt, hat sich aber in den vergangenen Jahren abgeschwächt — ein Trend, der durch die Geisterspiele der Pandemie eingeleitet und seitdem nicht vollständig reversiert wurde. Moderne Modelle gewichten den Heimvorteil daher je nach Liga, Spielklasse und historischem Profil des Vereins unterschiedlich stark.
Englische Wochen — Spieltage, die auf einen Champions-League- oder Europa-League-Einsatz folgen — erzeugen messbare Performanceeinbrüche. Clubs mit tiefem Kader kompensieren besser, solche mit einem schmalen Stamm laufen mit reduzierter Intensität. Algorithmen, die Reise-, Belastungs- und Rotationsdaten einbeziehen, erkennen diese Muster.
Die Bundesliga liefert damit das präziseste Datenumfeld für KI-Vorhersagen in Europa — aber auch die subtilsten Herausforderungen. Was in der Ligastruktur verankert ist, setzt sich auf der Ebene der Wettmärkte fort: Je nachdem, welchen Markt Sie analysieren, ändert sich die Prognosequalität erheblich.
Wettmärkte erklärt: 1X2, Über/Unter, BTTS und Handicap
1X2: der Standardmarkt
Der 1X2-Markt ist der direkteste: Heimsieg (1), Unentschieden (X) oder Auswärtssieg (2). Auf diesem Markt wird die Qualität von Prognose-Algorithmen am häufigsten gemessen — und das aus gutem Grund. 1X2 enthält drei Ausgänge mit unterschiedlichen Basiswahrscheinlichkeiten, was die statistische Kalibrierung komplex genug macht, um Modellqualität zu unterscheiden.
Wichtig zu verstehen: Unentschieden ist strukturell schwieriger vorherzusagen als ein Heimsieg eines klaren Favoriten. Die Basis-Unentschiedenrate in der Bundesliga liegt bei etwa 25% aller Spiele — ein robuster Wert, der sich über Jahrzehnte wenig verändert. Algorithmen, die das Unentschieden untergewichten, machen einen systematischen Fehler.
Über/Unter: das Tormengen-Modell
Der Über/Unter-Markt fragt nicht, wer gewinnt, sondern wie viele Tore fallen. Die häufigste Variante ist Über/Unter 2,5 Tore. Dieser Markt reagiert besonders sensitiv auf offensiv-defensive Balance und aktuelle Formkurven: Ein Team in schlechter Defensivform erhöht die Wahrscheinlichkeit für «Über 2,5» auch dann, wenn es gegen einen schwächeren Gegner spielt.
xG-basierte Modelle haben hier einen strukturellen Vorteil: Sie können die erwartete Toranzahl beider Teams direkt addieren und daraus eine Gesamttorverteilung ableiten — eine Poisson-Verteilung ist das klassische Werkzeug dafür. Das Ergebnis ist eine Wahrscheinlichkeit für jede mögliche Toranzahl, nicht nur die Über/Unter-2,5-Linie.
Both Teams to Score: einfacher Markt, kluge Anwendung
Both Teams to Score (BTTS) fragt, ob beide Mannschaften mindestens ein Tor erzielen. Dieser Markt ist algorithmisch attraktiv, weil er direkt auf xGA (Expected Goals Against) reagiert: Ein Team mit einer starken Defensive und geringer xGA-Rate für den Gegner drückt die BTTS-Wahrscheinlichkeit nach unten.
Das Gegenmodell: Zwei offensive Teams mit schwacher Defensive — BTTS steigt. Die Daten sprechen hier eine klare Sprache, und der Markt ist weniger anfällig für zufällige Ereignisse als der 1X2-Markt, weil das Ergebnis nur davon abhängt, ob ein Tor fällt, nicht von welcher Seite die meisten kommen.
Handicap: wenn Stärkeunterschiede ausgeglichen werden
Der Handicap-Markt — in zwei Varianten: European Handicap (EH) und Asian Handicap (AH) — ist das komplexeste Wettformat. Beim EH bekommt der Außenseiter einen fiktiven Vorsprung von einem oder mehr Toren. Beim Asian Handicap entfällt das Unentschieden als Möglichkeit, was die Vorhersage auf zwei Ausgänge reduziert.
Für Algorithmen ist der Asian Handicap attraktiv, weil die reduzierte Ausgangszahl die Modellpräzision direkt erhöht. Auf einem 2-Outcome-Markt sind 60% Trefferquote statistisch deutlich wertvoller als auf einem 3-Outcome-Markt. Das erklärt, warum professionelle Modelle häufig auf AH setzen, sobald ein klarer Favorit identifiziert ist.
Rechenbeispiel: Wie ein Algorithmus den richtigen Markt wählt
Angenommen, das Modell berechnet für ein Spiel: Heimsieg 58%, Unentschieden 22%, Auswärtssieg 20%. Der implizite Kurs für Heimsieg liegt bei 1/0,58 ≈ 1,72. Bietet ein Buchmacher 1,85, wäre das ein positiver Expected Value (+7,5%). Liegt der angebotene Kurs bei 1,65, ist der EV negativ — kein Value-Bet. Der Algorithmus würde in diesem Fall nicht Heimsieg, sondern möglicherweise «Über 2,5 Tore» oder BTTS empfehlen, wenn dort eine günstigere Diskrepanz besteht.
Sportwetten sind in Deutschland nur über GGL-lizenzierte Anbieter legal. Entscheidungen zum Wetten sollten auf Basis eigener Risikoabwägung getroffen werden — nicht auf Basis von Prognosen allein.
Welche Ligen eignen sich für genaue Vorhersagen?
Nicht jede Liga ist gleich gut für algorithmische Prognosen geeignet. Die Qualität einer Vorhersage hängt direkt von der Qualität und Tiefe der verfügbaren Daten ab — und von der strukturellen Ausgeglichenheit der Liga. Hier ist eine realistische Einordnung der wichtigsten Wettbewerbe.
Bundesliga
Die Bundesliga ist, wie dargestellt, das beste Prognoseumfeld in Europa — wegen der Sportec-Solutions-Datenbasis und der hohen Datentransparenz. Größte Herausforderung: Die Ausgeglichenheit im Mittelfeld produziert viele schwer vorhersagbare Spiele. Stärke des Algorithmus liegt bei Favoritenspielen und im Langfristtrend.
Premier League
Die Premier League bietet hervorragende Datentiefe durch Opta und StatsBomb, aber eine deutlich ausgeprägtere Hierarchie: Die Topklubs gewinnen zuverlässiger gegen Abstiegskandidaten. Das macht bestimmte Spiele leichter vorhersagbar, reduziert aber die Möglichkeiten für Value-Bets — die Buchmacher berücksichtigen die Stärkeunterschiede präzise.
Champions League
Die Champions League ist der anspruchsvollste Markt. Das K.o.-Format, die unregelmäßige Kaderverfügbarkeit und die Rotation in Gruppenphase-Endrunden erzeugen hohe Ergebnisvarianz. Im laufenden Frühjahrsprogramm 2026 — mit Achtelfinal-Rückspielen im März und April — sind Modelle besonders vorsichtig, weil taktische Rücksichten des Hinspielergebnisses die erwartete Spiellogik verzerren können.
2. Bundesliga
Die 2. Bundesliga profitiert seit der Saison 2023/24 vollständig vom Sportec-Tracking und ist methodisch der 1. Bundesliga nahe. Praktische Einschränkung: Weniger öffentliche xG-Modelle decken diesen Markt ab, was die Effizienz der Buchmacherquoten tendenziell geringer macht — ein Umfeld, in dem gut kalibrierte Modelle größeren Vorteil haben.
Europa League und DFB-Pokal
Die Europa League bietet eine Mischung aus bekannten und weniger analysierten Teams. Prognosen für Klubs aus weniger datentransparenten Ligen sind schwächer kalibriert. Der DFB-Pokal ist ein bekanntes Sorgenkind für Algorithmen: Die K.o.-Logik, die Pflicht, auch gegen unterklassige Teams vollständig zu spielen, und die unterschiedliche Priorisierung gegenüber dem Ligabetrieb machen Pokalprognosen strukturell unsicherer.
| Liga | Datentiefe | Prognosequalität | Besondere Herausforderung |
|---|---|---|---|
| Bundesliga | Sehr hoch (Sportec) | Hoch | Ausgeglichenheit im Mittelfeld |
| Premier League | Sehr hoch (Opta/StatsBomb) | Hoch | Starke Hierarchie, enge Quoten |
| Champions League | Hoch | Mittel | K.o.-Format, taktische Rotation |
| 2. Bundesliga | Hoch (seit 2023/24) | Hoch | Wenige Drittsysteme verfügbar |
| Europa League | Mittel | Mittel | Heterogene Gegnerqualität |
| DFB-Pokal | Mittel | Niedrig–Mittel | K.o., Rotation, unterklassige Teams |
Value Wetten und Vorhersagen: der richtige Einsatz von Prognosen
Was ist ein Value Bet?
Eine Prognose allein reicht nicht aus. Das zentrale Konzept für jeden, der Algorithmen-Prognosen für Wettzwecke nutzen möchte, ist der Expected Value (EV). Ein Value Bet liegt vor, wenn die vom Modell berechnete Wahrscheinlichkeit höher ist als die implizite Wahrscheinlichkeit, die der Buchmacher-Kurs suggeriert.
Konkretes Beispiel: Das Modell berechnet 60% Wahrscheinlichkeit für einen Heimsieg. Der Buchmacher bietet dafür eine Quote von 2,00. Die implizite Wahrscheinlichkeit dieser Quote liegt bei 1/2,00 = 50%. Das Modell sieht 60%, der Buchmacher bewertet es mit 50% — die Differenz von 10 Prozentpunkten ist der Value. Genau hier entsteht langfristig ein positiver EV.
Was keine Value Bet ist: eine hohe Quote auf einen Außenseiter, weil «es ja passieren kann». Hohe Quoten auf unwahrscheinliche Ereignisse sind meistens negativ-EV — der Reiz liegt im potenziellen Gewinn, nicht in der statistischen Logik.
Warum der Markt fast immer korrekt liegt
Hier ist die unbequeme Wahrheit: Moderne Buchmacher beschäftigen selbst Datenanalysten und verwenden eigene algorithmische Modelle. Die Marktquoten großer Anbieter für Topligen wie die Bundesliga oder Premier League sind in der Regel gut kalibriert. Die implizite Wahrscheinlichkeit, die in einer Bundesliga-Quote steckt, entspricht oft sehr genau der tatsächlichen Spielwahrscheinlichkeit — inklusive Vig (dem einkalkulierten Buchmacher-Vorteil).
Echte Value-Bets entstehen vor allem in zwei Szenarien: bei schnell wechselnden Informationen, die der Markt noch nicht verarbeitet hat (z.B. kurzfristige Verletzungsmeldungen), und in weniger effizienten Märkten — zweite Ligen, Pokalspiele, exotischere Ligen mit dünnerer Buchmacher-Coverage.
Illegale Anbieter und das Risiko für Spieler
Ein strukturelles Problem im deutschen Markt ist die Existenz illegaler Anbieter, die höhere Quoten anbieten — oft, weil sie weder Steuern zahlen noch Spielerschutzmechanismen umsetzen. Die GGL zählte 2024 insgesamt 858 deutschsprachige Websites mit illegalem Glücksspielangebot von 212 Betreibern, wie der GGL-Tätigkeitsbericht 2024 dokumentiert. Der geschätzte Umsatz dieses Schwarzmarkts liegt bei 500–600 Millionen Euro — etwa 25% des legalen Online-Segments.
Ronald Benter, Vorstand der Gemeinsamen Glücksspielbehörde der Länder (GGL), warnt (GGL, September 2025): «Illegale Plattformen bieten keine wirksamen Spielerschutzmechanismen. Wer dort spielt, geht ein erhebliches Risiko ein, eine Glücksspielsucht zu entwickeln.»
Der praktische Hinweis: Wer Prognosen für Wettzwecke nutzt, sollte ausschließlich bei GGL-lizenzierten Anbietern spielen. Diese unterliegen dem Glücksspielstaatsvertrag 2021, der Einzahlungslimits, Spielzeitbegrenzungen und das Sperrsystem OASIS vorschreibt — Schutzinstrumente, die illegale Anbieter schlicht nicht bieten.
Prognosen als Entscheidungshilfe, nicht als Garantie
Ein Algorithmus mit 65% Trefferquote bedeutet: 35% der Prognosen sind falsch. Auf einen Spieltag mit neun Bundesliga-Spielen übertragen: Rund drei Spiele verlaufen anders als vorhergesagt — auch wenn das Modell methodisch korrekt arbeitet. Der Umgang damit ist keine Frage des Algorithmus, sondern des eigenen Risikomanagements.
Checkliste vor jeder Nutzung einer Prognose für Wettzwecke
- Stammt die Prognose von einem Anbieter mit transparenter Methodik und nachvollziehbarer Accuracy-Dokumentation?
- Habe ich die implizite Wahrscheinlichkeit der angebotenen Quote mit der Prognose-Wahrscheinlichkeit verglichen?
- Setze ich nur Beträge ein, deren vollständigen Verlust ich ohne finanzielle oder emotionale Konsequenz tragen kann?
- Verwende ich ausschließlich einen GGL-lizenzierten Anbieter?
- Habe ich mein monatliches Spielbudget definiert und eingehalten?
Verantwortungsvolles Spielen: Was Vorhersagen leisten — und was nicht
Der rechtliche Rahmen in Deutschland
Seit Juli 2021 regelt der Glücksspielstaatsvertrag 2021 (GlüStV) den deutschen Online-Glücksspielmarkt einheitlich. Für Sportwetten bedeutet das: Einzahlungslimit von 1.000 Euro pro Monat über alle GGL-regulierten Anbieter hinweg, verpflichtende Realitätschecks während der Spielsitzung und die Anbindung an das bundesweite Sperrsystem OASIS. Diese Regeln gelten für alle lizenzierten Anbieter — und nur bei diesen sind Sportwetten legal.
Der legale Markt ist dabei groß und wächst — um konkret +5% gegenüber 2023 (13,7 Mrd. Euro): Der gesamte deutsche Glücksspielmarkt erreichte 2024 einen Bruttospielertrag von 14,4 Milliarden Euro — ein Plus von 5% gegenüber dem Vorjahr. Online-Sportwetten tragen dazu rund 4 Milliarden Euro bei (28% des GGL-regulierten Marktes), wie der GGL-Tätigkeitsbericht 2024 ausweist. Das zeigt: Der legale Markt ist nicht Nische, sondern Mainstream.
Spielsucht: Zahlen, die ernst genommen werden müssen
Hinter den Wachstumszahlen steckt eine Schattenseite, die seriöse Prognose-Plattformen offen kommunizieren sollten. Der Glücksspiel-Survey 2023 des Instituts für Interdisziplinäre Sucht- und Drogenforschung Hamburg zeigt: 2,4% der deutschen Erwachsenen erfüllen die DSM-5-Kriterien einer Spielsucht (Männer: 3,1%, Frauen: 1,7%) — laut dem Glücksspiel-Survey 2023 (ISD Hamburg / Universität Bremen). Das ist keine Randgruppe.
Besonders relevant im Kontext von Fußball-Vorhersagen: 31,8% der Live-Sports-Betters zeigen laut der gleichen Studie Merkmale einer problematischen Spielweise. Live-Wetten — also Wetten während des laufenden Spiels — sind strukturell risikoreich, weil die kurze Taktrate zwischen Angebot und Entscheidung impulsgesteuertes Verhalten begünstigt. In Deutschland sind Live-Wetten durch den GlüStV 2021 eingeschränkt, was unter anderem erklärt, warum die Kanalisierungsrate des deutschen Marktes mit etwa 36% (laut H2 Gambling Capital) deutlich unter den europäischen Spitzenreitern UK (95%) und Dänemark (89%) liegt.
Was Vorhersagen leisten können — und was nicht
Eine Fußball-Vorhersage ist ein Informationswerkzeug. Sie erhöht die Qualität einer Entscheidung, indem sie verfügbare statistische Information strukturiert — nicht mehr und nicht weniger. Sie ersetzt kein Risikomanagement, keine Ausgabenkontrolle und keine eigene Verantwortung.
Was ein Algorithmus nicht leisten kann: Er kann nicht garantieren, dass ein einzelnes Spiel entsprechend der Wahrscheinlichkeit ausgeht. Er kann nicht ausschließen, dass eine Serie von falschen Prognosen in Folge entsteht — statistisch tut sie das zwangsläufig. Und er kann nicht verhindern, dass jemand, der verliert, mehr einsetzt, um Verluste zurückzugewinnen. Das ist ein psychologisches Muster, das mit der Qualität der Prognose nichts zu tun hat.
Hilfe und Schutzinstrumente
Wer bemerkt, dass Spielen die eigene Kontrolle übernimmt, findet Unterstützung bei der Bundeszentrale für gesundheitliche Aufklärung (BZgA) und der Telefonseelsorge. Alle GGL-lizenzierten Anbieter sind verpflichtet, Selbstsperrung und Einzahlungslimits anzubieten. Das OASIS-Sperrsystem gilt übergreifend für alle regulierten Anbieter — eine Sperre bei einem Anbieter wirkt bundesweit.
Kein Datensatz der Welt und kein Algorithmus löst das Grundproblem: Sportwetten sind kein zuverlässiger Weg zu Gewinnen. Vorhersagen helfen, informierter zu entscheiden — aber die Entscheidung, ob und wie viel zu wetten, liegt allein beim Einzelnen.
Schlüsselfaktoren guter Prognosen
Was unterscheidet eine Prognose, die Informationswert hat, von einer, die nur Selbstvertrauen verkauft? Die Antwort liegt nicht in der Höhe der behaupteten Trefferquote, sondern in der methodischen Transparenz und der Datenbasis dahinter. Hier sind die entscheidenden Faktoren.
Datentiefe vor Datenmenge
Eine Prognose auf Basis von 10 Metriken mit höchster Messqualität ist besser als eine auf Basis von 50 oberflächlichen Variablen. Der Unterschied zwischen xG-Basis-Modellen und event-data-reichen Modellen (die auch Pressing-Ereignisse, Ballführung unter Druck und Passsequenzen berücksichtigen) ist messbar: StatsBomb-Studien zeigen konsistent, dass event-reiche Modelle die Baseline-xG-Ansätze bei der Vorhersagepräzision überbieten.
Kalibrierung ist wichtiger als Accuracy
Ein häufiger Fehler beim Vergleich von Prognosemodellen: der Fokus auf Accuracy (Prozent richtig vorhergesagter Ergebnisse) statt auf Kalibrierung. Ein kalibriertes Modell, das sagt «60% Wahrscheinlichkeit für Heimsieg», liegt in 60% der Fälle richtig — nicht mehr, nicht weniger. Ein unkalibriertes Modell kann hohe Accuracy haben und trotzdem als Entscheidungsgrundlage für Wetten gefährlich sein.
Der Ranked Probability Score (RPS) ist das technisch präziseste Maß für Prognosequalität bei Drei-Outcome-Märkten. Forcher et al. verwenden RPS = 0,148 für das xG-Post-Match-Modell — ein Wert, der als Benchmark für gut kalibrierte Bundesliga-Modelle gelten kann.
Mehrere Modelle kombinieren
Kein einzelnes Modell ist in allen Spielsituationen überlegen. Timo Gross, Head of Football Intelligence bei TSG Hoffenheim, fasst das Prinzip zusammen (TSG Hoffenheim, November 2025): «Es ist wichtig, dass wir uns nicht auf einen einzelnen Wert fixieren, sondern Modelle wie EPV und xGoals in Verbindung miteinander betrachten.» Was für Bundesliga-Analysten gilt, gilt auch für Prognose-Plattformen: Die Kombination mehrerer Metriken — xG, xGA, EPV, Formkurve, H2H-Bilanz — produziert robustere Ergebnisse als jede Einzelmetrik.
Vorhersagbarkeit segmentieren
Nicht jedes Spiel verdient dasselbe Vertrauen in eine Prognose. Das Kelly-Index-Konzept, das Matches nach ihrer statistischen Vorhersagbarkeit klassifiziert (Type 1 vs. Type 2), ist hier methodisch wegweisend. CatBoost-Modelle, die auf hochvorhersagbaren Spielen trainiert werden, erreichen 70% Genauigkeit — auf gemischten Spielen fallen sie auf 55–60%. Wer mit Prognosen arbeitet, sollte sich fragen: Wie klar ist die Stärkedifferenz in diesem Spiel wirklich?
Die fünf Merkmale einer guten Fußball-Prognose: transparente Datenbasis, kalibrierte Wahrscheinlichkeiten (nicht nur Tipps), dokumentierte historische Accuracy, ehrliche Kommunikation der Grenzen — und keine Versprechen, die über das hinausgehen, was Statistik leisten kann.
KI vs. Experte: Vergleichstabelle nach 5 Parametern
Die folgende Tabelle fasst den Vergleich zwischen KI-gestützten Prognosemodellen und menschlichen Fußball-Experten nach fünf praxisrelevanten Parametern zusammen. Kein Ansatz ist in allen Dimensionen überlegen — beide haben ihren Platz.
| Parameter | KI-Algorithmus | Menschlicher Experte |
|---|---|---|
| Genauigkeit (1X2, real) | 60–68% | 52–55% |
| Skalierbarkeit | Hoch: Hunderte Spiele gleichzeitig | Begrenzt: wenige Spiele pro Analyst |
| Kontextuales Wissen | Niedrig: nur in Daten erfasste Information | Hoch: informelle Infos, Team-Klima, Verletzungsgerüchte |
| Konsistenz | Sehr hoch: keine Tagesform, kein Bias | Variabel: Ermüdung, Lieblingsklubs, Narrative |
| Anpassungsgeschwindigkeit | Langsam: Retraining braucht Zeit | Schnell: Experte aktualisiert Meinung sofort |
Das optimale Vorgehen: den Algorithmus als Ausgangspunkt nutzen, dann mit qualitativer Kontextinformation verfeinern. Das ist kein Widerspruch — es ist die Arbeitsweise, die TSG Hoffenheim und andere datengetriebene Klubs intern leben.
Rund 47% aller Sportwetten weltweit werden heute als Live-Wette während des laufenden Spiels platziert — das entspricht einem GGR von etwa 28,4 Milliarden US-Dollar im Jahr 2024. In Deutschland schränkt der GlüStV 2021 Live-Wetten erheblich ein, was einer der Hauptgründe ist, warum die Kanalisierungsrate des deutschen Marktes mit ~36% zu den niedrigsten in Europa zählt. Der globale Live-Anteil soll bis 2028 auf über 51% steigen.
Häufige Fragen zu Fußball Vorhersagen
Wie genau sind KI-gestützte Fußball Vorhersagen wirklich?
Die ehrliche Antwort liegt zwischen «besser als ein Mensch» und «weit von unfehlbar entfernt». In realen Anwendungsbedingungen — also außerhalb von Forschungslabors — erreichen KI-gestützte Algorithmen für 1X2-Prognosen eine Genauigkeit von 60–68%. Das ist konsistent besser als menschliche Expertentipps, die im Durchschnitt bei 52–55% liegen.
Für die Bundesliga hat die Studie von Forcher et al. (Frontiers in Sports and Active Living, 2025) die bislang präzisesten Zahlen geliefert: Ein xG-basiertes Post-Match-Modell erzielt 65,6% Genauigkeit (RPS = 0,148) auf einer Stichprobe von 306 Bundesliga-Spielen der Saison 2024/25. Im Pre-Match-Modus — also vor Spielbeginn, wenn nur historische Daten vorliegen — liegt ein EPV-Modell bei 58,3%, ein xG-Modell bei 55,6%.
Wichtig ist der Unterschied zwischen Forschungsbedingungen und der Realität: In Labors mit sauberen Datensätzen und Cross-Validation erreichen Algorithmen wie Random Forest bis zu 85% Genauigkeit. In der Praxis mit realen Einschränkungen — unvollständige Kaderinfos, Rotationen, kurzfristige Verletzungen — sind die Werte deutlich niedriger. Wer Prognose-Plattformen evaluiert, sollte daher immer fragen: In welchem Setting wurde die behauptete Accuracy gemessen?
Leander Forcher, Data Scientist bei TSG Hoffenheim und Erstautor der Studie, bringt es auf den Punkt: «Es ist immer noch der Zufall, der die Ergebnisse im Fußball dominiert.» (Forcher et al., Frontiers 2025) Das gilt auch für das modernste Modell — Prognosen arbeiten mit Wahrscheinlichkeiten, nicht mit Sicherheiten.
Was ist der Unterschied zwischen KI-Vorhersagen und Experten-Tipps?
Der Unterschied ist methodisch, nicht nur in der Trefferquote. KI-Algorithmen arbeiten mit strukturierten Daten: Expected Goals, Expected Possession Value, Formkurven, Heimvorteil-Korrekturen, Head-to-Head-Bilanzen. Sie verarbeiten diese Variablen konsistent und ohne kognitiven Bias — kein Lieblingsklub, keine Tagesform, keine Narrative, die gerade im Mediendiskurs dominieren.
Menschliche Experten haben dagegen Zugang zu Informationen, die kein Datenmodell erfasst: das Teamklima nach einem Managerwechsel, ein Schlüsselspieler, der seit drei Tagen nicht trainiert, die psychologische Situation vor einem Abstiegsendspiel. Diese Kontextinformationen können entscheidend sein — aber sie sind unstrukturiert, oft unverifizierbar und schwer zu gewichten.
Konkret in Zahlen: In einer Forschungsumgebung erreicht ein Random-Forest-Modell bis zu 85% Genauigkeit. In realen Bedingungen ist der Vorteil der KI über menschliche Experten bescheidener, aber reproduzierbar: 60–68% versus 52–55%. Über eine ganze Saison hinweg macht diese Differenz bei 306 Bundesliga-Spielen rund 25–40 Spiele aus, die der Algorithmus richtig einschätzt, der Mensch nicht.
Die beste Strategie ist daher nicht «KI oder Experte», sondern «KI und Experte»: Das Modell als strukturierte Ausgangslage, menschliche Kontextinformation als Korrekturschicht. Genau so arbeiten Analytikabteilungen bei Bundesliga-Klubs wie TSG Hoffenheim — nicht mit einem einzigen Wert, sondern mit mehreren Modellen in Kombination.
Können Fußball Vorhersagen beim Wetten helfen – oder ist das Glücksspiel?
Beides ist wahr — und das ist keine Ausweichung. Fußball Vorhersagen können die Qualität einer Wettentscheidung verbessern, indem sie strukturierte Wahrscheinlichkeiten liefern, die über bloße Intuition hinausgehen. Gleichzeitig bleibt Sportwetten eine Form des Glücksspiels — mit allen damit verbundenen Risiken.
Rechtlich ist der Rahmen in Deutschland klar: Sportwetten sind nach dem Glücksspielstaatsvertrag 2021 nur bei GGL-lizenzierten Anbietern legal. Das schließt monatliche Einzahlungslimits von 1.000 Euro, Sperrsysteme und verpflichtende Spielerschutzmaßnahmen ein. Wer bei einem nicht lizenzierten Anbieter spielt — auch wenn die Quoten attraktiver wirken — tut das ohne gesetzlichen Schutz und ohne Einlagensicherung.
Die relevante Statistik: 31,8% der aktiven Live-Sports-Betters zeigen laut dem Glücksspiel-Survey 2023 (ISD Hamburg) Merkmale einer problematischen Spielweise. Das ist keine Mahnung für die Randgruppe — das ist ein strukturelles Signal für einen Markt, der schnelle Entscheidungen und hohe Frequenz begünstigt.
Ronald Benter, Vorstand der GGL, warnt: «Illegale Plattformen bieten keine wirksamen Spielerschutzmechanismen. Wer dort spielt, geht ein erhebliches Risiko ein, eine Glücksspielsucht zu entwickeln.» Das gilt auch für legale Plattformen, wenn das eigene Risikobewusstsein fehlt.
Die Kurzzusammenfassung: Prognosen helfen, informierter zu entscheiden. Sie ersetzen keine Ausgabenkontrolle, keine Selbstreflexion und kein Risikomanagement. Sportwetten bleiben Glücksspiel — auch mit dem besten Algorithmus.
Wichtig: Vorhersagen ersetzen keine Wettberatung
Alle Inhalte auf dieser Seite dienen der Information und Analyse. Sie stellen keine Aufforderung zur Teilnahme an Sportwetten dar. Sportwetten sind in Deutschland nach dem Glücksspielstaatsvertrag 2021 (GlüStV) nur bei von der GGL lizenzierten Anbietern legal. Glücksspiel kann süchtig machen. Spielen Sie verantwortungsvoll und setzen Sie nur Beträge ein, deren vollständigen Verlust Sie tragen können. Hilfe und Beratung bietet die Bundeszentrale für gesundheitliche Aufklärung (BZgA) unter der kostenlosen Rufnummer 0800 1 37 27 00 sowie die Telefonseelsorge. Wer unter Spielsucht leidet oder sich gefährdet fühlt, kann sich jederzeit beim OASIS-System selbst sperren lassen.
Die auf dieser Website bereitgestellten Informationen zu Fußball Vorhersagen und KI-gestützten Prognosemodellen dienen ausschließlich zu Informations- und Analysezwecken. Sie stellen keine Wettempfehlung, Anlageberatung oder Aufforderung zur Teilnahme an Glücksspielen dar.
Sportwetten sind in Deutschland gemäß dem Glücksspielstaatsvertrag 2021 (GlüStV 2021) ausschließlich bei Anbietern legal, die über eine gültige Lizenz der Gemeinsamen Glücksspielbehörde der Länder (GGL) verfügen. Glücksspiel kann süchtig machen. Spielen Sie verantwortungsvoll. Hilfe und Beratung erhalten Sie kostenlos bei der Bundeszentrale für gesundheitliche Aufklärung (BZgA) unter 0800 1 37 27 00 (täglich 0–24 Uhr) sowie beim Nationalen Helpdesk Glücksspielsucht.
Alle statistischen Angaben basieren auf zitierten wissenschaftlichen Quellen und öffentlich zugänglichen Berichten. Prognosegenauigkeiten beziehen sich auf historische Modellleistungen und sind keine Garantie für zukünftige Ergebnisse. Die Nutzung von Prognosedaten im Zusammenhang mit Sportwetten erfolgt auf eigene Verantwortung.