Schritt 1: Das Problem bei subjektiven Tennis-Prognosen
Ein Tipp auf ein ATP-Match wirkt oft präzise, ist aber meist eine Mischung aus Formeindruck, Quotenblick und Erinnerung an einzelne Matches. Das Problem: Zwei Beobachter kommen für dasselbe Spiel zu unterschiedlichen Wahrscheinlichkeiten, ohne die Abweichung erklären zu können. Genau hier setzt ein BetScore an: Er zwingt dazu, Eingangsdaten, Gewichtung und Unsicherheit vor dem Match festzulegen. Wer den Score erst nach dem Ergebnis definiert, misst nicht Prognosequalität, sondern bestätigt den eigenen Bias.
Beispiel: Spieler A gewinnt drei Matches auf Sand, Spieler B verliert zwei auf Hartplatz. Ohne Oberflächenkorrektur erscheint A deutlich stärker. Der BetScore trennt Oberflächenform, Gegnerstärke und Serve-/Return-Leistung. Die Takeaway: Ein reproduzierbarer Score beginnt mit einer klaren Problemdefinition, nicht mit einer Quotenschätzung.
Schritt 2: Ursachen isolieren und Daten begrenzen
Die häufigste Ursache für unbrauchbare Scores ist Datenüberladung. Wer 40 Variablen in ein Tennis-Modell wirft, erhält auf kleinen Stichproben stabile Zahlen, die bei neuen Matches sofort brechen. Für einen belastbaren BetScore reichen zunächst fünf Kernmerkmale: Serve-Hold-Rate der letzten 20 Matches, Return-Break-Rate, Oberflächenanpassung, Gegner-Ranking und Matchbelastung. Jedes Merkmal wird z-standardisiert, damit unterschiedliche Skalen nicht dominieren.
Beispiel: Eine Hold-Rate von 82 Prozent auf Sand wird gegen den Durchschnitt der Turnierkategorie normiert, nicht gegen alle ATP-Matches. Die Ursache des Problems – verzerrte Vergleichsgruppen – wird so beseitigt. Die Takeaway: Weniger, sauber normierte Merkmale sind einem großen, unkontrollierten Variablensatz überlegen.
Schritt 3: Den BetScore berechnen und kalibrieren
Der BetScore lässt sich als gewichtete Summe plus Kalibrierungsschritt aufbauen. Ein bewährtes Vorgehen:
- Baseline-Wahrscheinlichkeit aus Elo- oder Marktquote ableiten.
- Fünf Merkmale standardisieren und mit sachlich begründeten Gewichten versehen.
- Rohscore in eine Wahrscheinlichkeit zwischen 0 und 1 transformieren.
- Mit isotonischer Regression oder Platt-Skalierung auf historischen Matches kalibrieren.
- Erst danach einen Schwellenwert für „beobachten“ oder „auslassen“ festlegen.
Ein betscore ist in diesem Kontext kein Wett-Tipp, sondern eine dokumentierte Wahrscheinlichkeitsaussage. Beispiel: Ein Rohscore von 0,71 wird nach Kalibrierung auf 0,64 korrigiert, weil das Modell auf Sand historisch zu optimistisch war. Die Takeaway: Kalibrierung ist kein Optional-Schritt, sondern der Kern des Verfahrens.
Schritt 4: Ergebnis prüfen und Grenzen dokumentieren
Die Prüfung erfolgt zeitlich getrennt: Training auf Matches vor 2024, Test auf Matches ab 2024. Wichtige Kennzahlen sind Brier Score, Log-Loss und Kalibrierungskurve; eine Trefferquote allein genügt nicht. Wenn der BetScore bei Favoriten zwischen 0,60 und 0,70 systematisch 0,05 zu hoch liegt, ist das Modell nicht schlecht, aber falsch kalibriert. Ursache sind meist fehlende Verletzungsdaten oder zu kurze Formfenster.
Beispiel: Ein Modell mit 58 Prozent Trefferquote kann schlechter kalibriert sein als eines mit 54 Prozent, wenn die Wahrscheinlichkeiten im zweiten Fall näher an der Realität liegen. Die Takeaway: Ein brauchbarer BetScore wird anhand von Wahrscheinlichkeitsfehlern bewertet, nicht anhand einzelner Gewinne. Grenzen – kleine Stichproben, kurzfristige Absagen, Quotenbewegungen – gehören in jede Dokumentation.
