Jeder Basketball-Fan kennt das Bild: endlose Tabellen, Punkte, Rebounds, Assists – und trotzdem bleibt das Ergebnis vage. Hier geht’s um mehr als blo\u00dfes Z\u00e4hlen, es geht um das Entschl\u00fcsseln von Mustern, die den Unterschied zwischen einem guten und einem gro\u00dfartigen Spiel ausmachen. <\/p>\n
Standardwerte wie \u201e30 Punkte, 10 Rebounds“ klingen beeindruckend, doch ohne Kontext sind sie hohl. Ein Spieler, der 30 Punkte gegen die schlechteste Verteidigung erzielt, liefert kaum Mehrwert. Hier muss man die Qualit\u00e4t des Gegners, das Tempo des Spiels und die Einsatzzeit gewichten. <\/p>\n
Durch das Umrechnen auf 100 Possessions wird pl\u00f6tzlich klar, wer wirklich effizient ist. Ein kurzer Satz: Tempo ist K\u00f6nig. <\/p>\n
Plus-Minus zeigt, wie das Team performt, wenn der Spieler auf dem Feld steht. Wenn das Team mit ihm +12 Punkte erzielt, spricht das B\u00e4nde. Ignorieren Sie das und Sie verpassen den wahren Wert. <\/p>\n
Schritt eins: Rohdaten importieren, idealerweise aus einer CSV-Datei, die jede Aktion festh\u00e4lt. Schritt zwei: Filtern nach Spieltempo, Gegnerst\u00e4rke und Einsatzminuten. Schritt drei: Berechnen Sie gewichtete Kennzahlen – etwa \u201eWeighted Player Efficiency Rating“ (wPER). <\/p>\n
Python-Pandas f\u00fcr Daten-Wrangling, NumPy f\u00fcr die Berechnungen und Matplotlib f\u00fcr die Visualisierung. Wenn Sie Excel lieben, nutzen Sie Power Query, aber seien Sie gewarnt: Es wird schnell un\u00fcbersichtlich. <\/p>\n
Ein Spieler erzielt 20 Punkte, 12 Rebounds und 11 Assists, aber das Team verliert. Warum? Der Player Efficiency Rating (PER) liegt bei 12, w\u00e4hrend das Liga-Durchschnitt bei 15 liegt. Der Grund: Hohe Turnover-Rate und niedrige Shooting-Efficiency. <\/p>\n
Verlassen Sie sich nicht auf die oberfl\u00e4chlichen Zahlen. Stattdessen: Kombinieren Sie Tempo-adjustierte Stats, Plus-Minus und wPER, um ein ganzheitliches Bild zu erhalten. Das ist die einzige Methode, die konsequent profitable Wetten liefert. <\/p>\n