So funktioniert die KickPredict-Engine.

Jedes Team hat ein dynamisches ELO-Rating, das die wahre Spielstärke abbildet. Höhere Zahl = stärkeres Team. Wir beziehen die Werte direkt von ClubElo.com — der etablierten ELO-Datenbank für europäische Fussball-Vereine, täglich aktualisiert.

// Beispiel zum Halbfinal-Hinspiel
Bayern München  → 2022 ELO
Paris SG        → 1970 ELO
Differenz       → 52 Punkte zugunsten Bayern

Plus +100 ELO Heimvorteil. Daraus leiten wir die ELO-Sieg-Wahrscheinlichkeit nach der klassischen Logistik-Formel ab:

P(Heim gewinnt) = 1 / (1 + 10^((ELO_Auswärts − ELO_Heim) / 400))

ELO sagt nur wer gewinnt — wir wollen aber auch wie hoch. Dafür berechnen wir die erwartete Tor-Anzahl (λ) pro Team aus historischen Tor-Daten oder ELO abgeleitet:

λ_Heim = (Heim-Angriffsstärke × Auswärts-Defensivschwäche) × Liga-Schnitt
λ_Auswärts = (Auswärts-Angriffsstärke × Heim-Defensivschwäche) × Liga-Schnitt

Mit Poisson-Verteilung berechnen wir die volle Tabelle möglicher Resultate (0:0 bis 8:8) — das gibt uns gleichzeitig die 1X2-Wahrscheinlichkeiten und das wahrscheinlichste Endergebnis.

P(k Tore) = (λ^k · e^−λ) / k!

Die letzten 5 Spiele werden gewichtet — neuestes Match zählt 5×, ältestes 1×. Sieges-Serien ab 3 Spielen in Folge geben +4% Boost, Niederlagen-Serien analog −4%.

Form-Score (W=3, D=1, L=0) × Gewicht (5–4–3–2–1)
Bei Siegesserie ≥3: +4% Heim/Auswärts

Bei mindestens 3 historischen Aufeinandertreffen fliesst die H2H-Bilanz mit maximal 5% Gewicht ein. Klingt klein — entscheidet aber bei knappen Spielen. Manche Teams haben einfach das psychologische Übergewicht (Bayern vs. Dortmund letzte Jahre, Mailand-Derby).

Wir laden für jedes Spiel die offiziellen Verletzten- und Sperren-Listen. Für jeden ausfallenden Spieler berechnen wir einen Impact-Score basierend auf:

• Tore + Assists in der Saison
• Spielminuten (Stammspieler vs. Rotation)
• Position (Stürmer 1.0×, Mittelfeld 0.7×, Keeper 0.85×, Verteidigung 0.5×)

// Beispiel
Mbappé fällt aus (Stürmer, 28 Tore, 3000 Min) → −12% PSG-Sieg

Was andere Tools weglassen, machen wir explizit:

• Wetter via Open-Meteo: Regen begünstigt Heimteam (+1.5%), Schnee +2%, starker Wind reduziert Flankenspiel.
• Erholung: Mind. 2 Tage mehr Pause → +2% für ausgeruhtes Team.
• Tabellendruck: Top-3-Rennen oder Abstiegskampf können erfahrene Teams destabilisieren (−1%).

Sobald das Spiel läuft, berechnen wir die Wahrscheinlichkeiten neu — anders als jedes statische Tool da draussen. Beispiel:

// 1:0 für Bayern in Min 67
Bayern   62% → 81% (+19)
Remis    23% → 14% (−9)
PSG      15% → 5% (−10)

Rote Karten, Schlüsselspieler-Wechsel — alles wird sofort eingerechnet. Die Live-Ansicht zeigt dir die Diff pro Event.

Sobald alle Werte stehen, generiert ein Sprachmodell (Claude Haiku 4.5) eine 3-Satz-Analyse auf Deutsch und Englisch. Keine Phrasen, keine Floskeln — konkrete Begründung warum die Zahlen so sind und welcher Faktor das Spiel kippen kann.

Jede Vorhersage hat einen Konfidenz-Wert von 35-95%, abhängig von:

• Spread zwischen den 1X2-Wahrscheinlichkeiten
• Verfügbarkeit von Form-Daten (5 Spiele beider Teams)
• Verfügbarkeit von Team-Statistiken
• Spielminute (live: höher, da mehr Information)

🟢 85-95% → Sehr sichere Datenlage
🟡 65-84% → Klare Tendenz, einige Unsicherheiten
🟠 45-64% → Offen, könnte kippen
🔴 35-44% → Zu knapp, kein klarer Favorit