Ishockey Betting Statistik – Datakällor och Analysverktyg
Available in US
I SHL vinner favoriten 59 procent av matcherna. I NHL är siffran 62 procent. De siffrorna innebär att om du satsar på favoriten varje match – den enklaste möjliga strategin – förlorar du pengar på grund av operatörens marginal. Det är inte en åsikt, det är matematik. Och den enda vägen ut ur den matematiken är att ha bättre information än spelbolaget, eller åtminstone bättre information än den genomsnittliga bettorn som driver oddsen. Statistik är det verktyget. Utan data gissar du. Med data analyserar du. Skillnaden mellan de två avgör om du är lönsam eller inte.
Jag har byggt min egen analysprocess steg för steg under nio år, och det enda jag ångrar är att jag inte började med datakällorna först. De flesta bettors börjar med att titta på odds och sedan söka bekräftelse. Jag gör tvärtom: jag tittar på datan, bildar mig en uppfattning, och sedan jämför den med oddsen. Om det finns en diskrepans – om min analys säger en sak och oddsen en annan – undersöker jag varför. Det är processen, och den börjar alltid med rätt data.
Datakällor för SHL – var hittar du svensk hockeystatistik?
Den första platsen jag rekommenderar för SHL-data är SHL.se:s egen statistiksida. Den är gratis, uppdateras dagligen och erbjuder grundläggande information: resultat, målstatistik, poängtabeller, spelarstatistik. Det räcker för att komma igång, men det räcker inte för att bygga en edge. SHL.se saknar avancerade mått som Corsi, Fenwick och xG – och utan dem arbetar du i mörkret när det gäller underliggande prestationer.
Eliteprospects.com fyller en del av det gapet. Sajten erbjuder detaljerade spelarprofiler med historisk statistik, transferdata och information om spelarnas bakgrund. Det är särskilt värdefullt i början av säsongen, när nya spelare har anslutit och du behöver snabb information om deras prestationsnivå i tidigare ligor.
HockeyDB.com är en annan resurs med bred täckning av europeiska ligor inklusive SHL. Statistiken är inte lika djup som för NHL, men den ger en god överblick och historisk data som kan användas för trendanalys. Jag använder HockeyDB främst för att jämföra lag och spelares utveckling över flera säsonger – ett perspektiv som matchtoppstatistiken aldrig ger.
Den stora begränsningen med SHL-data: det finns ingen fritt tillgänglig källa för avancerad analys på samma nivå som NHL. Det är en informationsasymmetri som faktiskt gynnar den som investerar tid i manuell analys – om du bygger ditt eget kalkylblad baserat på grunddata från SHL.se och Eliteprospects, har du redan mer information än de flesta bettors och sannolikt mer matchspecifik insikt än spelbolagens generella algoritmer för SHL. Jag rekommenderar att börja med att logga varje SHL-lags mål gjorda, mål insläppta och skott per match under säsongens gång. Efter 15-20 omgångar har du en databas som ingen offentlig källa erbjuder i aggregerad form.
Datakällor för NHL – en helt annan värld
NHL-data är en dröm för analytikern. Den officiella sajten NHL.com erbjuder detaljerad statistik ner till skottnivå, men det är tredjepartssajterna som verkligen levererar djupet.
Natural Stat Trick är min personliga favorit. Sajten erbjuder Corsi, Fenwick, xG, high-danger chances, och en rad andra avancerade mått – gratis, uppdaterat och med filter som låter dig bryta ner datan per spelstyrka, period och matchsituation. Jag använder Natural Stat Trick för att identifiera lag som överpresterar eller underpresterar sin xG, vilket är en av de starkaste indikatorerna på framtida resultat. Ett lag som vinner matcher trots att de har lägre xG än motståndaren kommer sannolikt att regrediera – och oddsen reflekterar ofta det senaste resultatet snarare än den underliggande prestationen.
MoneyPuck.com erbjuder sin egen xG-modell med prediktiva verktyg. Sajten beräknar vinstsannolikheter baserat på sina modeller, och att jämföra MoneyPucks beräknade sannolikhet med spelbolagens implied probability kan direkt avslöja felprissättningar. Hockey-Reference.com fungerar som ett arkiv med historisk data som sträcker sig årtionden bakåt – ovärderligt för den som vill identifiera långsiktiga trender.
Det finns också API-möjligheter för den tekniskt lagda. NHL:s offentliga API ger tillgång till detaljerad matchdata i JSON-format, och flera öppna Python-bibliotek gör det möjligt att hämta och bearbeta datan automatiskt. Jag automatiserade min egen datainhämtning för tre år sedan, och det sparar mig ungefär en timme per dag i manuellt arbete – tid som istället läggs på analys.
Bygg en enkel modell – steg för steg i kalkylblad
Du behöver inte vara programmerare för att bygga en bettingmodell. Ett enkelt kalkylblad i Google Sheets eller Excel räcker för att komma igång, och processen är mer logisk än teknisk.
Steg ett: samla grunddata. För varje lag i den liga du fokuserar på, logga mål gjorda, mål insläppta, skott gjorda, skott mot, powerplay-procent och penalty kill-procent för de senaste tio matcherna. Tio matcher ger en tillräckligt stor bas utan att bli föråldrad. Steg två: beräkna förväntade mål. Använd lagets skottfrekvens och motståndarens räddningsprocent för att uppskatta hur många mål varje lag ”borde” göra i en given match. Steg tre: omvandla till sannolikhet. Jämför din beräknade sannolikhet med oddsen – om din modell ger lag A 55 procent chans att vinna och oddsen ligger på 2.10, innebär det att marknaden ger dem ungefär 48 procent. Den skillnaden på sju procentenheter är potentiellt value.
Modellen behöver inte vara perfekt – den behöver bara vara bättre än att gissa. Och det krävs förvånansvärt lite för att nå den nivån. Min första modell var ett Google Sheet med 30 rader och fem kolumner, och den visade sig vara tillräckligt bra för att identifiera value i ungefär tre av tio matcher jag analyserade. Med tiden har jag lagt till fler variabler, men grundprincipen är densamma: data in, sannolikhet ut, jämför med odds.
En viktig varning: överanpassa inte din modell. Om du lägger till tjugo variabler och optimerar dem baserat på historisk data, skapar du en modell som förklarar det förflutna men inte förutsäger framtiden. Enklare modeller med tre till fem starka variabler presterar oftast bättre än komplexa modeller med dussintals faktorer. Det kallas overfitting, och det är bettingens svar på att se mönster som inte finns.
Finns det gratis verktyg för ishockey betting-statistik?
Ja, flera starka resurser är helt gratis. Natural Stat Trick erbjuder avancerad NHL-statistik med Corsi, xG och mer. MoneyPuck har prediktiva modeller. SHL.se och Eliteprospects täcker svensk hockey. Kombinationen av dessa sajter ger dig en solid grund för statistikbaserad betting utan kostnad.
Hur aktuell behöver statistiken vara för att ge spelvärde?
Generellt sett är de senaste tio till femton matcherna det mest relevanta fönstret. Äldre data kan vara missvisande på grund av spelarbyten, skador och formförändringar. Målvaktsstatistik bör vara ännu mer aktuell – de senaste fem matcherna ger ofta den bästa indikationen på nuvarande form. Uppdatera din data inför varje spelomgång för bästa resultat.
Framtagen av redaktionen på ”Ishockey Betting”.
