Zdroje fotbalových statistik pro sázení: Přehled databází a nástrojů

Data jsou palivo sázkové analýzy. Bez spolehlivých statistik je i nejlepší analytik jen sázkař, který hádá s větším sebevědomím. Za roky práce v oboru jsem prošel desítky zdrojů dat – od bezplatných webů po placené API služby. Některé mi změnily přístup k sázení, jiné byly ztráta času. Tady je mapa toho, co stojí za pozornost.

Bezplatné zdroje: FBref, Understat a další

FBref mi poprvé otevřel oči. Když jsem viděl, kolik dat je volně dostupných – xG, xGA, střely z penaltového území, progresivní přihrávky, pressující akce – uvědomil jsem si, že problém většiny sázkařů není nedostatek dat, ale neschopnost s nimi pracovat.

FBref je pravděpodobně nejkomplexnější bezplatný zdroj. Pokrývá top ligy s daty od Statsbomb a nabízí xG statistiky na úrovni týmů i hráčů. Rozhraní není nejhezčí, ale data jsou spolehlivá a pravidelně aktualizovaná. Pro analytického sázkaře je FBref startovní bod číslo jedna.

Understat se zaměřuje výhradně na xG a pokrývá šest hlavních evropských lig. Jeho výhodou je vizualizace – xG mapy zápasů ukazují, odkud šly střely a jakou měly hodnotu. Pro rychlou vizuální analýzu formy týmu je to skvělý nástroj. Slabinou je užší pokrytí – česká liga tam není.

Dalším užitečným zdrojem je Sofascore, který nabízí real-time statistiky, heatmapy hráčů a momentum grafy přímo během zápasu. Pro live sázení je to neocenitelný nástroj. Fotmob je podobná služba s čistějším rozhraním a dobrým pokrytím i menších lig. Oba jsou k dispozici jako mobilní aplikace, což znamená, že máte data v kapse.

WhoScored nabízí hodnocení hráčů, heatmapy a základní statistiky. Pro sázkovou analýzu je méně užitečný než FBref nebo Understat, ale jako doplňkový zdroj pro rychlý přehled o zápase má své místo. Transfermarkt je nezbytný pro informace o tržních hodnotách, přestupech a absencích – ne přímo pro sázkovou analýzu, ale pro kontext, který ji ovlivňuje.

Placené databáze a nástroje pro pokročilé

Bezplatné zdroje vás dovedou daleko, ale mají limity. Pokud chcete pracovat s daty na úrovni jednotlivých akcí – každá přihrávka, každý souboj, každý pohyb hráče – potřebujete placený přístup.

Opta (Stats Perform) je zlatý standard. Jejich data používají profesionální kluby, televizní stanice i bookmakeři. Přímý přístup k API je drahý a zaměřený na firemní klienty, ale některé platformy nabízejí Opta data v uživatelsky přívětivějším balení za rozumnější cenu. Opta analyzuje až 20 kontextových faktorů na každou střelu, což jejich xG model dělá jedním z nejpřesnějších na trhu.

Pro individuálního sázkaře jsou zajímavější nástroje středního segmentu. Platformy, které agregují data z více zdrojů, nabízejí srovnání kurzů a umožňují filtrovat zápasy podle statistických kritérií. Měsíční náklady se pohybují od stovek po nízké tisíce korun, což se vyplatí sázkařům s dostatečným bankrollem a objemem sázek.

Důležité kritérium při výběru placené služby: transparentnost metodologie. Pokud služba neříká, jaká data používá a jak je zpracovává, plaťte jinde.

Které metriky sledovat a jaký mají vliv na kurzy

Mít přístup k datům je jedna věc. Vědět, která data jsou relevantní, je druhá. Z desítek dostupných metrik je pro sázkovou analýzu klíčových asi pět.

xG (expected goals) je nejdůležitější metrika pro hodnocení útočné kvality. Říká, kolik gólů by tým „měl“ dát na základě kvality svých šancí. Týmy s pozitivním xG diferenciálem za posledních pět zápasů jsou typicky v lepší formě, než naznačují samotné výsledky – a to vytváří příležitosti na sázkovém trhu.

xGA (expected goals against) je zrcadlový ukazatel pro obranu. Týmy s xGA pod 1.0 na zápas drží čisté konto přibližně ve 45 % utkání. To je klíčová metrika pro sázky na under a BTTS-ne.

PPDA (passes per defensive action) měří intenzitu pressingu. Tým s nízkým PPDA hraje agresivně a vysokým tempem, což koreluje s vyšším počtem šancí na obou stranách. Pro over/under sázky je to užitečný doplněk k xG.

Progresivní přihrávky a progresivní nošení míče ukazují, jak efektivně tým posouvá hru do ofenzivní třetiny. Tým s vysokým počtem progresivních akcí, ale nízkým xG, pravděpodobně má problém s finální fází – a to se může změnit z týdne na týden.

Jak si vytvořit vlastní analytický workflow

Můj typický den vypadá takto: ráno otevřu FBref a zkontoluji xG diferenciály týmů v ligách, na které se zaměřuji. Identifikuji zápasy, kde vidím potenciální nesoulad mezi formou měřenou daty a formou měřenou výsledky. U těchto zápasů jdu hlouběji – Understat pro vizuální xG mapy, kontrola absencí, vzájemná bilance.

Pak porovnám svůj odhad pravděpodobnosti s kurzy bookmakerů. Pokud najdu value – rozdíl alespoň tři procentní body – zapíšu sázku do tabulky. Pokud ne, jdu dál. Celý proces trvá hodinu až hodinu a půl denně. Není to málo, ale je to investice s měřitelnou návratností.

Klíčem k dobrému workflow je konzistence. Nemusíte analyzovat dvacet lig. Stačí tři nebo čtyři, které znáte dobře a pro které máte spolehlivá data. Hloubka poráží šířku. Sázkař, který detailně zná Bundesligu a Premier League, bude mít lepší výsledky než ten, kdo povrchně sleduje patnáct lig.

Ještě jeden tip: vytvořte si šablonu. Tabulka s kolonkami pro xG doma, xG venku, xGA, gólový průměr, posledních pět výsledků, kurz, implicitní pravděpodobnost a váš odhad. Vyplnění zabere pět minut na zápas a za měsíc budete mít databázi, ze které uvidíte, kde vaše odhady fungují a kde ne. Bez systematického záznamu letíte naslepo. Detailnější pohled na to, jak s xG pracovat, nabízí článek o xG statistikách pro sázení.