Wie eine OKC-Saison meine Modelle für gute fünf Wochen umgekrempelt hat
Im Frühjahr 2025 habe ich einen ganzen Monat lang Spreads gegen OKC getippt, weil meine Punkte-pro-Spiel-Modelle das Team mit normalem Top-Vier-Niveau einordneten. Bilanz: katastrophal. Erst als ich auf Per-100-Possessions umstieg, sah ich, was der Markt längst sah – Pace 100,90, OffRtg 119,2, DefRtg 106,6, NetRtg in den Playoffs als Liga-Rekord. Die Punkte pro Spiel hatten mich getäuscht. Per-Possession-Mathematik hätte mich gerettet.
OffRtg, DefRtg und NetRtg sind nicht „fortgeschrittene Statistiken“ für Akademiker – sie sind die einzige Möglichkeit, Teams mit unterschiedlicher Pace direkt zu vergleichen. Mit der ligaweiten Effizienz von 115,2 Punkten pro 100 Possessions vor dem All-Star Break 2023-24 als Benchmark hat sich das Niveau auf einem Standard etabliert, in dem rohe Punkte-pro-Spiel-Werte irreführend sind.
Ich erkläre dir hier die drei Ratings im Detail, was OKC 2024-25 zur Liga-Rekord-Konstellation gemacht hat, warum Ratings besser sind als Punkte-pro-Spiel, wie Ratings auf Verletzungen reagieren und wie sie konkret in dein Spread-Modell einfließen. Wenn du nach diesem Artikel Per-Possession-Werte wie eine Selbstverständlichkeit benutzt, hast du die wichtigste Modellbasis-Aktualisierung seit Jahren gemacht.
Was OffRtg, DefRtg und NetRtg im Detail bedeuten
Offensive Rating (OffRtg) ist die Anzahl Punkte, die ein Team pro 100 eigene Possessions scort. Defensive Rating (DefRtg) ist die Anzahl Punkte, die das Team pro 100 gegnerische Possessions zulässt. NetRtg ist die Differenz – OffRtg minus DefRtg. Positive Werte bedeuten, dass das Team pro Possession mehr scort, als es zulässt.
Die Liga erreichte vor dem All-Star Break 2023-24 mit 115,2 Punkten pro 100 Possessions einen Effizienz-Rekord, parallel zur historisch niedrigsten Free-Throw-Rate von 24,4. Das heißt: das Liga-Durchschnitts-OffRtg liegt im Bereich 113 bis 116, je nach Saisonphase. Werte über 117 sind elitär. Werte unter 110 sind Lottery-Niveau.
DefRtg-Skalen sind ähnlich. Liga-Mittel zwischen 113 und 116, elitäre Defenses unter 110, schwache Defenses über 117. Ein Team mit OffRtg 117 und DefRtg 110 hat NetRtg +7 – eine Konstellation, die auf einen Conference-Final-Kandidaten hindeutet.
Die wichtigste Eigenschaft: alle drei Werte sind Pace-bereinigt. Ein Team mit hoher Pace, das viele Punkte scort, ist nicht automatisch ein OffRtg-Top-Team – die Effizienz pro Possession kann trotzdem niedrig sein. Umgekehrt kann ein langsames Team mit OffRtg 118 elite sein, obwohl es im Punkte-pro-Spiel-Ranking nur Mittelmaß ist.
Bei der ligaweiten Effizienz-Spitze von 115,2 Punkten pro 100 Possessions ist die Pace-Bereinigung besonders wichtig, weil Pace-Werte zwischen schnellsten und langsamsten Teams um sechs bis acht Possessions variieren – über ein ganzes Spiel ergibt das einen Score-Unterschied von neun bis zwölf Punkten, der nichts mit Effizienz zu tun hat.
Was OKCs 2024-25-Konstellation zur Liga-Rekord-Marke gemacht hat
OKC schloss 2024-25 mit Pace 100,90 als Liga-Erster, OffRtg 119,2 (Platz drei) und DefRtg 106,6 (Platz eins) ab. NetRtg von rund 12,8 – der zweithöchste Wert in der Liga-Geschichte. In der Postseason war NetRtg sogar noch höher und stellte einen Liga-Rekord auf.
Was diese Kombination außergewöhnlich macht: Pace und elite Defense korrelieren typischerweise negativ. Schnelle Teams haben viele Possessions, sind aber durch das Tempo defensiv anfällig – der Gegner bekommt mehr Chancen. OKC hat diese Anti-Korrelation durchbrochen, mit Liga-Pace und gleichzeitig Liga-bester Defense.
Die Saison endete mit 68 Regular-Season-Siegen, Point-Differenzial +12,9, und 84 Saison-Siegen inklusive Playoffs – viertes Team in der Liga-Geschichte mit so vielen Saison-Siegen. OKC wurde der jüngste Champion seit der 1976-Merger-Zeit, mit Durchschnitt-Playoff-Alter 24,7.
Für Tipper hatte diese Konstellation eine wichtige praktische Folge: Standard-Spread-Modelle, die auf historischen Top-Drei-Konstellationen kalibriert waren, unterschätzten OKC systematisch. Der Markt hatte das Team korrekt eingeordnet, aber Tipper, die mit Punkte-pro-Spiel und Vorsaison-Rosters rechneten, lagen falsch.
Die Saison 2025-26 hat die Mathematik bestätigt – OKC startete 24-1, was der Bilanz von Golden State 2015-16 entspricht. Wer Per-100-Possessions-Werte als Modellbasis nutzt, sieht die Stabilität dieser Dominanz unmittelbar. Wer mit Punkte-pro-Spiel rechnet, sieht sie verzögert.
Warum Ratings besser sind als Punkte pro Spiel
Eine ehrliche Beobachtung aus Foren-Diskussionen: viele Tipper bleiben bei Punkten pro Spiel, weil die Zahl intuitiver ist. Ein Team scort 115 Punkte pro Spiel – verständlich. Ein Team hat OffRtg 117 – abstrakter. Aber genau diese Abstraktion ist der Edge.
Beispiel: Team A scort 118 Punkte pro Spiel, Team B 110. Naive Lesart: A ist stärker. Bei näherer Betrachtung: A spielt mit Pace 105, B mit Pace 95. Pro Possession: A 1,09 Punkte, B 1,12 Punkte. B ist effizienter – und damit das stärkere offensive Team, trotz niedrigerer Punkte-pro-Spiel.
Diese Pace-Bereinigung ist nicht akademisch – sie ist die einzige Methode, Teams mit unterschiedlichem Tempo direkt zu vergleichen. Ohne sie machst du strukturell Vergleichsfehler, die im Spread-Markt teuer werden.
Praktische Konsequenz: wenn du zwei Teams mit ähnlichen Spread-Quoten vergleichst, schaue zuerst auf NetRtg. Das stärkere NetRtg-Team hat in den meisten Fällen den besseren Marktwert, auch wenn es in Punkten pro Spiel weniger spektakulär aussieht.
Eine zweite Anwendung: Total-Tipps. Match-Total-Werte werden besser durch die Summe der OffRtg-Werte, multipliziert mit erwarteter Pace, geschätzt – nicht durch die Summe der Punkte-pro-Spiel-Werte. Wer das parallel zur Pace-Analyse anwendet, hat ein präzises Total-Modell.
Wie Ratings auf Verletzungen und Trades reagieren
Ratings sind Saison-Werte – sie ändern sich langsam, weil sie über viele Possessions gemittelt werden. Bei einem normalen Saison-Verlauf braucht ein OffRtg drei bis fünf Spiele, um sich nach einer relevanten Lineup-Veränderung anzupassen.
Diese Trägheit ist sowohl ein Vorteil als auch ein Risiko. Vorteil: Ratings sind robuster als Punkte-pro-Spiel-Werte, einzelne Outlier-Spiele verzerren sie weniger. Risiko: bei strukturellen Veränderungen – Star-Verletzung, Trade – sind die Saison-Ratings verzögert. Du musst manuell adjustieren.
Praktische Faustregel: bei Ausfall eines Top-Drei-Spielers fällt OffRtg typischerweise um drei bis fünf Punkte, je nach Bench-Tiefe. DefRtg ändert sich oft weniger, weil defensive Systeme von mehreren Spielern getragen werden. NetRtg fällt entsprechend.
Ein Beispiel: ein Team mit OffRtg 116 verliert seinen Spielmacher für vier Wochen. Erwartung: OffRtg fällt auf 112 bis 113 in den nächsten Spielen. Wer den alten Wert nutzt, überschätzt das Team in Spread- und Total-Tipps. Manuelle Adjustierung ist hier kein Optionalrechnen, sondern Pflicht.
Trades sind komplexer. Ein neuer Spieler braucht Zeit, sich ins System einzufügen – die ersten zehn Spiele nach Trade sind oft volatiler als die Saison-Ratings suggerieren. Wer mit den alten Saison-Ratings tippt, hat einen verzögerten Modellstand.
Wie Ratings konkret in ein Spread-Modell einfließen
Ein einfaches Spread-Modell: Spread-Erwartung ist die Differenz zwischen OffRtg-Heim minus DefRtg-Gast und OffRtg-Gast minus DefRtg-Heim, plus Heimvorteil-Korrektur. Heimvorteil ist in der NBA historisch rund drei bis vier Punkte, hat sich nach 2020 leicht verflacht.
Beispiel: Heim hat OffRtg 116, DefRtg 110. Gast hat OffRtg 113, DefRtg 112. Differenz: 116 minus 112 ergibt 4. 113 minus 110 ergibt 3. Differenz von Differenzen: 1. Plus Heimvorteil 3 ergibt erwarteter Spread -4 für das Heim-Team. Wenn die Marktquote bei -5,5 liegt, ist die Heim-Spread zu hoch – Underdog-Spread könnte Edge haben.
Diese Berechnung ist eine Vereinfachung – echte Modelle berücksichtigen Pace-Differenz, Match-up-Spezifika, Schedule-Faktoren und Variance-Korrekturen. Aber sie ist ein robusteres Fundament als jede Punkte-pro-Spiel-Methode.
Praktische Anwendung: vor jedem Spread-Tipp kurz die NetRtg-Differenz beider Teams ausrechnen, plus Heimvorteil. Wenn der Markt mehr als zwei Punkte vom Modell abweicht, ist das ein Edge-Kandidat – entweder Edge zugunsten des Tipps, oder Hinweis, dass das Modell etwas übersieht.
Wer das routiniert anwendet, hat innerhalb von vier Wochen ein deutlich präziseres Spread-Modell als der durchschnittliche Tipper. Die Mathematik ist einfach, die Ausführung verlangt Disziplin – Zahlen statt Bauchgefühl.
Was Per-Possession-Denken zu deiner Tipp-Routine beiträgt
Team-Ratings sind kein Premium-Werkzeug für Akademiker. Sie sind die Standard-Mathematik der modernen NBA-Analyse. Wer sie ignoriert, baut auf veralteten Pre-Pace-Modellen.
Mein Vorschlag: in der nächsten Tipp-Woche bei jedem Spread-Tipp NetRtg-Differenz berechnen. Wenn deine Modell-Schätzung um mehr als zwei Punkte vom Markt abweicht, dokumentiere die Abweichung. Nach zwanzig Tickets vergleichst du, ob dein Modell besser oder schlechter abschneidet als die Marktquote – und ob die Abweichungen systematisch in eine Richtung gehen. Diese Auswertung ist die schnellste Methode, deine Modell-Qualität zu kalibrieren.