Welche Statistiken bei Darts-Wetten wirklich zählen
Zahlen, die den Unterschied machen — das ist der Kern jeder datengetriebenen Wettanalyse bei Darts. Wer Sportwetten auf Darts ernst nimmt, kommt an drei Kennzahlen nicht vorbei: dem Three-Dart-Average, der Checkout-Quote und der 180er-Frequenz. Jede dieser Metriken erfasst einen anderen Aspekt der Spielerleistung, und erst in Kombination ergibt sich ein Bild, das Wettentscheidungen fundiert stützen kann.
Die Versuchung ist groß, nur den Average zu betrachten. Er ist die prominenteste Zahl im Darts, wird bei jeder TV-Übertragung eingeblendet und von Kommentatoren regelmäßig zitiert. Aber der Average allein erzählt bestenfalls die Hälfte der Geschichte. Ein Spieler mit einem Average von 98 und einer Checkout-Quote von 45 % gewinnt mehr knappe Legs als ein Spieler mit einem Average von 100 und einer Checkout-Quote von 32 %. Wer das ignoriert, übersieht Value — in beide Richtungen.
Für Wetter ist entscheidend, nicht nur zu wissen, was die Zahlen bedeuten, sondern wo man sie findet und wie man sie kontextualisiert. Die PDC veröffentlicht über ihre Website und den Datenpartner Sportradar umfangreiche Statistiken — von turnierspezifischen Daten bis hin zu Saisonwerten einzelner Spieler. Darüber hinaus liefern spezialisierte Plattformen wie thestatsdontlie.com aufbereitete Analysen, die den Einstieg erleichtern. Die Daten sind öffentlich; der Vorsprung entsteht durch ihre Interpretation.
Im Folgenden werden die drei Kernmetriken einzeln betrachtet: Was messen sie, wo liegen ihre Grenzen, und wie lassen sie sich für Wettentscheidungen nutzen?
Three-Dart-Average: Standard vs REAL Average
Der Three-Dart-Average ist die am häufigsten zitierte Kennzahl im Darts. Er misst den Durchschnitt der erzielten Punkte pro Aufnahme von drei Darts. Ein Average von 100 bedeutet: Der Spieler erzielt im Schnitt 100 Punkte pro Wurfrunde und benötigt damit theoretisch etwa 15 Darts für einen 501-Leg. In der Praxis variiert die Zahl, weil die Checkout-Phase die letzten Aufnahmen beeinflusst.
Was viele Wetter nicht wissen: Der Standard-Average wird für das gesamte Match berechnet, einschließlich unvollständiger Legs. Wenn ein Spieler in einem Leg 180, 140, 140 wirft und sein Gegner dann auscheckt, bevor er selbst zum Checkout kommt, fließen diese hohen Aufnahmen in seinen Average ein, obwohl er das Leg verloren hat. Das inflationiert die Zahl nach oben.
Die PDC hat mit dem REAL-Average-Konzept eine Korrektur eingeführt. Der REAL Average berücksichtigt nur abgeschlossene Legs — also Legs, in denen der Spieler tatsächlich ausgecheckt hat. Der Unterschied ist beträchtlich: Ein Average von 100+ wird bei Players-Championship-Events nach REAL-Berechnung nur in rund 2 % der Matches erreicht, nach Standardberechnung dagegen in etwa 10 %. Ein Faktor fünf. Für die Wettanalyse hat das konkrete Konsequenzen: Wer Spieler anhand ihres Standard-Averages vergleicht, vergleicht aufgeblähte Werte. Wer den REAL Average heranzieht, arbeitet mit der belastbareren Grundlage.
In der Praxis ist der REAL Average nicht immer verfügbar — die PDC publiziert ihn punktuell in Analyse-Artikeln, aber nicht systematisch für alle Events. Deshalb empfiehlt sich ein pragmatischer Ansatz: Den Standard-Average als Orientierung nutzen, aber mit einem Abschlag von 3 bis 5 Punkten rechnen, wenn man Wahrscheinlichkeiten modelliert. Ein Spieler mit einem angezeigten Average von 98 liegt nach REAL-Berechnung vermutlich näher an 94 oder 95. Diese Korrektur mag klein wirken, verschiebt aber Wahrscheinlichkeitsschätzungen — und damit die Bewertung von Quoten — spürbar.
Noch ein Hinweis zur Vergleichbarkeit: Averages schwanken je nach Format und Turnierstufe. Bei Floor-Events ohne Publikum liegen die Averages typischerweise 2 bis 4 Punkte niedriger als bei TV-Turnieren. Das Publikum erzeugt Adrenalin, und das Scoring steigt messbar. Wer Averages aus verschiedenen Turniertypen vergleicht, muss diesen Effekt berücksichtigen.
Checkout-Quote: Tiers, Pressure und was die Daten zeigen
Die Checkout-Quote gibt an, wie viel Prozent der Checkout-Versuche ein Spieler erfolgreich abschließt. Ein Wert von 40 % bedeutet: Von zehn Versuchen, ein Leg über das Doppelfeld zu beenden, gelingen vier. Die Quote klingt niedrig, ist aber auf PDC-Niveau durchaus stark — der Tourschnitt liegt je nach Turnier zwischen 35 und 38 %.
Für Wetter ist die Checkout-Quote deshalb wichtig, weil sie die letzte Phase eines Legs bestimmt: den Moment, in dem ein Scoring-Vorsprung in einen tatsächlichen Leg-Gewinn umgewandelt wird. Zwei Spieler mit identischem Average können sich in der Checkout-Effizienz um 10 Prozentpunkte unterscheiden — und dieser Unterschied entscheidet über gewonnene und verlorene Legs.
Die WDC 2025/26 liefert konkrete Daten. In der Mid-Tournament-Statistik führte Damon Heta mit einer Checkout-Quote von 56,41 %, gefolgt von Wesley Plaisier mit 55,56 % und Luke Littler mit 54,55 %. Diese Werte liegen weit über dem Tourschnitt und zeigen, dass Checkout-Effizienz kein Zufall ist, sondern ein Skill, der sich über Turniere hinweg stabilisiert.
Besonders relevant für die Wettanalyse ist die Unterscheidung nach Checkout-Tiers. Einfache Checkouts — 40 oder darunter — werden von den meisten Profis zuverlässig getroffen. Mittlere Checkouts zwischen 41 und 80 zeigen größere Unterschiede. Und bei hohen Checkouts über 100, die oft als Ton-Plus-Finishes bezeichnet werden, trennt sich die Spreu vom Weizen. Die PDC-Daten zeigen: Die durchschnittliche Completion Rate auf Ton-Plus-Finishes liegt bei etwa 10,4 %, unter Druck durch den Gegner steigt sie leicht auf 10,6 %. Das überrascht — man würde erwarten, dass Druck die Leistung senkt. Doch die Daten deuten darauf hin, dass die besten Spieler in Druckmomenten fokussierter agieren.
Für die Wettpraxis heißt das: Die Checkout-Quote sollte nicht als einzelne Zahl betrachtet werden, sondern nach Tiers aufgeschlüsselt. Ein Spieler mit einer guten Gesamt-Checkout-Quote, der aber bei Ton-Plus-Finishes schwach abschneidet, verliert knappe Legs gegen Spieler, die genau in diesen Momenten stark sind. Wer diese Tiefe in die Analyse einbezieht, findet Value, den der Average allein nicht offenbart.
Praktisch lässt sich die Checkout-Quote über die PDC-Statistikseite und Sportradar-Daten nachverfolgen. Für einzelne Turniere werden die Werte in der Regel nach jeder Runde aktualisiert. Wer ein Modell für Wahrscheinlichkeitsschätzungen aufbaut, sollte die Checkout-Quote als gewichteten Faktor einbeziehen — mit höherem Gewicht für die jüngsten drei bis fünf Events, da die Quote stärker schwankt als der Average. Ein Spieler, der bei den letzten drei Turnieren eine Checkout-Quote von über 42 % gehalten hat, befindet sich in einer Phase hoher Präzision — und das sollte sich in den Quoten widerspiegeln.
Zuletzt ein Wort zur 180er-Frequenz, der dritten Kernmetrik. Sie misst, wie viele maximale Aufnahmen ein Spieler pro Leg oder pro Match erzielt. Für Over/Under-Märkte ist sie direkt relevant, für Siegwetten indirekt — weil eine hohe 180er-Rate auf aggressives Scoring hindeutet, das den Gegner unter Druck setzt. Die 180er-Frequenz ist spielerabhängig und formatabhängig: Bei TV-Events liegt sie systematisch höher als bei Floor-Events. Wer sie in Kombination mit Average und Checkout-Quote liest, erkennt Spielerprofile, die der bloße Average-Vergleich verschleiert.
Das analytische Dreieck als Fundament
Zahlen, die den Unterschied machen — das gilt bei Darts-Wetten wörtlich. Der Three-Dart-Average, die Checkout-Quote und die 180er-Frequenz bilden zusammen das analytische Dreieck, auf dem fundierte Wettentscheidungen stehen. Christopher Kempf, Statistikanalyst der PDC, bringt es auf den Punkt: „No player can hope to compensate for weak scoring with a high proportion of ton-plus checkouts completed, but the fact that many of the same players known for throwing lots of 180s — Price, Littler, van Veen especially — are also excellent when it comes to high finishes only adds to the challenge of defeating them“ (PDC Stats Analysis, 2025). Für Wetter ist die Konsequenz klar: Keine einzelne Metrik reicht aus. Wer den REAL Average kennt, die Checkout-Tiers versteht und die 180er-Frequenz im Kontext liest, hat einen Analysevorsprung, der sich langfristig in besseren Quoten und besseren Ergebnissen niederschlägt. Die Daten sind zugänglich — der Unterschied liegt darin, sie zu nutzen.