Strokes Gained Betting: Hur Golfstatistik Ger Dig Övertag vid Spel

Redaktionen «Golf and bet» juni 19, 2026 Lästid: 17 min

Under mina första år med golfspel använde jag samma analysmetod som alla andra: jag kollade världsranking, senaste resultat, och om spelaren hade vunnit på samma bana tidigare. Det fungerade ibland. Men jag kunde aldrig förklara varför en spelare som såg perfekt ut på pappret kunde missa en cut, medan en annan spelare utan imponerande meritlista plötsligt slutade trea. Svaret hittade jag i strokes gained — och det förändrade allt.

Strokes Gained: Approach har den starkaste korrelationen med genomsnittligt resultat bland alla SG-kategorier, med ett korrelationsvärde på 0.67. Den siffran innebär att en spelares förmåga att slå järnslag in mot green förklarar mer av deras turneringsresultat än deras puttning, deras utslag eller deras kortspel runt greenen. Det är kontraintuitivt — de flesta golfentusiaster tror att puttning avgör allt — men data säger något helt annat.

Den här guiden är skriven för dig som vill gå bortom ytan och använda golfstatistik som ett riktigt spelverktyg. Jag går igenom konceptet från grunden, visar vilka kategorier som faktiskt förutsäger resultat, och demonstrerar hur du konkret applicerar SG-data i din spelprocess. Oavsett om du redan använder analytiska modeller eller aldrig har hört termen strokes gained — efter den här artikeln kommer du att titta på golffält på ett helt nytt sätt.

Vad Är Strokes Gained? Från Broadies Koncept till Modern Spelanalys

2004 publicerade Columbia-professorn Mark Broadie en artikel som tyst revolutionerade golfanalysen. Hans idé var enkel men kraftfull: istället för att mäta en golfares prestation i slag per runda — ett trubbigt verktyg som inte säger något om var slagen förloras eller vinns — borde vi mäta hur varje enskilt slag presterar jämfört med vad en genomsnittlig PGA Tour-spelare skulle göra från samma position.

Konceptet heter strokes gained, och det fungerar så här. Föreställ dig att en genomsnittlig PGA Tour-spelare behöver 2,85 slag från 180 meter ut på fairway för att få bollen i hålet. Om du slår ditt approach-slag till 3 meter och sedan puttar in det — totalt 2 slag — har du ”vunnit” 0,85 slag jämfört med genomsnittet. De 0,85 slagen fördelas sedan på de två individuella slagen: approach-slaget och putten. Kanske bidrog approach-slaget med 0,70 strokes gained och putten med 0,15.

Matt Courchene, grundaren av analysplattformen Data Golf, har beskrivit strokes gained som det enskilt viktigaste analytiska framsteget inom golf på tjugo år — ett koncept som först nyligen har omfamnats fullt ut av tv-sändningar och golfmedia. Jag delar den uppfattningen. Före strokes gained var golfstatistik en samling isolerade siffror: antal fairways, antal greener i regulation, antal puttar per runda. Ingen av dem sa något meningsfullt om helheten. Strokes gained kopplade ihop alla delarna till ett enda ramverk som visar exakt var en spelare vinner och förlorar slag.

För oss som spelar på golf innebär det att vi kan analysera spelare på en nivå som var omöjlig för tio år sedan. Istället för att säga ”den här spelaren har spelat bra senast” kan vi säga ”den här spelaren har vunnit 1,2 slag per runda på approach de senaste åtta turneringarna, vilket placerar honom topp 5 på tour i den kategorin under den perioden.” Den precisionen gör att vi kan matcha spelare med banor, identifiera dolda styrkor och svagheter, och — viktigast av allt — hitta diskrepanser mellan vad data säger och vad oddsen speglar.

Det som gör strokes gained särskilt värdefullt för golfspel — till skillnad från mer traditionell statistik som fairways hit eller greens in regulation — är att det fångar grader av prestation. En spelare som träffar greenen 3 meter från flaggan och en spelare som träffar greenen 15 meter från flaggan registrerar båda en ”green in regulation” i traditionell statistik. I strokes gained får den första spelaren ett betydligt högre värde, eftersom hennes bollposition ger henne en mycket bättre chans till birdie. Den nyansen är skillnaden mellan att ha en ungefärlig bild och att ha en precis bild — och i golfspel, där marginaler avgör, är den precisionen guld värd.

SG-Kategorier: Off the Tee, Approach, Around the Green, Putting

Första gången jag grävde in i SG-data insåg jag snabbt att ”strokes gained” inte är en siffra — det är fyra. Och skillnaden mellan dem är avgörande om du vill använda data för att hitta spelkanter.

SG: Off the Tee mäter hur väl en spelare presterar med sina utslag. Det inkluderar både distans och precision — en lång drive som hamnar i roughen ger inte nödvändigtvis bra SG-värde, medan en kortare drive mitt på fairway kan ge mer. Spelare som dominerar den här kategorin — de som konsekvent slår långt och rakt — har en fördel på öppna banor med breda fairways där distans belönas. På smala, skogklädda banor där precision väger tyngre än distans minskar den fördelen.

SG: Approach mäter precisionen på järnslag in mot green. Det här handlar om att från 100-220 meters håll placera bollen så nära flaggan som möjligt. Varje meter närmare flaggan ökar sannolikheten för birdie och minskar risken för bogey. Approach är den kategori som spelbolagen borde titta mest på — och som överraskande många ignorerar när de sätter sina odds.

SG: Around the Green täcker det korta spelet: chips, pitchar och bunkerslag inom ungefär 30 meter från greenens kant. Det här är redningsarbete — konsten att rädda par när approach-slaget inte träffade greenen. Spelare med starkt kortspel kan kompensera för svaga järnslag, men det är en reaktiv fördel snarare än en proaktiv. I min erfarenhet är det sällan Around the Green som avgör turneringar, men det kan vara avgörande för placeringsmarknader som top-10 och top-20, där marginalerna är tunnare.

SG: Putting mäter hur effektivt en spelare puttar, justerat för avstånd. Det här är den mest missförstådda kategorin. De flesta golfentusiaster — och många casual golfspelare — tror att puttning är det viktigaste. Sanningen är att puttning har den svagaste korrelationen med övergripande resultat bland de fyra kategorierna, och att puttningsprestationen varierar mer vecka till vecka än någon annan kategori. En spelare som puttade fantastiskt förra veckan gör det inte nödvändigtvis den här veckan. Det gör putting till en opålitlig prediktor, trots att den kan vara avgörande i en enskild runda.

Nyckeln för golfspel är att inte behandla de fyra kategorierna som likvärdiga. De har olika grad av stabilitet — hur konsekvent en spelare presterar i kategorin vecka efter vecka — och olika grad av prediktiv kraft. Den insikten tar oss till nästa fråga: vilka kategorier förutsäger resultat bäst?

Vilka SG-Kategorier Förutsäger Resultat Bäst?

Jag tillbringade en hel helg med att gräva i korrelationsdata mellan SG-kategorier och turneringsresultat. Det var en av de mest ögonöppnande analyserna jag gjort. Resultatet var tydligt: alla SG-kategorier är inte skapade lika, och rangordningen stämmer inte alls med vad de flesta golfentusiaster förväntar sig.

SG: Approach toppar listan med ett korrelationsvärde på 0.67 mot genomsnittligt resultat. Det innebär att om du bara fick välja en enda datapunkt att basera dina spel på, borde det vara hur väl en spelare slår sina järnslag in mot green. Approach kombinerar precision och konsistens på ett sätt som de andra kategorierna inte gör — det är en färdighet som toppspelare upprätthåller vecka efter vecka, inte något som svänger vilt mellan turneringar.

SG: Off the Tee kommer på andra plats. Utslagens kvalitet sätter förutsättningarna för resten av hålet, och spelare som konsekvent hittar fairway från bra positioner ger sig själva fler chanser till birdie. Korrelationen är lägre än Approach, men stabiliteten över tid är hög — en lång och rak spelare tenderar att förbli lång och rak.

SG: Around the Green hamnar på tredje plats. Kortspelet är viktigt, men det aktiveras främst när approach-slaget missar green, vilket gör det till en sekundär faktor. Starka kortspelare visar mer variation vecka till vecka än starka approach-spelare, och det gör kategorin mindre tillförlitlig som prediktor.

SG: Putting landar sist, och det är här många golfspelare gör sitt största analysmisstag. Puttning har den högsta variansen av alla kategorier — en spelare kan vinna 2,0 slag på putting en vecka och förlora 1,5 slag nästa vecka. Den variationen innebär att historisk puttningsdata säger relativt lite om framtida puttningsprestationer. Jag använder puttningsdata som en bonus snarare än en grund: om en spelare redan ser bra ut på Approach och Off the Tee, och dessutom puttat starkt senaste veckorna, är det ett extra plus. Men jag bygger aldrig ett spel enbart på starka puttningsiffror.

Den praktiska konsekvensen av den här rangordningen är tydlig. När jag analyserar ett fält inför en turnering börjar jag alltid med Approach, sedan Off the Tee, och behandlar Around the Green och Putting som kompletterande information. Det sparar tid och fokuserar min analys på de datapunkter som faktiskt har störst prediktiv kraft.

Det finns en viktig nyansskillnad mellan korrelation och kausalitet här. Approach har högst korrelation med resultat, men det betyder inte att en spelare som är stark på approach automatiskt vinner. Det betyder att om du ska välja en enda faktor att prioritera i din analys, ger approach den starkaste signalen. I praktiken vill du givetvis titta på alla fyra kategorier — men vikta dem olika. Min egen viktning brukar ligga runt 35 procent Approach, 30 procent Off the Tee, 20 procent Around the Green och 15 procent Putting, justerat beroende på banans profil.

Banpassning Genom Strokes Gained: Matcha Spelarens Styrkor med Banan

Här blir det riktigt intressant. Varje golfbana har en personlighet — en uppsättning krav som premierar vissa färdigheter framför andra. Och varje spelare har en profil — en unik fördelning av styrkor och svagheter över de fyra SG-kategorierna. Banpassning handlar om att matcha spelarens profil med banans krav, och det är en av de mest kraftfulla kantarna du kan hitta i golfspel.

Låt mig ge ett konkret exempel. En bana med smala fairways, tjock rough och snabba, ondulerade greener premierar precision framför distans. SG: Approach och SG: Around the Green väger tungt, medan SG: Off the Tee handlar mer om att hitta fairway än att slå långt. En spelare som rankas topp 10 i Approach men bara genomsnittligt Off the Tee kan vara perfekt matchad med den banan — men oddsen kanske inte speglar det, eftersom spelbolaget primärt utgår från spelarens övergripande ranking.

Varje full-field PGA Tour-turnering genererar ungefär 30 000 slag — varje slag är en datapunkt som kan brytas ner i SG-kategorier och kopplas till specifika banhål och banförhållanden. Den datamängden gör det möjligt att bygga detaljerade banprofiler: vilka SG-kategorier som historiskt haft störst inverkan på resultat på just den banan.

Min process för banpassning ser ut så här. Först identifierar jag banans primära krav: är det en lång och öppen bana som premierar distans, eller en kort och teknisk bana som premierar precision? Behöver man ett starkt kortspel för att hantera svåra greenkomplex, eller är greenerna relativt platta och lättlästa? Sedan rankar jag fältets spelare efter de SG-kategorier som matchar banans profil. Det ger mig en alternativ ranking som ofta skiljer sig markant från världsrankingen — och det är i de skillnaderna som value finns.

En vanlig fälla är att överskatta banhistorik och underskatta banpassning. Att en spelare slutade topp 5 på samma bana förra året är intressant, men det berättar inte varför. Kanske puttade han exceptionellt den veckan — en faktor som sannolikt inte upprepas. SG-baserad banpassning berättar varför en spelare borde passa banan, inte bara att han gjort det tidigare. Den distinktionen är avgörande.

Analytiska Modeller: Data Golf, Dimers och Simuleringar

Du behöver inte bygga din egen modell för att använda SG-data i dina spel. Det finns flera plattformar som gör det tunga analytiska arbetet åt dig — men du behöver förstå vad de gör, och deras begränsningar, för att använda dem klokt.

Data Golf är den plattform jag använder mest. Deras modell bygger på adjusted strokes gained — en raffinerad version av rå SG-data som tar hänsyn till fältstyrka. Att vinna 1,5 slag per runda mot ett svagt fält är inte samma sak som att vinna 1,5 slag mot världens bästa. Data Golfs justering korrigerar för den skillnaden, vilket ger en mer rättvisande bild av spelarens faktiska nivå. De publicerar också turneringsprognoser med procentuella vinstchanser som jag använder som startpunkt i min analys.

Dimers använder en annan metod — tusentals Monte Carlo-simuleringar per turnering. De simulerar turneringen om och om igen med inbyggd slump, och det slutgiltiga resultatet är en sannolikhetsfördelning för varje spelare. Styrkan med den metoden är att den fångar variansen i golf: den visar inte bara vem som ”borde” vinna, utan hur spridd osäkerheten är. Svagheten är att simuleringarna bara är så bra som de antaganden de bygger på — dåliga inputdata ger dåliga sannolikheter oavsett hur elegant modellen är.

PGA Tour registrerade 20 procent tillväxt i spelvolym 2025, och i takt med att marknaden växer blir de analytiska verktygen allt viktigare. De ger dig en utgångspunkt — en ”baseline” att jämföra med — men de ersätter inte din egen bedömning. Jag använder Data Golfs prognoser som ett filter: om min analys säger att en spelare har 5 procent chans att vinna och Data Golf säger 2 procent, gräver jag djupare för att förstå skillnaden. Ibland har jag rätt och Data Golf missar en faktor. Ibland har jag fel och min analys är överoptimistisk. Den dialogen mellan modell och egen bedömning är kärnan i min spelprocess.

En varning: undvik att använda en enda modells siffror som absolut sanning. Alla modeller har blinda fläckar. Data Golf fångar inte alltid aktuell form de senaste dagarna. Dimers fångar inte nödvändigtvis banrenovationer eller förändrade greenhastigeter. Mitt råd är att konsultera minst två källor och sedan göra din egen syntes baserat på det du vet om spelaren, banan och veckan.

Jag har också börjat kombinera modelldata med fantasygolf-verktyg. PGA Tour registrerade 21 procent tillväxt i veckovis fantasygolf-deltagande 2025, och de plattformar som stödjer fantasygolf publicerar ofta detaljerade spelaranalyser och rangordningar som kompletterar rena SG-modeller. Det är ytterligare en källa till information som kan avslöja marknadssyner du inte hittar i oddsen.

Från Data till Spel: Steg-för-Steg SG-Analys Innan Du Spelar

Teori utan tillämpning är akademisk. Så här ser min faktiska process ut, steg för steg, när jag använder strokes gained-data inför en typisk PGA Tour-tävling.

Steg ett: jag identifierar banans SG-profil. Det gör jag genom att titta på historiska resultat och vilka SG-kategorier som korrelerat starkast med topplaceringar på den banan. Om det är en bana PGA Tour besökt flera gånger finns den datan tillgänglig på plattformar som Data Golf. Om det är en ny bana analyserar jag banans fysiska karaktär: längd, fairwaybredd, greenernas storlek och hastighet, rough-höjd, och antalet par-3:or respektive par-5:or. Varje faktor pekar mot en viss SG-kategori.

Steg två: jag rangordnar fältet efter de relevanta SG-kategorierna. Om banan premierar Approach och Off the Tee skapar jag en sammansatt ranking baserad på de två kategorierna, viktat efter deras historiska inverkan på banan. Resultatet är en lista som ofta ser helt annorlunda ut än världsrankingen. Spelare som rankas 50:e i världen kan hamna topp 10 i min bankspecifika ranking, och tvärtom.

Steg tre: jag jämför min ranking med marknadens odds. Alla Signature Events 2026 har 20 miljoner dollar i prispengar, vilket innebär starka fält där marknaden är effektiv. Men även i de starkaste fälten hittar jag diskrepanser — spelare som min SG-baserade ranking placerar markant högre än deras odds antyder. De spelarna blir mina kandidater.

Steg fyra: jag filtrerar kandidaterna genom aktuell form. SG-data bör vara baserad på de senaste 8-12 turneringarna, inte hela säsongen. En spelare som hade fantastisk SG: Approach i januari men tappat de senaste veckorna bör värderas efter den senaste datan, inte genomsnittet. Jag kollar också om spelaren har några kända skade- eller utrustningsproblem som inte syns i statistiken.

Steg fem: jag bestämmer marknad och insats. Om min SG-analys pekar på en spelare som outright-kandidat spelar jag outright. Om analysen är starkare för konsekvent prestation än för seger — höga SG-värden men kanske svag puttningshistorik som begränsar toppchanserna — riktar jag mig mot top-10 eller top-20 istället. Insatsen bestäms av hur stark min edge bedöms vara.

Hela processen tar ungefär 45 minuter om jag har tillgång till mina verktyg och data. Det är inte en stor tidsinsats, men det kräver disciplin att göra det varje vecka utan att ta genvägar. De veckor jag slarvat med analysen har nästan alltid gett sämre resultat — inte för att jag hade otur, utan för att mina beslut var sämre underbyggda. SG-data ger dig ett övertag, men bara om du faktiskt använder den systematiskt. Vill du fördjupa dig i den bredare golf betting-processen hittar du mer i vår pillarguide.

Vanliga Frågor om Strokes Gained och Golfspel

Framtagen av redaktionen på ”Golf and bet”.