ELO-Bewertungssystem erklärt [Kompletter Leitfaden 2026]

Das ELO-Bewertungssystem ist eine mathematische Methode, um relative Spielstärke im direkten Duell zu berechnen. Der Physiker Arpad Elo entwickelte es in den 1950er-Jahren, der US-Schachverband übernahm es 1960. Es sagt die Siegwahrscheinlichkeit aus der Differenz zweier Wertungen vorher und passt nach jeder Partie beide Zahlen an. LearnClash zeigt eine ELO-artige Wertung über 8 Rangstufen und berechnet sie unter der Haube mit Glicko-2.

Die Zahlen auf einen Blick:

Der Rest dieses Leitfadens behandelt die Mathematik, die Psychologie und die Stellen, an denen eine Quiz-Rangliste vom Schach abweichen muss.

⚡ Spiel ein Ranglistenduell und sieh zu, wie sich deine Wertung bewegt

Wofür steht ELO?

Für nichts, streng genommen, denn es ist kein Akronym. ELO ist der Nachname von Arpad Elo (1903-1992), einem in Ungarn geborenen Physikprofessor, der den Großteil seiner Laufbahn an der Marquette University in Milwaukee verbrachte und den Wertungsausschuss des US-Schachverbands leitete.

Er baute das System aus Frust über seinen Vorgänger. Das Harkness-System, auf das sich das US-Schach durch die 1950er-Jahre stützte, lieferte Wertungen, die Spielern regelmäßig willkürlich vorkamen. Elos Lösung drehte den ganzen Ansatz um: erst das Ergebnis vorhersagen, dann die Wertungen danach anpassen, ob die Realität zur Vorhersage passte.

Der US-Schachverband übernahm es 1960, die FIDE folgte 1970. Von dort aus verließ es das Schach komplett. League of Legends, Overwatch, Valorant und Counter-Strike laufen mit Elo-abgeleiteten Skill-Systemen, die FIFA-Weltrangliste stellte 2018 auf eine Elo-Formel um, und Quiz-Apps wie LearnClash wenden dieselbe Mathematik auf kompetitive Quiz-Duelle an.

Wie funktioniert die ELO-Formel?

Zwei Schritte, nach jeder Partie wiederholt: vorhersagen, dann abrechnen. Zuerst berechnet das System einen erwarteten Score, also die Siegwahrscheinlichkeit, abgelesen an der Wertungsdifferenz. Dann bewegt es beide Wertungen um das Maß, in dem das echte Ergebnis diese Erwartung über- oder untertroffen hat.

Erst vorhersagen, dann anpassen. Alles Weitere in diesem Artikel ist eine Verfeinerung dieser zwei Schritte.

Schritt 1: Vorhersagen, wer gewinnen sollte

Das System liest die Wertungsdifferenz zwischen zwei Spielern ab und übersetzt sie in eine Siegwahrscheinlichkeit. Ein kleiner Abstand liest sich wie ein Münzwurf. Ein großer bedeutet, dass der stärkere Spieler fast jedes Mal gewinnen sollte.

E = 1 / (1 + 10^((Rb - Ra) / 400))

Ra ist deine Wertung, Rb die deines Gegners. Die 400 ist eine Skalierungskonstante des Elo-Systems, so gewählt, dass ein Abstand von 200 Punkten dem stärkeren Spieler einen erwarteten Score von ungefähr 75 % gibt.

Schritt 2: Wertungen nach dem tatsächlichen Ergebnis anpassen

Ist die Partie vorbei, vergleicht das System, was tatsächlich passiert ist, mit dem, was es vorhergesagt hatte, und die Lücke zwischen beidem bewegt deine Wertung.

Neue Wertung = Alte Wertung + K x (Tatsächlich - Erwartet)

Tatsächlich ist 1 für einen Sieg, 0 für eine Niederlage und 0,5 für ein Remis. K ist der K-Faktor, den der nächste Abschnitt behandelt. Das ist die klassische Schachformel, hier als Lehrbeispiel gezeigt, nicht als die Rechnung, die LearnClash tatsächlich ausführt.

Rechenbeispiel (klassisches Elo): Ein Schachspieler mit 1.200 schlägt einen Gegner mit 1.000, beide mit K=20, einem typischen Wert für etablierte Spieler.

1. Das System sagte dem 1.200er in 76 % der Fälle den Sieg voraus
2. Er hat gewonnen (Tatsächlich = 1), also: 20 x (1 - 0,76) = +5 Punkte
3. Der Verlierer: 20 x (0 - 0,24) = -5 Punkte

Eine kleine Anpassung, weil der Favorit wie erwartet gewonnen hat. Hätte stattdessen der Außenseiter mit 1.000 gewonnen, bekäme er 20 x (1 - 0,24) = +15 Punkte, das Dreifache für dieselbe einzelne Partie. Diese Asymmetrie, große Ausschläge bei überraschenden und kleine bei erwarteten Ergebnissen, hält das ganze System selbstkorrigierend.

LearnClash behält die Form vorhersagen-dann-anpassen bei, ersetzt den K-Faktor aber vollständig; wie und warum, steht zwei Abschnitte weiter unten.

Was ist der K-Faktor (und warum ist er wichtig)?

Im klassischen ELO entscheidet eine Zahl darüber, wie hart ein einzelnes Ergebnis deine Wertung trifft: der K-Faktor. Er funktioniert wie ein Empfindlichkeitsregler, ein höheres K heißt größere Ausschläge pro Partie.

Schachverbände fahren gestufte Pläne. Die FIDE wendet K=40 auf die ersten 30 gewerteten Partien eines Spielers an, senkt dann auf K=20 und noch einmal auf K=10, sobald die veröffentlichte Wertung eines Spielers jemals 2.400 erreicht hat (dort bleibt es dauerhaft, auch wenn die Wertung später wieder fällt). Die Logik: Die ersten gewerteten Partien sind eine Kalibrierungsphase, also erlaubt das System große Sprünge, um das echte Niveau schnell zu finden, und dämpft alles, sobald sich die Wertung gesetzt hat.

Deutsche Vereinsspieler kennen dieses Prinzip doppelt: Neben der FIDE-Elo führt der Deutsche Schachbund die DWZ (Deutsche Wertungszahl), in deren Formel ein Entwicklungskoeffizient E die Rolle des K übernimmt, abhängig unter anderem von Alter und Spielstärke. Die DWZ löste bis zum 1. Januar 1993 das Ingo-System ab, das Anton Hößlinger 1947 in Ingolstadt entwickelt hatte und in dem, anders als bei Elo, die niedrigere Zahl die bessere war.

Derselbe Überraschungssieg zahlt sich sehr unterschiedlich aus, je nachdem, welches K gerade gilt. Angenommen, ein Spieler mit 900 schlägt einen Spieler mit 1.100, ein Upset mit einem erwarteten Score von 0,24 für den Außenseiter.

• Mit K=40 (neuer Spieler): Gewinn = 40 x (1 - 0,24) = +30 Punkte
• Mit K=20 (etabliert): Gewinn = 20 x (1 - 0,24) = +15 Punkte

Doppeltes K, doppelte Belohnung. Ein K-Plan ist die Antwort eines Verbands auf eine wirklich schwere Frage: Wie schnell soll sich eine Wertung bewegen, solange man noch nicht weiß, wie gut jemand ist? In LearnClashs Wertungscode gibt es nirgends einen K-Faktor, und der nächste Abschnitt ist der Grund.

Warum LearnClash den festen K-Faktor hinter sich gelassen hat

LearnClashs Wertungs-Engine ist eine vollständige Glicko-2-Implementierung, der Algorithmus, den Mark Glickman als Nachfolger von Elos Formel veröffentlichte und dieselbe Familie, mit der Lichess arbeitet, aktualisiert nach jedem einzelnen Duell statt in Sammelläufen. Die Zahl auf deinem Profil liest sich weiterhin wie ELO. Die Arithmetik darunter nutzt K überhaupt nicht.

Glicko-2 verfolgt drei Werte pro Spieler statt einem:

1. Wertung: die vertraute Zahl, Start bei 1.300
2. Rating-Deviation (RD): wie sicher sich das System bei dieser Zahl ist, bei LearnClash zwischen 90 und 250
3. Volatilität: wie sprunghaft deine Ergebnisse waren, für die meisten Spieler um 0,06

RD ist der ehrliche Ersatz für einen K-Plan. Ein neues Konto startet bei RD 250, frühe Duelle bewegen die Wertung also kräftig, und die Deviation pendelt sich innerhalb von etwa 10 Duellen Richtung Untergrenze ein. Die App spiegelt dieses Fenster in der Oberfläche: Die Wertung eines neuen Kontos bleibt als „Ohne Rang“ mit einem Platzierungs-Countdown verborgen, bis 10 Ranglistenduelle abgeschlossen sind. Ein neuer Spieler, der seine ersten paar Duelle verliert, kann in einer Sitzung von 1.300 (Gold II) in Silver-Gefilde fallen; gewinnt er sie stattdessen, ist Platinum III genauso schnell erreichbar. Das ist RD 250, das tut, was K=40 einmal annähern sollte, und dann allmählich ausklingt, statt bei einer willkürlichen Partienzahl abzuschalten.

Elo selbst hat die Grenzen einer einzelnen Zahl besser beschrieben als jeder andere. Aus seinem Buch von 1978, Abschnitt 2.53:

„Der Vorgang lässt sich damit vergleichen, mit einem im Wind schwankenden Meterstab die Position eines Korkens zu messen, der auf bewegtem Wasser auf und ab tanzt. Die genaue Position des Korkens lässt sich nicht angeben, wohl aber der wahrscheinliche Bereich, in dem er zu finden ist. Dasselbe gilt für Wertungen.“ (eigene Übersetzung) Arpad Elo, The Rating of Chessplayers, Past and Present (1978)

Glicko-2 ist im Kern dieser wahrscheinliche Bereich, befördert zu einem festen Bestandteil des Systems.

Seite an Seite, Parameter für Parameter:

Ich kann unsere eigene Migration am Code datieren. LearnClashs erste Engine war klassisches Elo, und die Spuren sind noch da: Die Nutzerdokumente speichern die Wertung in einem Feld, das buchstäblich elo heißt, und der Glicko-2-Reader muss für Konten aus der Zeit vor dem Wechsel Standardwerte für RD und Volatilität nachfüllen. Wir sind umgestiegen wegen der zwei Spieler, die ein festes K nie ehrlich behandelt: das brandneue Konto und das zurückkehrende. In beiden Fällen lautet die wahre Aussage „wir sind uns bei dieser Wertung gerade nicht sicher“, und die Rating-Deviation ist genau diese Aussage, ausgedrückt als Zahl, auf die die Engine reagieren kann.

Der andere Grund war das Spielgefühl. Trivia ist verrauschter als Schach, weil ein 18-Fragen-Duell über gemischte Themen nur einen schmalen Ausschnitt dessen abtastet, was ein Spieler weiß, und als wir schachgroße Ausschläge von 7 bis 13 Punkten ausprobierten, fühlten sie sich tot an. Der Kommentar über der RD-Untergrenze in unserem Wertungscode hält die Entscheidung bis heute fest, sinngemäß: Eine Untergrenze von 90 hält Siege und Niederlagen etablierter Spieler bei gleicher Wertung nahe ±20 Punkten statt im schachartigen Bereich von ±7 bis 13, der sich in der App unbelohnend anfühlte. Was sich für Spieler geändert hat, ist einfach zu sagen: eine Kalibrierung, die ausklingt, statt zu stoppen, Comebacks, die in einer Handvoll Duelle neu kalibrieren, und statt der eingefrorenen Vermutung eines K-Faktors über die Unsicherheit die Unsicherheit selbst, pro Spieler gemessen und mit jedem Duell aktualisiert.

Eine weitere bewusste Feinabstimmung sitzt auf dem Algorithmus: Ein sanfter Anti-Deflations-Regulator multipliziert Gewinne von Spielern unter 2.000 mit 1,015 und speist so einen Tropfen Wertung in die Leiter, damit Klettern auch mit wachsender Spielerbasis möglich bleibt.

Wie passt LearnClash ELO an Quiz-Duelle an?

LearnClash treibt die Wertung weit über simples Sieg-Niederlage-Zählen hinaus. Es skaliert die Fragenschwierigkeit mit der Leiter, protokolliert jede Änderung in deiner Wertungshistorie in der App und matcht dich über einen Composite-Score, gewichtet 50 % ELO-Nähe und 50 % Ähnlichkeit der Themenkategorien. Am Ende spiegelt deine Zahl, was du weißt, nicht nur, wen du zufällig gezogen hast.

8 Rangstufen von Iron bis Phoenix

Neue Spieler starten bei Gold II, dem Ligadurchschnitt. Phoenix steht allein, ohne Unterteilungen.

Jede Stufe außer Phoenix hat drei Unterteilungen (III, II, I), zusammen 22 verschiedene Ränge:

Neue Spieler starten bei ELO 1.300, also in Gold II. Das ist der Ligadurchschnitt, so gewählt, dass nach abgeschlossener Kalibrierung ungefähr die Hälfte der Leiter darüber und die Hälfte darunter liegt. Die Untergrenze ist ELO 100, eine Obergrenze gibt es nicht. Die Stufennamen folgen den Konventionen kompetitiver Spiele, weil Spieler diese Progression schon intuitiv verstehen; wie Leiter, Matchmaker und SRS von Anfang bis Ende zusammenspielen, zeigt die LearnClash-Statistikseite.

Fragenschwierigkeit skaliert mit deiner Wertung

Matchmaking ist nur die Hälfte, denn das System passt auch die Fragen selbst an. Jedes Duell läuft über 6 Runden mit je 3 Fragen, und der Schwierigkeitsmix pro Runde richtet sich nach dem niedriger bewerteten Spieler im Duell, in 200-Punkte-Schritten, sodass eine ungleiche Paarung die schwächere Seite nie ertränkt:

Dieser Mix ist sanfter als der, den wir zuerst ausgeliefert haben, und der Grund ist gemessen, nicht geraten. In den LearnClash-Produktionsdaten vom Juli 2026 beantworteten Spieler leichte Fragen zu etwa 68 % richtig, mittlere zu etwa 52 % und schwere zu etwa 41 %, also haben wir jedes Band auf ein Ziel von ungefähr 75 % richtigen Antworten nachjustiert und schwere Fragen auf eine pro Runde gedeckelt. Eine Trefferquote von 41 % bei schweren Fragen liegt unangenehm nah an den 25 % reinen Ratens bei vier Optionen; stapel drei davon in eine Runde, und sie misst kein Wissen mehr, sondern wirft Münzen.

Die Leitregel hat sich nicht geändert: Deine Wertung soll widerspiegeln, was du tatsächlich weißt, nie, wie schnell du tippen kannst. Deshalb bleiben auch Allgemeinwissen-Fragen auf deinem Niveau wirklich anspruchsvoll, egal ob es um Hauptstädte oder 90er-Popkultur geht.

Matchmaking nutzt mehr als ELO

LearnClash matcht Spieler nicht allein nach ELO. Der Composite-Matchmaker bewertet mögliche Gegner mit einer 50/50 gewichteten Mischung:

1. ELO-Nähe (50 %): volle Punktzahl bei 0 Abstand, glatt abfallend auf 0 bei ±400 Abstand
2. Kategorien-Ähnlichkeit (50 %): Kosinus-Ähnlichkeit auf dem jüngsten Themenvektor jedes Spielers

Bei brandneuen Konten mit weniger als fünf gewählten Themen bewertet der Matcher allein nach ELO-Nähe, bis das Interessenprofil genug Signal hat. Das Ergebnis: Ein Geschichtsfan mit 1.200 zieht weit eher einen anderen 1.200er-Geschichtsspieler als einen 1.200er-Naturwissenschaftsspezialisten, und die meisten ELO-gematchten Duelle landen in einem engen Siegquoten-Band knapper Spiele.

Was passiert, wenn du aufhörst zu spielen?

LearnClash kennt keinen ELO-Verfall. Deine Wertung friert exakt dort ein, wo du sie gelassen hast, und was sich stattdessen verschiebt, ist das Vertrauen des Systems: Während du weg bist, wächst deine Glicko-2-Rating-Deviation (RD) still von ihrer gesetzten Untergrenze 90 in Richtung der Obergrenze 250. Auf deinem Profil ändert sich dabei nichts. Du merkst es erst, wenn du zurückkommst, weil deine ersten Duelle nach der Pause die Wertung stärker bewegen als üblich, bis sich die Deviation wieder strafft.

Was die RD auf jeder Stufe bedeutet:

Drei Designentscheidungen halten das fair für Gelegenheitsspieler. Deine Schlagzeilen-Zahl bleibt deine, ohne Punktabzug für eine Woche Pause. Die RD signalisiert Unsicherheit statt Strafe: Ein ruhendes 2.300er-Konto spielt nicht garantiert noch wie 2.300, also behandelt die Engine die Wertung als breitere Spanne, bis frische Duelle das Gegenteil belegen. Und die Neukalibrierung ist absichtlich schnell, weil eine hohe RD Comeback-Duelle mehr zählen lässt und einen Rückkehrer innerhalb einer Handvoll Partien wieder auf einer ehrlichen Wertung landen lässt.

League of Legends lässt in seinen obersten Rängen Ligapunkte verfallen. LearnClashs RD-Weg geht anders: Er bewahrt die Wertung und weitet nur die Unsicherheit darum, sodass dich eine ruhige Woche nichts kostet und eine Comeback-Woche doppelt zählt.

Warum macht ELO süchtig nach Quiz-Duellen?

Setz eine einzelne sichtbare Zahl auf ein Profil und lass sie sich nach jedem Match bewegen, und jedes Match wird zu einem Ereignis mit spürbarem Einsatz. Fünf psychologische Auslöser erledigen den Großteil der Arbeit.

Variable Belohnungen. Einen höher bewerteten Spieler zu schlagen bringt mehr als einen niedriger bewerteten, und beide Auszahlungen verschieben sich damit, wie gesetzt die jeweilige Wertung ist. Weil die Auszahlung von der Paarung abhängt, die du zufällig gezogen hast, kennst du die genaue Zahl nie, bevor die letzte Antwort fällt.

Verlustaversion. Kahneman und Tversky zeigten, dass Verluste schwerer wiegen als Gewinne; spätere Schätzungen setzen das Verhältnis bei etwa zwei zu eins an. Mit einem Stufenabzeichen, das sichtbar auf deinem Profil sitzt, sticht ein Verlust von 15 Punkten weit mehr, als ein Gewinn von 15 sich gut anfühlt.

Beinahe-Treffer-Effekt. Ein Duell 9:8 bei 18 Fragen zu verlieren, wenn eine einzige richtige Antwort mehr das Ergebnis gedreht hätte, landet in deinem Kopf als Fast-Erfolg statt als glatte Niederlage. Die Themen wechseln jede Runde, also kann eine einzige unbekannte Essens-Quizfrage den Ausschlag geben, und die Wertungshistorie der App lässt dich genau nachspielen, welche Duelle dich gekostet haben.

Stufenaufstiege. Der Schritt von Silver I nach Gold III ist ein Beförderungsmoment, den flache Punktesummen nicht nachbilden können. Als wir das 8-Stufen-System gegen einfachere Alternativen wie Kahoots punktebasierte Wertung entwarfen, setzten wir die Stufengrenzen so, dass du mit 22 Unterteilungen nie weit von der nächsten entfernt bist.

Der Lerngewinn. Die meisten zwanghaften Spielschleifen sind leere Kalorien, und genau hier trennt sich LearnClash bewusst von ihnen. Jede Frage tritt in einen 3-stufigen Spaced-Repetition-Zyklus ein (Lernen, Bekannt, Gemeistert) mit Wiederholungsintervallen von 7 und 90 Tagen, aufgebaut auf dem Testing-Effekt; die größere Wissenschaft dahinter, warum knappe Matches stärkeres Lernen erzeugen, heißt kompetitives Lernen.

Wo wird das ELO-Bewertungssystem außerhalb von Schach genutzt?

Seit die FIDE es 1970 übernahm, hat sich Elos Idee auf fast jeden Bereich ausgebreitet, in dem zwei Konkurrenten ein messbares Ergebnis liefern.

Inzwischen gibt es mehrere verbesserte Varianten. Glicko und Glicko-2, entwickelt vom Statistiker Mark Glickman, ergänzen die Rating-Deviation, auf die dieser Artikel immer wieder zurückkommt; Lichess läuft auf Glicko-2, und Microsofts TrueSkill erweitert die Idee auf Teamspiele. LearnClash steht in der Glicko-2-Spalte mit einer ELO-artigen Zahl obendrauf, weil ELO die Notation ist, die Schach der Welt zu lesen beigebracht hat. Wie sich das im Vergleich mit einer anderen 1v1-Quiz-App schlägt, zeigt der Vergleich LearnClash vs QuizDuel.

Das Konzept taucht auch an seltsameren Orten auf. Tinders früher Algorithmus nutzte Berichten zufolge Elo, um die Attraktivität von Profilen zu ranken, bevor die Firma das nach der Gegenreaktion zurücknahm, und FiveThirtyEight führte jahrelang Elo-Wertungen für NFL- und NBA-Teams.

Wie kletterst du schneller auf der ELO-Leiter?

Die Kalibrierung ist der größte Hebel, und sie kommt zuerst. Danach besteht der Aufstieg vor allem darin, das System so oft wie möglich mit ehrlichen Informationen zu füttern.

• Spiel deine ersten 10 Duelle früh. Deine RD startet bei 250 und pendelt sich in etwa 10 Duellen Richtung Untergrenze ein. Diese Kalibrierungsduelle bewegen deine Wertung am stärksten und sind der schnellste Weg zu deinem wahren Niveau.
• Streu deine Themen. Jedes Duell deckt 6 Themen ab. Eindimensionale Spieler stoßen an eine Decke, sobald Geografie oder Mythologie in einer Runde auftaucht.
• Üb zwischen den Duellen. Verfehlte Fragen wandern in die Spaced Repetition mit Wiederholungsintervallen von 7 und 90 Tagen, also hebt das Trainieren schwacher Bereiche wie Geschichte direkt deine Trefferquote im Duell.
• Bleib aktiv. Das RD-Wachstum in Pausen ist real. Ein schnelles Duell strafft sie und hält deine Wertung gesetzt, statt sie Richtung größerer Comeback-Ausschläge driften zu lassen.
• Nimm schwere Paarungen an. Gegen jemanden 300 Punkte über dir zu verlieren kostet wenig, während dieser Überraschungssieg ein Mehrfaches eines Siegs auf Augenhöhe zahlt.

Die Kernidee hat sich seit 1960 nicht verändert; verändert hat sich, wo sie zum Einsatz kommt und wie die Kalibrierung läuft.

Fühlt sich das Bewertungssystem jemals unfair an?

Manchmal, ja. Glicko-2 gewichtet jedes Ergebnis danach, wie sehr es beiden Wertungen traut, also zählt ein Sieg gegen einen Gegner, dessen Wertung die Engine noch kaum vertraut, weniger, als die Zahl auf dem Bildschirm vermuten lässt, und diese Lücke zwischen dem, was du siehst, und dem, was die Engine weiß, ist die Quelle der meisten „das ist doch manipuliert“-Momente. Ich nehme diesen Tausch in Kauf, denn die Alternative wäre ein System, das so tut, als verdienten eine Wertung vom ersten Tag und eine nach fünfhundert Duellen denselben Respekt. Wenn ein Ergebnis mal knausrig wirkt, prüf, ob dein Gegner ein neues Konto war, noch innerhalb seines 10-Duelle-Platzierungsfensters; nach meiner Erfahrung ist das fast immer die ganze Geschichte.

🏆 Finde heraus, wo du dich einpendelst