Die Fußballanalyse erfuhr mit der Einführung der Expected Goals (xG) einen grundlegenden Wandel. Als eine der wichtigsten modernen Statistiken bieten xG-Werte neue Erkenntnisse und verändern unser Verständnis von unserem Lieblingssport. In diesem umfangreichen Artikel gehen wir einigen wichtigen Fragen in diesem Zusammenhang nach: Wie werden Expected Goals berechnet? Welchen Einfluss haben die xG-Werte auf Trainer, Medien und Fans? Welche weiteren Statistiken entstanden aus dem xG-Modell und wie werden diese den modernen Fußball in der Zukunft formen?
Bereits in den 90er-Jahren gab es erste Versuche den einzelnen Schüssen Erfolgswahrscheinlichkeiten zuzuschreiben. Mit dem Aufkommen umfangreicherer Datenquellen und fortschrittlicher Algorithmen wurden die Modelle immer ausgefeilter und Datenanbieter wie Opta, Wyscout und Statsbomb entwickeln ihre hauseigenen Modelle immer weiter. Die Expected-Goal- Metrik berechnet wie hoch die Wahrscheinlichkeit ist, dass ein Schuss zum Zeitpunkt VOR der Schussabgabe zu einem Tor führt und berücksichtigt dabei zahlreiche Faktoren wie Entfernung, Winkel und Schussart (Kopf, Fuß, Volley etc). Jeder Torchance wird je nach ihrer Qualität ein Wert zwischen 0 und 1 zugewiesen. Ein Elfmeter hat etwa einen xG-Wert von 0.76.
Wenn man tiefer in den Bereich der xG eintaucht, gibt es mehrere fortschrittliche Modelle, die unser Verständnis des Spiels weiter verfeinern. Der xG Divergence Score (xGDS) ist eine bemerkenswerte Ergänzung, die den Unterschied zwischen den Expected Goals und tatsächlichen Spielergebnissen in einer einzigen Zahl erfasst und damit ungewöhnliche Spielverläufe auf einen Blick erkennen lässt. Anhand der Expected Points (xP) lässt sich eine Tabelle anhand der Expected Goals darstellen, die im Laufe der Saison Aufschlüsse darüber geben kann, ob ein Team insgesamt über oder unter der statistischen Erwartung läuft – also kurzgesagt ob es Glück oder Pech hatte. Die Statistik Expected Goals on Target (xGOT) bewertet die Qualität der Schüsse, die tatsächlich auf das gegnerische Tor gehen. Im Unterschied zum xG-Modell weist es dem Schuss die statistische Erfolgsaussicht für einen Treffer NACH dem Schussversuch zu. Ein Schuss ins Kreuzeck bekommt so einen höheren Wert als ein halbhoher Schussversuch in die Mitte, den der Tormann leichter fangen kann.
Mit der Modernisierung des Fußballs steigt auch die Bedeutung von datengestützten Erkenntnissen. Die Integration dieser fortschrittlichen Metriken bietet nicht nur ein tieferes Verständnis der individuellen und mannschaftlichen Leistungen, sondern beeinflusst auch taktische Entscheidungen, Spielertransfers und Fan-Diskussionen. In diesem ausführlichen Expected Goal Leitfaden wollen wir euch alle Aspekte rund um die xG-Werte näherbringen.
Fußball ist ein Sport voller Tradition, Leidenschaft und Strategie. In dem Maße, wie Analytik und Datenwissenschaft in alle Bereiche unseres Lebens vorgedrungen sind, hat sich auch der Fußball diese Disziplinen zu eigen gemacht und fortschrittliche Modelle entwickelt, die unser Verständnis des Spiels verbessern. Unter diesen avancierten die "Expected Goals" oder "xG" zu einer der einflussreichsten Statistiken, zumal diese Metrik immer mehr im Mainstream ankommt.
Im Kern sind die Expected Goals (xG) ein statistisches Maß, das die Qualität eines Schusses im Fußball im Vorhinein quantifiziert. Anstatt einfach nur Schüsse oder Tore zu zählen, geht die xG-Statistik tiefer und bewertet die Wahrscheinlichkeit, dass ein bestimmter Schuss zu einem Tor führt, basierend auf historischen Daten von hunderttausenden ähnlichen Schüssen.
Ein Beispiel: Ein Stürmer erhält einen flachen Pass direkt vor dem gegnerischen Tor. Die meisten Fans sprechen in so einem Fall von einer sogenannten hundertprozentigen Chance. In der xG-Analyse könnte dieser Schuss tatsächlich einen Wert nahe 1 erhalten, was auf eine sehr hohe Torwahrscheinlichkeit hindeutet. Umgekehrt resultiert ein Verzweiflungsschuss aus der Nähe der Mittellinie, bei dem die Verteidiger und der Torhüter gut positioniert sind, in einem xG-Wert, der etwa bei 0 liegt.
Das Konzept mag zwar einfach erscheinen, doch die Erfassung genauer xG-Werte erfordert eine umfangreiche Datenverarbeitung, bei der Faktoren wie die Position des Schützen, die Art des zum Schuss führenden Passes, die Position der Verteidiger und vieles mehr berücksichtigt werden.
Im Bereich der Fußballanalytik erwies sich xG als ein neuer Wegbereiter. Durch einen differenzierten Blick auf die Schussqualität und nicht nur auf die Quantität, bietet es eine umfassendere Sicht auf die Offensivleistung eines Teams und die Performance einzelner Spieler.
Sieht man sich Fußballspiele aus den 2020er-Jahren an und vergleicht sie mit Begegnungen, die viele Jahrzehnte alt sind, dann erkennt man wie sehr sich dieser Sport veränderte. Das Spiel wurde schneller, komplizierter, die Spieler sind athletischer und dank der Nachwuchsakademien auch in technischer Hinsicht perfekt geschult. Die Qualitätsunterschiede zwischen Profimannschaften sind oftmals gering und so wuchs das Bedürfnis aus allen zur Verfügung stehenden Mitteln Vorteile zu gewinnen. Dies betrifft natürlich auch die Datengewinnung und die Möglichkeit neue mathematische Modelle zu erstellen. So entstanden auch die Expected Goals (xG) als Antwort auf das Bedürfnis, das Spiel immer besser zu verstehen.
Die Expected Goals bieten in vielerlei Hinsicht Erkenntnisse:
Spielanalyse: Ein Blick auf das Ergebnis einer Fußball-Partie erzählt noch lange nicht die gesamte Geschichte dieser 90 Minuten, denn das Ergebnis kann trügerisch sein. Es kann sein, dass zwei Mannschaften ein Spiel mit einem 1:1-Unentschieden beenden, obwohl eines der beiden Teams die deutlich besseren Torchancen hatte. xG quantifiziert diesen Unterschied und hilft Trainern, Fans und Analysten, die Leistungen der Mannschaften besser einzuordnen.
Spielerwertungen: Vergleicht man die Expected-Goal-Werte mit den tatsächlich erzielten Treffern eines Spielers, erkennt man auf einen Blick, ob dieser über oder unter der statistischen Erwartung getroffen hat. Noch wichtiger zu sehen ist allerdings, ob ein Spieler überhaupt zu guten Chancen kommt, was ebenfalls perfekt im xG-Wert abgebildet ist. In der Praxis ist es meistens so, dass über mehrere Jahre hinweg sich die xG-Werte der Stürmer mit den tatsächlich erzielten Toren in der Regel angleichen. Ein Trainer muss sich, um einen Stürmer, der laufend einen hohen xG-Wert erspielt, aber vor dem Tor aktuell unglücklich agiert, weniger Sorgen machen, als wenn er bei den Expected-Goal-Werten schlechte Werte aufweist.
Ein Beispiel aus der Praxis: Nehmen wir an wir haben zwei Stürmer, die in der gleichen Mannschaft spielen und gleich viele Einsatzminuten haben. Beide Stürmer schossen acht Tore, doch die xG-Werte unterscheiden sich stark. Stürmer 1 hat einen xG-Wert von 4 und sein Kollege im Angriff, Stürmer 2, einen xG-Wert von 12. Daraus können wir ableiten, dass der erste Stürmer zwar wesentlich effizienter mit seinen Chancen umgeht, der zweite Angreifer jedoch viel öfter in aussichtsreiche Abschlusssituationen kommt. Einem Scout werden, wenn man alle anderen Faktoren außer Acht lässt, die Werte des zweiten Stürmers als interessanter erscheinen. Die tatsächlichen Tore der Stürmer werden sich in der Regel nämlich den xG-Werten anpassen.
Transfers und Scouting: In der milliardenschweren Welt der Fußballtransfers suchen die Vereine nach jedem Vorteil, den sie bekommen können. Durch die Verwendung von xG-Statistiken zur Bewertung der Leistungen und des Potenzials eines Spielers können die Vereine fundiertere Entscheidungen treffen. Tatsächlich spielen für Scouts die xG-Werte einzelner Spieler eine nicht unwesentliche Rolle und wir brachten im Absatz darüber soeben ein Beispiel für die Interpretation von den Expected-Goal-Werten.
Einblicke für die Fans Fußballdiskussionen wurden schon immer viel von Emotionen und unterschiedlichen, subjektiven Wahrnehmungen bestimmt. Während diese immer ein wesentlicher Bestandteil des Sports sein werden, bieten die Expected Goals eine datengestützte Perspektive für hitzige Argumente am Stammtisch. Die Expected-Goal-Werte sind also mehr nur eine Statistik; es ist ein Paradigmenwechsel in der Art und Weise, wie wir Fußball wahrnehmen und diskutieren.
Um ein besseres Verständnis für den Nutzen der xG-Werte zu bekommen, wollen wir uns ein weiteres Beispiel ansehen: Mannschaft A hatte viel Ballbesitz und gab insgesamt 18 Schüsse ab, traf aber kein einziges Mal ins Netz. Team B hingegen weist nach den 90 Minuten nur drei Schussversuche auf, erzielte aber ein Tor.
Ein flüchtiger Blick auf die traditionellen Statistiken könnte den Eindruck erwecken, dass Team A die Kontrolle über das Spiel hatte, die Partie dominierte und äußerst unglücklich als Verlierer vom Platz ging. Wenn wir aber die xG-Werte in unsere Analyse einbeziehen, kann sich dieses Bild manchmal drastisch ändern. Team A könnte beispielsweise die Schüsse von äußerst ungünstigen Positionen abgegeben haben, die üblicherweise keinen Treffer nach sich ziehen. In solchen Fällen ist es durchaus möglich, dass Team B mit den wenigen, aber qualitativ besseren Torchancen, einen höheren Expected-Goal-Wert aufweist, was diesem Spiel eine andere Perspektive verleiht. Natürlich sind auch die xG-Zahlen nicht als absolute Wahrheit zu verstehen, doch indem sie die Qualität der Chancen abbilden, liefern sie einen anderen Blickwinkel auf ein Spiel als herkömmliche Statistiken. Wenn die 18 Schüsse etwa einen xG-Wert von insgesamt 0.4 aufweisen, sieht man mit einem Blick, dass Team A keine Idee hatte, um in aussichtsreiche Schusspositionen zu kommen und es mit Schüssen aus großer Entfernung probierte, was selten zum gewünschten Ergebnis führt.
Es sind Erkenntnisse wie diese, die die Expected Goals zu einem unverzichtbaren Werkzeug für Analysten, Trainer und Fans machen, die ein tieferes Verständnis der Spieldynamik suchen.
Die Idee, die Qualität von Schüssen zu bewerten, geht zwar auf Studien von Vic Barnett und Sarah Hilditch aus den frühen 1990er-Jahren zurück, doch erst in den frühen 2010er-Jahren wurde das Zeitalter der xG-Statistik eingeläutet. Analysten und Fußballenthusiasten befassten sich eingehend mit Schussdaten, entdeckten Muster und erstellten Modelle, die über das bloße Zählen von Schüssen hinausgingen.
Die ersten xG-Modelle basierten hauptsächlich auf der Position des Schusses und erkannten, dass die Nähe und eine zentrale Position zum Tor die Wahrscheinlichkeit eines Treffers erhöht. Schüsse aus spitzen Winkeln weisen auch heute noch einen deutlich kleineren xG-Wert aus. Mit der Zunahme der zugänglichen Daten und einer verbesserten Rechenleistung entwickelten sich diese Modelle jedoch weiter und integrierten Elemente, wie die Art des vorangegangenen Passes, den beim Schuss verwendeten Körperteil und den Druck der gegnerischen Abwehr.
Schon bald wurde die xG-Statistik immer beliebter und fand bei Vereinen, Fachleuten und Medien gleichermaßen Anklang. Diese wachsende Akzeptanz spiegelte den Aufstieg der Datenanalytik im Fußball wider. Auch wenn die xG-Metrik wie eine moderne Offenbarung erscheint, hat ihr Wesen historische Wurzeln. Fußballlegenden betonen seit langem die Bedeutung von "klaren Chancen". Doch erst mit dem Aufkommen der xG-Werte kann man diesen „klaren Chancen“ Zahlen zuschreiben. Aus einem groben Begriff wird eine eindeutige Zahl.
Die Einführung und die Akzeptanz der xG-Metrik im Fußball verlief zunächst eher langsam. Während die ersten konzeptionellen Grundlagen bereits in den frühen 90er Jahren entstanden, dauerte die Entwicklung des Modells mehrere Jahrzehnte. Wir zeigen auf wie sich die Expected Goals zu einer festen Größe im Fußball entwickelten.
Reichhaltige Datenquellen: Im 21. Jahrhundert wurde die Verfügbarkeit von detaillierten Fußballdaten explosionsartig erweitert. Unternehmen wie Opta begannen jede Berührung, jeden Pass und jeden Schuss in den großen und später auch kleinen Fußballligen zu verfolgen. Dieser Datenreichtum war ausschlaggebend und ermöglichte es den Analysten, robustere und differenziertere xG-Modelle zu erstellen.
Technologischer Aufschwung: Das Aufkommen des maschinellen Lernens und fortschrittlicher Rechentechniken ermöglichte die Verarbeitung und Analyse riesiger Datensätze. Analysten konnten nun komplizierte Simulationen durchführen, um ihre xG-Berechnungen zu verfeinern.
Öffentliches Engagement: Fußballblogger und Analysten begannen ihre Ergebnisse im Internet zu verbreiten. Websites, Blogs und Foren wurden zu Hotspots für Diskussionen über xG und andere fortschrittliche Metriken. Viele Fußballfans legen Wert darauf das Spiel und seine Facetten so gut wie möglich zu verstehen.
Medien und Rundfunkanstalten: Als die Expected Goals in den Online-Communities an Popularität gewann, wurden auch die großen Sportsender auf dieses Modell aufmerksam. Sie begannen, xG in ihre Spielanalysen, Grafiken und Diskussionen nach dem Spiel einzubauen. Dies spielte eine wichtige Rolle bei der Einführung von xG bei einem breiteren Publikum.
Vereine: Auf der Suche nach Wettbewerbsvorteilen begannen die Fußballvereine, in Analyseabteilungen zu investieren. Viele Vereine erkannten, welche Erkenntnisse xG beim Scouting, der Spielvorbereitung und der Analyse nach dem Spiel liefern kann.
Fachleute und Experten: Trainer, Spieler und Analysten erwähnten die xG-Statistik in Diskussionen, Interviews und Analysen, beispielsweise um einen unglücklichen Spielverlauf nachzuweisen. Diese Erwähnungen verlieh dem xG-Modell in den Augen vieler Fußballfans zusätzliche Legitimität.
Führende Datenanbieter wie Opta, Wyscout und Statsbomb, um nur die bekanntesten zu nennen, bieten ihre eigenen xG-Datenmodelle an. Diese Modelle basieren zwar auf demselben grundlegenden Konzept, können aber je nach den spezifischen Faktoren, die diese Unternehmen priorisieren oder zusätzlich einbauen, leicht unterschiedliche xG-Werte für ein und denselben Schuss ergeben.
Da die Fußballanalytik immer weiter Fortschritte macht, sind diese Modelle nicht statisch. Sie entwickeln sich weiter, passen sich an und verbessern sich. So stützten sich frühere Modelle möglicherweise nur auf die Entfernung und den Winkel zum Tor. Mit zunehmendem Verständnis begannen neuere Modelle jedoch, detailliertere Faktoren einzubeziehen. Sehen wir uns die bekanntesten an:
Entfernung zum Tor: Generell gilt: Je näher ein Schuss am Tor abgegeben wird, desto höher ist sein xG-Wert. Ein Schussversuch aus einem Meter Entfernung hat eine wesentlich höhere Wahrscheinlichkeit, ein Tor zu erzielen, als ein Weitschuss aus 30 Metern.
Winkel zum Tor: Ein zentral abgegebener Schuss hat eine höhere Wahrscheinlichkeit im Netz zu landen, als ein Schuss aus spitzem Winkel, der nahe der Seitenlinie abgegeben wird.
Verwendetes Körperteil: Schüsse mit dem Fuß haben in der Regel höhere xG-Werte als Kopfbälle, da die Spieler im Allgemeinen eine bessere Kontrolle und Präzision mit ihren Füßen haben und der Schuss oftmals auch schärfer ausfallen kann.
Art der Schussvorlage: Was geschah bevor der Schuss abgegeben wurde. Ist der Schussversuch das Ergebnis einer Flanke, eines Dribblings, wurde ein Pass in die Tiefe gespielt? All das wirkt sich auch auf die Erfolgswahrscheinlich des Schusses aus. Ein Schuss nach einem Schlüsselpass in die Tiefe hat beispielsweise einen höheren xG-Wert als wenn er nach einer Flanke abgegeben wird.
Positionierung von Torhüter und Verteidigern: Einige der fortschrittlicheren und neueren xG-Modelle berücksichtigen die Positionierung von Torhütern und Verteidigern. Wenn ein Stürmer im Eins-gegen-Eins mit dem Torwart steht, ist die Chance auf einen Treffer in der Regel natürlich höher, als wenn mehrere Verteidiger den Schuss blockier könnten.
Wie oben erwähnt entwickelten die einzelnen Datenanbieter allesamt verschiedene xG-Modelle. Während all diese Modelle Kernelemente wie Entfernung und Winkel zum Ziel bewerten, unterscheiden sie sich in den zusätzlichen Komplexitätsebenen.
Wir fassen die Gründe zusammen, weshalb sich die Expected-Goal-Daten von Opta, Wyscout, Statsbomb und anderen Anbietern unterscheiden können.
Unterschiedliche Gewichtung der Spielsituationen: Was ging dem Schussversuch voraus? Wir haben bereits beschreiben, dass auch die Vorarbeit zum Schuss eine Rolle bei der xG-Berechnung spielt. Unterschiedliche Datenanbieter können hier aber unterschiedliche Modelle verwenden, die auch ein wenig voneinander abweichen.
Umfang der Datenerfassung: Manche xG-Modelle können mehr Daten berücksichtigen, wie etwa den genauen Druck der Verteidiger und die Wahrscheinlichkeit, dass ein Schuss geblockt wird. Die Anzahl der Verteidiger in der Schusslinie können somit den xG-Wert verändern. Moderne und fortschrittlichere Modelle beziehen die Position des Torhüters in ihre xG-Berechnungen ein. Ein Schuss, der abgegeben wird, wenn der Torhüter nicht auf seiner idealen Position steht, oder sogar bereits überspielt wurde und hinter dem Ball ist, hat dann natürlich einen höheren xG-Wert.
Jedes Modell bietet eine andere Perspektive, einen anderen Blickwinkel auf die Feinheiten des Spiels. Je nach den spezifischen Anforderungen von Teams, Analysten oder Enthusiasten kann man ein Modell einem anderen vorziehen. Sie alle tragen jedoch zu einem umfassenderen, differenzierteren Verständnis des schönen Spiels Fußball bei.
Die Expected Goals bieten nicht nur Einblicke in einzelne Schüsse oder Spielerleistungen, sondern offenbaren auch grundlegende Muster, wie Fußball gespielt wird. Durch die Aggregation von xG-Werten über Spiele oder ganze Saisonen hinweg können Analysten klare Tendenzen erkennen.
Ein Team, das konstant hohe xG-Werte aufweist, aber weniger Tore erzielt, könnte beispielsweise zahlreiche hochwertige Chancen kreieren, aber Probleme mit dem Abschluss haben. Auf der anderen Seite deutet ein Team mit einem niedrigen xG-against-Wert (xGA) auf eine solide Defensivstruktur hin, die den Gegner auf Schüsse aus weniger gefährlichen Positionen beschränkt.
Darüber hinaus kann ein Vergleich zwischen den xG einer Mannschaft mit den tatsächlich erzielten Toren die Effizienz oder Ineffizienz vor dem Tor aufzeigen. Einige Teams könnten überdurchschnittlich gut abschneiden, indem sie regelmäßig aus schlechten xG-Positionen heraus Tore erzielen, was darauf hindeutet, dass in Zukunft Rückschläge auftreten könnten. Umgekehrt könnten Mannschaften, die ihre xG-Werte unterbieten, bei der Verwertung klarer Chancen haben, oder sie könnten an der Schwelle zu einer Trendwende stehen, wenn sie weiterhin so gute Torchancen kreieren.
Nicht jeder Schuss im Fußball ist qualitativ gleichwertig. Indem wir Schüsse bei diesem Modell nach ihrer Art unterscheiden, also ob es sich um einen Kopfball, einen Volleyschuss oder einen herkömmlichen Schuss handelt, können wir bessere Aufschlüsse über ihre Aussichten auf einen Torerfolg erhalten.
Kopfbälle zum Beispiel haben in der Regel niedrigere xG-Werte, da sie meistens schwächer ausfallen und oftmals nicht so genau gesetzt werden können, wie Schüsse mit dem Fuß. Volleys sehen zwar spektakulär aus, erhalten aber aufgrund der größeren Ungenauigkeit ebenfalls einen geringeren xG-Wert.
xG legt einen sehr großen Wert auf die Schussposition, und das aus gutem Grund. Die Entfernung und der Winkel zum Tor sind zwei der wichtigsten Faktoren für die Berechnung des xG-Werts. Schüsse aus dem Sechzehnmeterraum oder aus zentralen Bereichen in Tornähe haben aufgrund ihrer Nähe und ihres Winkels zum Tor meist höhere Erfolgsaussichten. Umgekehrt haben Weitschüsse, insbesondere solche aus großer Entfernung oder spitzen Winkeln.
Analysten können den Spielern nun auch statistisch darlegen, aus welchen Zonen welche Art von Schüssen welche Erfolgswahrscheinlichkeit nach sich zieht. Auch die Verteidiger können daraus Erkenntnisse ziehen, indem sie beispielsweise genau wissen, aus welchen Zonen sie gegnerische Schussversuche zulassen können.
Expected Goal bietet eine objektive Möglichkeit, die Leistung eines Teams über einzelne Spiele oder eine ganze Saison hinweg zu messen. Anstatt sich nur auf das Endergebnis oder die Anzahl der Schussversuche zu verlassen, können Teams ihre xG-Werte analysieren, um die Qualität der von ihnen kreierten Chancen zu analysieren.
Beispielsweise könnten zwei Mannschaften mit ähnlichen Ballbesitzwerten sehr unterschiedliche xG-Zahlen aufweisen, was darauf schließen lässt, dass eine Mannschaft effektiver Tormöglichkeiten herausspielen konnte. Andererseits könnte eine Mannschaft, die zwar bei den xG-Werten, nicht aber bei den Toren konstant besser abschneidet als der Gegner, eine Pechsträhne haben, oder Probleme bei der Chancenverwertung ausmachen.
Im Laufe einer Saison können xG-Trends Aufschlüsse darüber geben, ob die Position einer Mannschaft in der Tabelle ihre Leistung wirklich widerspiegelt.
Mithilfe der Expected Goals können Analysten und Scouts ein sehr viel detaillierteres Spielerprofil erstellen. Bei Angreifern kann ein Vergleich der tatsächlich erzielten Tore mit den kumulierten xG-Werten die Effizienz vor dem Tor aufzeigen.
Für Mittelfeldspieler kann ein Konzept namens xG-Chain aufschlussreicher sein. Es misst den Beitrag eines Spielers im Aufbauspiel, wenn dieses zu einem Abschluss führt. Diese Kennzahl ermöglicht es Analysten besser zu verstehen, wie sehr bestimmte Spieler daran beteiligt waren, Chancen herauszuspielen. Wir werden uns später in diesem Leitfaden eingehender mit der xG-Chain befassen.
Auch Torhüter können mit Hilfe des xG-Modells beurteilt werden, wenn die Differenz zwischen den von den Gegenspielern erreichten Expected Goals on Target (xGOT) und den tatsächlich kassierten Toren verglichen wird.
Die Expected-Goal-Statistiken sind ein wertvolles Instrument für Trainer. Indem sie die xG-Werte für und gegen ihr Team aufschlüsseln, können Stärken und Schwächen identifizieren. Wenn ein Gegner häufig hohe xG-Werte in einer bestimmten Zone oder bei einer bestimmten Spielweise erzielt, können Strategien entwickelt werden, um diese Gefahr zu neutralisieren. Es lässt sich beispielsweise feststellen, dass nach dem xG-Modell viele Chancen über den rechten Flügel erspielt wurden, man aber anfällig ist auf gegnerische Angriffe über das Zentrum.
Auch im Offensivbereich kann die Erkenntnis, woher die vielen Torchancen des Teams kommen, den Trainingsschwerpunkt bestimmen. Wenn zum Beispiel die Anzahl der Gegentreffer eines Teams nach ruhenden Bällen besonders hoch ist, kann die bessere Abstimmung bei Standardsituationen zu einer Priorität werden.
Darüber hinaus können die Expected Goals bei Nachbesprechungen unmittelbar nach dem Spiel hilfreich sein. Anstatt sich auf verpasste Chancen oder individuelle Fehler zu konzentrieren, können Trainer einen Blick auf die xG-Werte machen, um die Qualität der von der Mannschaft erspielten Chancen besser einschätzen zu können.
Der xG Divergence Score, allgemein als xGDS bezeichnet, ist eine innovative Kennzahl, die auf den Grundprinzipien der Expected Goals aufbaut. Während xG die Wahrscheinlichkeit quantifiziert, dass ein bestimmter Schuss zu einem Tor führt, geht xGDS tiefer und erfasst die Divergenz oder Diskrepanz zwischen dem, was erwartet wird (xG) und dem, was tatsächlich auf dem Spielfeld passiert.
Der Clou von xGDS liegt in seiner Einfachheit. Die Darstellung als einzelner numerischer Wert macht die Daten gut lesbar und für jeden sofort verständlich. Dieses einstellige Zahlenformat ermöglicht es Fans, Analysten, Wettern, Trainern und Spielern, schnell zu erfassen, inwieweit der tatsächliche Spielverlauf von der statistischen Wahrscheinlichkeit nach dem xG-Modell abweicht. Durch die Sortierung der Spiele nach ihren xGDS-Werten lassen sich die Partien mit den größten Abweichungen von den erwarteten Ergebnissen effizient identifizieren und hervorheben.
Angesichts der Vorteile, die dieses Modell mit sich bringt, lohnt es sich, auf die tiefgreifenden Auswirkungen hinzuweisen, die es haben kann:
Schneller Überblick über Spielverläufe: Eines der herausragenden Merkmale von xGDS ist die Fähigkeit, allen Beteiligten - von den Fans bis zu den Trainern - schnelle Einblicke zu verschaffen. Der Konkurrent hat im Parallelspiel gewonnen – aber hatte er Glück? Das lässt sich mit einem Blick heruasfinden.
Wettstrategien verfeinern: Für Sportwetter bietet xGDS einen großen Vorteil. Durch das Aufspüren von Live-Spielen, die von ihrem erwarteten Spielverlauf stark abweichen, findet man Value Bets, die man ohne dieser Metrik verpasst hätte.
Zusammenfassend lässt sich sagen, dass der xG Divergence Score die Lücke zwischen dem theoretischen xG-Modell und der unvorhersehbaren Natur von Fußballspielen schließt.
Die Vielseitigkeit des xG-Modells endet nicht bei den Expected Goals; es dient als Grundlage für eine Vielzahl anderer aufschlussreicher Statistiken, die wir euch an dieser Stelle vorstellen wollen:
Expected Points (xP): Expected Points nutzt das Konzept der Expected Goals und weist einem Team ein Zahl auf der Grundlage seiner xG-Werte in einem bestimmten Spiel zu, wobei diese von 0 bis 3 Punkten reicht. Im Laufe einer Saison entsteht auf diese Weise eine Tabelle, die von der tatsächlichen Tabelle abweicht. Man sieht nun auf einen Blick, welche Teams im Laufe einer Saison eher Pech oder Schwierigkeiten mit der Chancenverwertung hatten. Die xP-Tabelle wird von Analysten und Trainern mittlerweile öfters verwendet, um einen schwachen bzw. unglücklichen Lauf zu rechtfertigen.
Expected Goals on Target (xGOT): Während die Expected Goals die Qualität einer Schussmöglichkeit misst, BEVOR der Schuss abgegeben wird, verfeinern die Expected Goals on Target (xGOT) diese Statistik, indem sie die Qualität der Schüsse berücksichtigt, die tatsächlich auf das gegnerische Tor gehen. So kann beispielsweise ein Schuss, der auf halber Höhe auf die Mitte des Tores gerichtet ist, zwar das Ziel erreichen, hat aber in der Regel einen niedrigeren xGOT-Wert als ein Schuss, der auf die obere Ecke gerichtet ist. Schüsse die am Tor vorbeigehen, haben natürlich einen xGOT-Wert von 0, da sie, im Nachhinein betrachtet, niemals einen Treffer nach sich ziehen hätten können. Durch die Unterscheidung zwischen der potenziellen Qualität eines Schusses (xG) und der tatsächlichen Gefahr, die von Torschüssen ausgeht (xGOT), bietet diese Kennzahl ein differenziertes Verständnis der offensiven Effektivität eines einzelnen Spielers.
xG against (xGA): Wie der Name schon sagt, bewertet xG against die Qualität der Chancen, die ein Team zulässt. Es ist ein unschätzbares Werkzeug zur Analyse der defensiven Stabilität eines Teams und zeigt auf, ob es regelmäßig hochwertige gegnerische Tormöglichkeiten zulässt.
xGchain: Der xG-Wert wird prinzipiell nur dem Torschützen zugemessen. Was ist aber mit den anderen Spielern, die diese Torchance erst ermöglichten? Dank der xGChain kommen auch die Vorbereiter zur Geltung, da jeder Spieler, der im Aufbau an einem bestimmten Schuss beteiligt war, die xG-Werte für diesen Schuss gutgeschrieben bekommt. Im Gegensatz zum Expected-Assists erhalten wirklich alle Spieler dieser „Ballbesitz-Kette“ den Wert gutgeschrieben.
xA (Assists): Die Expected Assists werden anhand der xG-Werte dem Spieler zugeschrieben, der den letzten Pass vor dem Schuss fabrizierte, also die Torchance vorbereitet hat. So lässt sich die Effizienz von offensiven Mittelfeldspielern beispielsweise gut messen.
Es geht nicht mehr nur um das Zählen von Toren. Es geht darum, die Geschichte hinter jedem Schuss, jedem Pass und jedem Spielzug zu verstehen. xG bewertet im Kern die Wahrscheinlichkeit, dass ein bestimmter Schuss im Netz landet.
Die Einführung der Expected Goals führte zu zahlreichen weiteren innovativen Statistiken wie dem xG Divergence Score. Mit dieser einfachen, aber aussagekräftigen Kennzahl können Fans und Fachleute gleichermaßen schnell erfassen, wie sich die Ereignisse eines Spiels im Vergleich zu den statistischen Erwartungen entwickeln.
Die Verschmelzung des Fußballs mit der Datenanalyse ist nicht nur ein Trend, sondern die neue Normalität. Sie verschafft Trainern, Scouts, Analysten, Medien und Fans tiefere Einblicke und ein besseres Verständnis der Feinheiten des Spiels.
Die Expected Goals sind eine fortschrittliche Statistik, die die Wahrscheinlichkeit angibt, dass ein bestimmter Schuss zu einem Tor führt, basierend auf Faktoren wie Entfernung, Winkel und Art des Schusses.
Die xG-Werte werden aus historischen Daten abgeleitet, wobei hunderttausende Schüsse analysiert und verschiedene Faktoren berücksichtigt werden, um die Wahrscheinlichkeit vorherzusagen, dass ein bestimmter Schuss ein Tor wird.
Der xG Divergence Score (xGDS) ist eine Metrik, die die Abweichung zwischen den Expected Goals und den tatsächlichen Spielergebnissen aufzeigt und es somit einfacher macht, ungewöhnliche Spielverläufe auf einen Blick zu erkennen.
xG-Kennzahlen bieten Sportwettern einen datengestützten Einblick in den möglichen Ausgang eines Spiels, was für die Verfeinerung von Wettstrategien und das Aufspüren von „Value bets“ sehr wertvoll ist.
Expected Goals on Target (xGOT) bewertet die Erfolgschance eines Schusses im Gegensatz zu den Expected Goals NACH der Schussabgabe. Die Schussplatzierung wird somit berücksichtigt und es wird berechnet, ob dieser Schuss für den Tormann im Schnitt einfach oder schwer zu halten ist. Schüsse neben das Tor haben zwar (meist) einen positiven xG-Wert, allerdings immer einen xGOT-Wert von 0.
Viele Datenanbieter und Plattformen bieten xG Daten an. Einige der führenden Namen in diesem Bereich sind Opta, Wyscout und Statsbomb. Diese Unternehmen haben sich als Autoritäten auf diesem Gebiet etabliert und bieten umfassende Fußballstatistiken an, bei denen die xG-Werte eine zentrale Kennzahl ist.
Expected Goal Liveticker mit Schwerpunkt auf xG findet ihr unter xglive.com. Dort findet ihr Live xG Werte in Echtzeit und die innovative xGDS-Metrik.