Voit siirrellä minua
Pyyhkäise ylös jatkaaksesi
Osa jalkapallofaneista vihaa sitä, osa vannoo sen nimeen. Pelkästään tällä perusteella artikkelin aiheena voisi olla VAR. Tällä kertaa tekstin pääosaa näyttelee kuitenkin maaliodottama eli xG (expected goals). Onko kyseessä aidosti nerokas filosofia, puutteellinen tilasto vai jotain siltä väliltä? Artikkelin lukemalla saat tietää, mitä xG tarkoittaa, miten se lasketaan ja miksi se jakaa mielipiteitä globaalissa jalkapalloyhteisössä.
Maaliodottama eli xG on verrattain uusi tulokas urheilumaailmassa. Sillä mitataan maalinteon vaikeutta tietystä tilanteesta palloilulajeissa ja etenkin jalkapallossa. Toisin sanoen maaliodottama mittaa maalintekotilanteiden laatua ja maalin syntymisen todennäköisyyttä määrätystä tilanteesta.
Maaliodottaman pohjana toimivat massiiviset tietokannat. Historiaan perustuvasta datasta voidaan poimia samantyyppisten tilanteiden laukaukset ja muodostaa siten jokaiselle laukaukselle maalintekotodennäköisyys nollan ja yhden väliltä.
Mitä helpompi maalipaikka on kyseessä, sitä suurempi on maalipaikan xG. Esimerkiksi Lionel Messin laukaus maalia kohti noin kymmenestä metristä saa paljon suuremman xG-lukeman kuin laukaus vajaasta 30 metristä. Kymmenen metrin etäisyydeltä Messin laukaus saattaa tuottaa xG-lukemaksi esimerkiksi 0,55 eli 55 prosentin todennäköisyyden maaliin. Vastaavasti vähän alle 30 metristä lauottu laukaus ei päädy maaliin kuin enintään viiden prosentin todennäköisyydellä.
Oletetaan, että Messi laukoo ottelussa vain nämä kaksi laukausta ja tekee yhden maalin. Tällöin Messin maalien suhde maaliodottamaan on 1 : 0,6 eli pelaaja on ylittänyt maaliodottamansa selvästi. Maaliodottaman määrittäminen on kuitenkin monimutkaisempaa kuin vain laukojan etäisyyden laskemista maalista lukien. Monet tekijät vaikuttavat pelaajan henkilökohtaisen xG:n ja joukkueen maaliodottaman laskemiseen.
Jokaisessa xG-mallissa on omat sääntönsä, minkä vuoksi tilastolle on joskus hankala määrittää todellista mittaria. Onneksi useimmissa xG-malleissa on tiettyjä yhteisiä datapisteitä kuten laukojan etäisyys maalista. Muita yleisiä datapisteitä ovat esimerkiksi:
Lukuisten eri pelitilanteiden lisäksi xG ottaa huomioon valtavan määrän dataa aiemmin pelatuista otteluista. Osa xG-malleista saattaa jatkossa huomioida tietyn pelaajan kuten esimerkkiämme tähdittävän Messin menestyksen määrätyissä maalipaikoissa. Tyypillisesti kirjoitushetken xG-mallit huomioivat vain keskivertolaukojan maalinteon todennäköisyyden vastaavassa tilanteessa.
Jalkapallomaailmassa monet uskovat maaliodottaman olevan tarkin tapa ennustaa joukkueen ja pelaajan suoritusta. Maaliodottamaa tarjoavat datapalvelut antavat niin vedonlyöjille kuin vedonlyöntiyhtiöiden kertoimenlaskijoille mahdollisuuden katsoa pintaa syvemmälle tulosten taakse ja ennustaa sekä joukkueissa että yksilöissä piilevää laatua. Maaliodottama antaa paljon kirkkaamman kuvan joukkueen tai pelaajan suorituksesta verrattuna esimerkiksi pallonhallintaan tai maalia kohti lauottuihin laukauksiin.
Edellisissä jalkapallon MM-kisoissa nähtiin yksi ikimuistoisimmista tuloksista Argentiinan hävitessä Saudi-Arabialle maalein 1–2. Argentiina hallitsi palloa 70-prosenttisesti, mutta se ei vielä kerro koko totuutta ottelusta. Molempien joukkueiden maaliodottama kertoo paljon enemmän pelinkuvasta. Argentiina loi maaliodottamaa 2,24 maalia Saudi-Arabian 0,14 maalia vastaan.
Saudi-Arabia oli siis poikkeuksellisen tehokas omissa maalipaikoissaan. Kahden vaikean maalipaikan hyödyntämisen lisäksi Saudi-Arabia pelasi ottelussa rohkealla ja riskialttiilla taktiikalla hyödyntäen korkeaa puolustuslinjaa ja jatkuvaa prässäystä.
Maaliodottamassa on paljon dataa sulateltavaksi, minkä vuoksi xG:n kannattajat pyrkivät keksimään parempia tapoja datan esittämiseen. Monet tilastoyhtiöt ovat kehittäneet tähän tarpeeseen näppäriä esitystapoja kuten xG-karttoja. Niiden avulla kuka tahansa faneista päävalmentajiin voi analysoida joukkueiden ja pelaajien suorituksia tietyllä aikavälillä.
Esimerkiksi Erling Haalandin ennätyksellinen debyyttikausi 2022–2023 Valioliigassa asettuu oikeisiin mittasuhteisiin xG-kartan avulla. Kyseisellä kaudella Haalandin maalien suhde maaliodottamaan oli mykistävästi 36 : 28,7.
Näitä lukemia voidaan havainnollistaa vielä tarkemmin xG-kartalla:
Yllä olevien tilastojen lisäksi xG-kartta voi mitata myös pelaajan syöttöodottamaa (xA) eli todennäköisyyttä, jolla onnistunut syöttö johtaa maaliin. Tilastot kuten xA ja xG ovat jo alkaneet johtaa uusiin tilastoihin kuten maaliosallisuusodottamaan (expected goal involvement), jolla tarkoitetaan pelaajan odotettua maalien ja maaliin johtaneiden syöttöjen määrää tietyllä aikavälillä. Jatkossa nähtäneen yhä uusia ja vielä kehittyneempiä tilastoja.
Vedonlyöjän näkökulmasta maaliodottamalla on väliä. Pohjimmiltaan xG on yksi monista tilastoista, aivan kuten pallonhallinta tai maalipaikkojen määrä. Siinä missä Wildzin vedonlyönnillä on pääsy xG-tilastoihin ja -taulukoihin, sama pätee myös vedonlyöjiin.
Edullisia vedonlyöntikohteita on mahdollista löytää vertailemalla joukkueiden ja pelaajien laukausten xG-arvoja tarjolla oleviin kertoimiin. Jos joukkue tuottaa runsaasti maaliodottamaa kuten Newcastle United kaudella 2023–2024 ja saa silti suuria kertoimia, tämäntyyppisistä tilanteista voi paljastua järkeviä pelikohteita.
Pelkkään maaliodottamaan luottaminen on kuitenkin virhe sekä joukkueen puolesta että sitä vastaan pelatessa. Vedonvälittäjät ottavat monia muitakin tekijöitä huomioon kertoimia määrittäessään. Vedonlyöjän onkin tärkeää tehdä omat tutkimuksensa ja ottaa huomioon esimerkiksi joukkueen vire, loukkaantumistilanne, xG-luvut ynnä muut mielestään olennaiset seikat ennen vedon lyömistä.
Maaliodottamaa keräävissä malleissa on joitakin puutteita, joiden vuoksi xG-tilastoja ei voi pitää pyhänä totuutena. Seuraavaksi pureudutaan siihen, mitä xG ei ota huomioon.
Tähän asti aiheena on ollut maaliodottaman tehokkuus, mutta nyt on aika tarkastella tilaston puutteita. Yksi olennaisista maaliodottaman puutteista on, että se ei kerro täysin objektiivista totuutta maalin syntymisen todennäköisyydestä juuri tietyn pelaajan kohdalla.
Jokaista Erling Haalandia kohtaan on oltava (jopa useampi) Timo Werner. Datasta saadaan kyllä raaka keskimääräinen maaliodottama, mutta vedonlyöjän tehtäväksi jää tämän datan tulkitseminen ja kontekstiin asettaminen.
Kuvitellaan Arsenalin urheilutoimenjohtajan hakevan uutta maalintekijää ja vaihtoehtoina ovat Haaland ja Werner. Urheilutoimenjohtaja aloittaa tutkimuksensa vertailemalla pelaajien viimeistelyä Valioliigassa. Samalla on otettava huomioon Haalandin ottelumäärä (kirjoitushetkellä 66) verrattuna Wernerin ottelumäärään (kirjoitushetkellä 69), kun lasketaan mukaan saksalaisen pelit sekä Chelsean että Tottenhamin paidassa.
Haaland on rikkonut ennätyksiä Manchester Cityn paidassa viimeistellen 63 maalia maaliodottamalla 64,41. Werner puolestaan on ollut pettymys viimeistellen vain 12 maalia maaliodottamalla 23,81. Haaland on siis ollut laadukas viimeistelijä, kun taas Werner on jäänyt huomattavan kauas henkilökohtaisesta maaliodottamastaan.
Vedonlyöjän muistilista maaliodottamasta
Jos kumpikin pelaaja laitettaisiin vuorollaan Arsenaliin ja molempien laukauksille määritettäisiin automaattisesti sama xG, Haaland tekisi todennäköisesti enemmän maaleja kuin Werner. Käytännössä Haaland saa suurella todennäköisyydellä myös enemmän maaliodottamaa, koska Haalandin voi olettaa pääsevän paremmin maalipaikoille. Totuus kuitenkin on, ettei xG ole näin mustavalkoinen tilasto.
Maaliodottamassa ei oteta huomioon esimerkiksi valmentajan vaikutusta, taktiikkaa, joukkuekavereita, varianssia, huonoa onnea, painetekijöitä ja mahdollisia loukkaantumisia. Yksittäisessä pelissä tulokset voivat olla mitä tahansa, mutta esimerkkivertailumme yli 60 ottelun otannassa monilla tekijöillä alkaa olla merkitystä.
Kirjoitushetkellä yleinen mielipide on selvä: xG on tullut jäädäkseen. Miltä sitten jalkapalloanalytiikan tulevaisuus näyttää yleisellä tasolla?
Jo aiemmin mainittu maaliosallisuusodottama on terminä kankea, mutta sillä voi olla tilastona tulevaisuutta jalkapalloanalytiikassa. Ajatusleikkiä voi jatkaa pidemmälle esimerkiksi syötönkatkoihin, harhautuksiin, taklauksiin, rikkeisiin, torjuntoihin ja muihin suorituksiin liittyvään odottamaan.
Juuri nyt tällainen tilastointi voi tuntua liialliselta. Uudet ja kehittyneemmät tilastot ovat kuitenkin olennaisia sekä pelaajatarkkailussa ja -kehityksessä että tekoälyn ja koneoppimisen hyödyntämisessä. Näiden kaikkien yhdistelmällä xG-malleja voidaan parannella entisestään.