Vous pouvez me bouger
Glissez vers le haut pour continuer de jouer
Certains fans de soccer détestent, tandis que d’autres en jurent. Et non, nous ne parlons pas de la VAR. En fait, nous allons discuter des “expected goals” ou xG. Est-ce une philosophie géniale ou une statistique imparfaite ? Continuez à lire pour découvrir ce que signifie xG, comment il est calculé et pourquoi il divise l’opinion parmi la communauté du soccer.
Concept relativement nouveau dans le paysage sportif, xG mesure la difficulté d’une occasion à se transformer en but dans le Soccer. En d’autres termes, les expected goals mesurent les chances de marquer et la probabilité qu’elles soient converties en buts. Le xG utilise des données provenant d’un large historique de tirs similaires avec des caractéristiques communes pour estimer la probabilité d’un but sur une échelle de 0 à 1.
Ainsi, plus la chance de marquer est facile, plus le xG est élevé. Plus le fait de marquer est difficile, plus le xG est faible. Par exemple, un tir de Lionel Messi à dix mètres du but aura probablement un xG plus élevé qu’un tir à 30 mètres. Alors que sa chance à dix mètres peut avoir un xG de 0,55, c’est-à-dire une probabilité de 55 %, son xG à 30 mètres pourrait être de 0,05 ou une probabilité de 5 %.
Disons que pendant ce match, Messi n’a eu que ces deux tirs, mais a marqué un but. Par conséquent, son ratio de buts attendus serait de 1 à 0,6.
Mais le xG est plus complexe que de mesurer simplement la distance d’un joueur par rapport au but. En effet, de nombreux facteurs entrent en jeu pour déterminer le xG d’un joueur ou d’une équipe.
Chaque modèle de xG ayant ses propres règles, il peut parfois être difficile de se faire une idée précise du xG. Heureusement, la plupart des modèles de xG ont des éléments tangibles en commun. En plus de la distance par rapport au but, ces facteurs incluent :
En plus de ce mélange de circonstances, le xG examine également une multitude de données historiques provenant de matchs passés.
Ainsi, pour les deux tentatives de Messi mentionnées précédemment, un modèle de xG typique examinera généralement ses données historiques et celles d’autres joueurs dans des situations similaires.
Dans le monde du soccer, beaucoup pensent que les expected goals sont la mesure la plus précise pour prédire les performances des équipes et des joueurs. Les ensembles de données xG permettent à tout le monde, des parieurs professionnels aux compilateurs de cotes des bookmakers, de regarder au-delà des résultats des matchs et d’obtenir une meilleure idée de la qualité implicite des équipes et des joueurs à venir.
Ainsi, comparé à des statistiques comme la possession de balle et les tirs cadrés, le xG donne une image plus claire de ce qu’une équipe ou un joueur a pu réaliser (ou non).
En regardant la dernière Coupe du Monde, l’un des résultats les plus mémorables a été la défaite de l’Argentine 1-2 contre l’Arabie Saoudite.
Alors que les Argentins avaient 70 % de possession de balle, cela ne reflète pas la véritable nature du match. En examinant le xG des deux équipes, 2,24 (Argentine) contre 0,14 (Arabie Saoudite), on peut voir que les Saoudiens ont surperformé devant le but.
En plus de convertir deux “chances” difficiles, l’Arabie Saoudite a également surpassé l’Argentine avec une ligne défensive haute audacieuse et une pression constante.
Avec tant de données à digérer, les partisans du xG recherchent toujours de meilleures façons de présenter ces informations. C’est pourquoi de nombreuses entreprises statistiques ont conçu des illustrations intelligentes comme les cartes xG. Une carte des expected goals peut aider tout le monde, des fans aux entraîneurs, à analyser les performances des équipes et des joueurs sur une période donnée.
Par exemple, une carte xG peut aider à mettre en perspective la saison record d’Erling Haaland en 2022/2023 en Premier League lorsqu’il avait un impressionnant ratio buts sur ces tentatives de 36 à 28,7.
Une carte xG peut visualiser ces chiffres en illustrant notamment :
Une carte xG peut également mesurer ses expected assists (xA), c’est-à-dire mesurer la probabilité que sa passe devienne une passe décisive. Encore mieux, des métriques comme xA et xG pourraient en créer de nouvelles comme les “expected goal involvements” et bien d’autres.
Oui et non. En fin de compte, le xG, tout comme la possession et les occasions créées, est une métrique parmi tant d’autres. Tout comme Wildz Sportsbook a accès aux chiffres et aux tableaux xG, les parieurs sportifs aussi.
En comparant les valeurs xG des tirs effectués par les équipes et les joueurs avec leurs cotes de paris, il est possible d’identifier des Value Bets. Par exemple, si une équipe a un xG élevé comme Newcastle United en 2023/2024 mais a de grosses cotes pour gagner un match, il pourrait y avoir de l’intérêt à placer un pari.
Mais se fier uniquement au xG serait une erreur des deux côtés du pari. En effet, les bookmakers tiennent compte de toute une série d’autres facteurs lorsqu’ils déterminent les cotes pour certains paris.
C’est pourquoi il est important que les parieurs sportifs fassent toujours leurs propres recherches pour étudier la forme, les nouvelles concernant les blessures, le xG, etc., avant de placer un pari.
Une autre raison de ne pas prendre le xG comme une vérité absolue est qu’il s’agit d’une métrique très subjective.
Nous avons examiné l’efficacité du xG, maintenant les inconvénients. Comme mentionné précédemment, le xG est par nature très subjectif. En effet, pour chaque Erling Haaland, il y a un Timo Werner. Désolé, Timo. Utiliser des données brutes est une chose, mais comment vous les interprétez en est une autre.
Imaginons que le directeur sportif d’Arsenal recherche un nouvel attaquant et envisage d’acheter soit Haaland, soit Werner. Pour ce faire, il compare leurs matchs en Premier League, étant donné que Haaland a actuellement joué 66 matchs dans la compétition contre 69 pour Werner à Chelsea et Tottenham Hotspur.
Alors que Haaland a battu des records à Manchester City avec son ratio de 63 à 64,41, Werner a déçu avec seulement 12 buts pour 23,81 xG. Il est clair que Haaland a surperformé son xG, mais Werner l’a sous-performé.
Cela nous indique qu’à “Arsenal”, avec le même xG par tir, Haaland aura probablement une conversion plus élevée du xG en buts réels par rapport à Werner. Mais en réalité, Haaland aura généralement toujours un xG plus élevé, car il se trouvera également dans plus d’occasions de marquer. Mais le xG n’est pas aussi simple que cela.
Ce que le xG ne peut pas prendre en compte, ce sont des facteurs comme l’impact de l’entraînement, les tactiques, les coéquipiers, la variance, la malchance, la pression et les blessures potentielles. Ces facteurs peuvent ne pas sembler importants, mais sur une période de 60 matchs, ils peuvent commencer à s’accumuler et à faire la différence.
Le jury semble unanime, le xG est là pour rester. Mais à quoi ressemble l’avenir des analyses de soccer ?
Comme nous l’avons mentionné précédemment, la combinaison des expected goals et des expected assists donne-t-elle naissance aux expected goal involvements ? Qu’en est-il des expected interceptions, dribbles, tacles, fautes, arrêts, et au-delà.
Bien que cela puisse sembler exagéré, ces nouvelles variantes seront essentielles pour améliorer la surveillance et le développement des joueurs, l’intelligence artificielle et l’apprentissage automatique, ce qui améliorera à son tour le modèle xG.