Forstå forventede mål (xG)

Tilbake til Guide

Noen fotballfans hater det, mens andre sverger til det. Og nei, vi snakker ikke om VAR. Vi skal faktisk diskutere forventede mål eller xG. Er dette en genial filosofi eller en mangelfull statistikk?

Fortsett å lese for å finne ut hva xG betyr, hvordan det beregnes og hvorfor det finnes flere meninger om det i fotballmiljøet.

Hva er forventede mål?

xG er et relativt nytt konsept i idretten, og er et mål på vanskelighetsgraden av en målsjanse i Fotball. Med andre ord måler forventede mål kvaliteten på målsjansene og sannsynligheten for at de resulterer i mål. xG bruker historiske data fra et stort dataarkiv av lignende skudd med felles egenskaper for å estimere sannsynligheten for mål på en skala mellom 0 og 1.

Så jo lettere målsjansen er, desto høyere er xG. Jo vanskeligere sjansen er, desto lavere er xG. For eksempel vil et Lionel Messi-skudd på mål fra ti meters hold trolig ha en høyere xG enn et skudd fra 30 meter. Mens hans sjanse fra ti meter kan ha en xG på 0,55, dvs. en 55 % sannsynlighet, kan hans xG fra 30 meter kan ha en xG på 0,05 eller en 5 % sannsynlighet.

La oss si at Messi bare hadde disse to skuddene i løpet av kampen, men scoret ett mål. Da ville hans mål-til-forventede-mål-forhold være 1 til 0,6.

Men xG er mer komplisert enn bare å måle en spillers avstand fra målet. Det er fordi det er mange faktorer som inngår for å bestemme en spillers eller lagets xG.

Hvordan beregne forventede mål

Ettersom hver xG-modell har sitt eget sett med regler, kan det noen ganger være vanskelig å få en sann forståelse av xG. Heldigvis har de fleste xG-modeller visse ting til felles. Andre faktorer i tillegg til avstanden til målet er følgende:

• Vinkelen på skuddet i forhold til målet
• Var sjansen skudd eller heading?
• Hvilken fot ble brukt?
• Type pasning eller tidligere handling (gjennombruddspasning, langpasning, innlegg, dødball, dribling, osv.)
• Defensivt press. Var muligheten én-mot-én med keeperen eller var det spillere foran?
• Motspillerens og målvaktens posisjoner.

I tillegg til denne blandingen av omstendigheter, ser xG også på tonnevis av historiske data fra tidligere kamper. Så for de tidligere nevnte to forsøkene fra Messi på mål, vil en typisk modell for forventede mål vanligvis se på hans og andre spilleres historiske data i lignende situasjoner.

Hvorfor er xG viktig?

I fotballverdenen tror mange at forventede mål er den mest nøyaktige beregningen når det gjelder å forutsi lag- og spillerprestasjoner. xG-datasett gjør det mulig for alle, fra profesjonelle spillere til oddssettere hos bookmakere, å se utover kampresultatene og få et bedre innblikk i den underliggende kvaliteten til både lag og spillere fremover.

Sammenlignet med statistikk som ballbesittelse og skudd på mål, gir xG et klarere bilde av hva et lag eller en spiller var i stand til å oppnå (eller ikke).

Når vi ser tilbake på siste fotball-VM, var et av de mest minneverdige resultatene at Argentina tapte 1–2 mot Saudi-Arabia.

Argentinerne hadde 70 % ballbesittelse, men dette gjenspeiler ikke kampens virkelige natur. Med 2,24 (Argentina) mot 0,14 (Saudi-Arabia), kan vi se at saudiaraberne overpresterte foran mål.

I tillegg til å konvertere to «vanskelige» sjanser, overlistet Saudi-Arabia også Argentina med en dristig høytliggende offside-felle og konstant press.

Kart for forventede mål

Det er mye data å fordøye, og tilhengere av xG er alltid på utkikk etter bedre måter å presentere informasjonen på. Som følge av dette har mange statistiske selskaper kommet opp med smarte illustrasjoner som xG-kart. Et kart over forventede mål kan hjelpe alle fra fans til hovedtrenere med å analysere lag- og spillerprestasjoner over en gitt tidsperiode.

For eksempel kan et xG-kart bidra til å sette Erling Haalands 2022/2023-rekordbrytende Premier League debutsesong i perspektiv da han hadde et svimlende mål-til-forventede-mål-forhold på 36 mot 28,7.

Et xG-kart kan visualisere disse tallene ved å ytterligere illustrere:

• xG pr. kamp (1,05)
• xG pr. skudd (0,23)
• Hvor skuddene hans kom fra
• Suksessraten for hvert skudd
• Antall kamper han spilte (35)
• Antall skudd han hadde hele sesongen (123).

Et xG-kart kan også måle hans forventede målgivende pasninger (xA), det vil si måle sannsynligheten for at hans fullførte pasning vil bli en målgivende pasning. Og enda bedre:

Beregninger som xA og xG kan skape nye, som for eksempel forventede målinvolveringer og mer.

Bør xG være en faktor i tipping?

Ja og nei. Når alt kommer til alt er xG, akkurat som ballbesittelse og sjanser, en av mange parametere. På samme måte som Wildz Sports har tilgang til xG-tall og -tabeller, har også kundene det.

Når xG-verdiene for skudd utført av lag og spillere sammenlignes med deres odds, er det mulig å identifisere verdiinnsatser. Hvis for eksempel et lag har en høy xG, som Newcastle United hadde i 2023/2024, men har dårlige odds for å vinne en kamp, kan det være verdi i den innsatsen.

Men å stole utelukkende på xG ville være en feil på begge sider av en innsats. Det er fordi sportsbooks tar hensyn til en rekke andre faktorer når oddsen bestemmes.

Derfor er det viktig for spillere å alltid foreta egne undersøkelser for å studere form, eventuelle skader, xG osv. før de plasserer et spill.

En annen grunn til ikke å ta xG som en absolutt sannhet, er at det er en svært subjektiv beregning.

Begrensningene for forventede mål

Vi har sett på effektiviteten til xG. La oss nå se på ulempene. Som nevnt tidligere, er xG av natur veldig subjektivt. Det er fordi det for hver Erling Haaland finnes en Timo Werner. Beklager, Timo. Å bruke rådata er én ting, men hvordan du tolker dem er en annen.

La oss forestille oss at sportsdirektøren i Arsenal ser etter en ny spiss og vurderer å kjøpe enten Haaland eller Werner. For å gjøre dette sammenligner han produksjonen i Premier League med tanke på at Haaland for tiden har spilt 66 kamper i konkurransen mot Werners 69 for Chelseas og Tottenham Hotspur.

Mens Haaland har slått rekorden i Manchester City med sitt måleforhold på 63 mot 64,41, har Werner skuffet med bare 12 mål mot 23,81 xG. Det er klart at Haaland har overgått sin xG, mens Werner har underprestert i forhold til sin.

Dette forteller oss at i Arsenal, med deres xG for hvert skudd som er det samme, vil Haaland annsynligvis ha en høyere konvertering av xG til faktiske mål sammenlignet med Werner.

Men i realiteten vil Haaland som regel alltid ha en høyere xG fordi han også vil komme til flere scoringsmuligheter. Men xG er ikke så sort–hvitt.

Det xG ikke kan ta hensyn til, er faktorer som innvirkningen av coaching, taktikk, lagkamerater, tilfeldigheter, uflaks, press og potensielle skader. Disse faktorene virker kanskje ikke så utslagsgivende, men over en periode på rundt 60 kamper, kan de begynne å gjøre en forskjell.

Fremtiden til xG i fotball

Juryen ser ut til å være enstemmig. xG har kommet for å bli. Men hvordan ser fremtiden ut for fotballanalyse?

Som vi allerede har nevnt, kan kombinasjonen av forventede mål og forventede målgivende pasninger gi opphav til forventede målinvolveringer. Hva med forventede avskjæringer, driblinger, taklinger, frispark og redninger?

Selv om det kan virke overdrevet, vil disse nye variantene være nøkkelen til å forbedre spillerovervåkning og -utvikling, kunstig intelligens og maskinlæring, noe som igjen vil forbedre xG-modellen ytterligere.