xG Statistik: Brug Expected Goals til Bedre Væddemål
Available in US
Jeg opdagede xG ved et tilfælde. En analytiker på Twitter postede et xG-kort fra en Premier League-kamp, hvor holdet, der tabte 0-2, havde en xG på 2.8 mod vinderens 0.6. “Det hold spillede sig til næsten tre mål og tabte alligevel,” tænkte jeg. Det var øjeblikket, jeg forstod, at resultater og præstationer ikke er det samme – og at forskellen mellem dem er der, hvor value i betting gemmer sig. xG har ændret min tilgang fundamentalt, og denne guide viser dig præcis, hvordan du bruger expected goals til at finde bedre væddemål. Find de nyeste expected goals-modeller direkte på forsiden.
Hvad Er xG – og Hvad Måler Det Egentlig?
For fem år siden forklarede jeg xG for en ven ved at sige: “Det er som at give hvert skud en karakter.” Det er stadig den bedste analogi, jeg har. Expected goals – forkortet xG – er en statistisk model, der vurderer sandsynligheden for, at et skud ender med mål. Modellen kigger på faktorer som skudafstand, vinkel til mål, kropsdel, spillesituation og antal forsvarere mellem skytter og mål.
Et straffespark har en xG på cirka 0.76. En friløber fra seks meter måske 0.45. Et hovedstød fra hjørnespark omkring 0.06. Et langskud fra 30 meter uden pres? Så lavt som 0.02. Når du summerer alle et holds skudchancer i en kamp, får du holdets samlede xG – et tal, der repræsenterer, hvor mange mål et gennemsnitligt hold ville have scoret med de samme chancer.
Det afgørende er, at xG isolerer chancekvalitet fra individuel afslutningsevne. Lionel Messi overpræsterer konsekvent sin xG, fordi hans afslutninger er over gennemsnittet. Et bundhold i Superligaen underpræsterer typisk, fordi deres angribere mangler den skarphed, modellen antager. Det er ikke en fejl ved modellen – det er en feature, du kan udnytte. Når du ser et hold med en xG, der systematisk overstiger deres faktiske mål, ved du, at chancerne er der, men effektiviteten mangler. Omvendt: et hold, der scorer langt mere end deres xG, lever på lånt tid.
xG-Kilder – Understat, FBref og StatsBomb
Europa genererer omkring 48 % af verdens omsætning på sportsbetting, og tilsvarende er det europæiske ligaer, der har den bedste xG-dækning. Men ikke alle xG-modeller er skabt lige, og kilderne varierer i dybde og tilgængelighed.
Understat er min daglige go-to. Platformen dækker Premier League, La Liga, Bundesligaen, Serie A, Ligue 1 og den russiske liga. Grænsefladen er enkel: vælg liga, vælg hold, og du får xG for og imod per kamp, rolling averages og sæsonsammendrag. Alt er gratis. Begrænsningen er, at Understats model er relativt simpel sammenlignet med kommercielle alternativer – den fanger ikke alle variabler, men den fanger de vigtigste.
FBref tilbyder xG-data drevet af StatsBombs model, som er mere avanceret og inkluderer faktorer som spillerens kropsposition og forsvarspres. FBref dækker bredere end Understat – du finder data for Superligaen, norske og svenske ligaer og talrige sydamerikanske ligaer. Min rutine er at krydstjekke: Understats tal for et hurtigt overblik, FBref for dybere analyse, når noget ser interessant ud.
For dem, der vil gå endnu længere, tilbyder Opta og StatsBomb betalte pakker med ekstremt granulær data. Det er sjældent nødvendigt for en individuel bettor, men det er godt at vide, at de eksisterer, hvis din analyse bliver mere sofistikeret over tid.
Fra xG til Odds – Sådan Omsætter Du Data til Value
Det er her, de fleste stopper. De kigger på xG-tal, nikker anerkendende og placerer alligevel deres væddemål baseret på mavefornemmelse. At omsætte xG til odds kræver et ekstra skridt, men det er overraskende simpelt, når du kender processen.
Trin ét: beregn holdenes gennemsnitlige xG for og imod over de seneste otte til ti kampe. Brug rolling averages, ikke sæsontotaler, fordi form ændrer sig. Trin to: juster for hjemme- og udeform. De fleste hold har en xG-forskel på 0.2-0.4 mellem hjemme og ude. Trin tre: brug tallene til at estimere sandsynligheder for de mest relevante udfald – hjemmesejr, uafgjort, udesejr, over/under 2.5 mål. Overfør disse måldata til de største ligaer og Superligaen i vores analyse af data-baseret analyse af fodbold odds.
Lad mig give et eksempel. Hold A spiller hjemme mod Hold B. Hold A har en xG for på 1.85 hjemme og en xG imod på 1.10 hjemme over de seneste ti kampe. Hold B har en xG for på 0.95 ude og en xG imod på 1.70 ude. Et simpelt gennemsnit giver en forventet kamp-xG på cirka 1.48 for Hold A og 1.03 for Hold B – altså en forventet total på 2.51. Hvis bookmakerens over 2.5-linje ligger på 1.95, og din xG-model peger på en totalforventning, der ligger lige over 2.5, er der ikke nødvendigvis value. Men hvis din model peger på 2.9 – så er der et væsentligt gab, du kan udnytte.
Nøglen er at omsætte forventede mål til implied probabilities og sammenligne med bookmakerens odds. Hvis din beregning siger 58 % sandsynlighed for over 2.5 mål, og bookmakerens implied probability er 51 %, har du en edge på 7 procentpoint. Det lyder småt, men over hundredvis af væddemål er det forskellen mellem profit og tab. Disciplinen er at kun satse, når gabet er stort nok til at absorbere variansen.
Begrænsninger ved xG – Hvad Modellen Ikke Fanger
xG er det bedste analytiske værktøj, de fleste bettors har adgang til. Men det er ikke perfekt, og at kende begrænsningerne er lige så vigtigt som at kende styrken. Den mest åbenlyse begrænsning: xG gælder kun fodbold. E-sport – det hurtigst voksende segment med en forventet årlig vækstrate på 10,2 % – har sine egne statistiske modeller, og xG kan ikke overføres til CS2 eller League of Legends.
Inden for fodbold fanger xG ikke alt. Set-pieces er problematiske, fordi modellen typisk tildeler hjørnespark og frispark en standardværdi baseret på gennemsnit, selvom kvaliteten varierer enormt afhængigt af indlæggets præcision og forsvarets opstilling. Dødboldsspecialister som James Ward-Prowse overpræsterer konsekvent på frispark, og det er svært at modellere med xG alene.
Individuel kvalitet er en anden blindplek. xG antager en gennemsnitlig afslutter, men forskellen mellem en verdensklassespids og en gennemsnitlig angriber er reel. Hold med exceptionelle angribere vil systematisk overpræstere deres xG, og det er ikke regression, der venter dem – det er talent. Den modsatte logik gælder for målmænd: en elite-keeper som Alisson kan underpræstere sin hold-xGA kamp efter kamp, fordi han simpelthen redder mere end gennemsnittet.
Min tilgang er at bruge xG som fundament, men aldrig som eneste datapunkt. Kombiner det med actual goals, shot maps, pressing-data og – ja – dine egne observationer fra kampe. Data erstatter ikke fodboldkendskab. Det forstærker det.
Hvad er xG, og hvordan bruger man det til betting?
xG, eller expected goals, er en statistisk model, der måler kvaliteten af skudchancer i en fodboldkamp. Hvert skud tildeles en sandsynlighed for mål baseret på afstand, vinkel og situation. Til betting bruger du xG til at identificere hold, der skaber bedre chancer, end deres resultater afspejler, og dermed finde value i odds, der er baseret på faktiske resultater snarere end underliggende præstationer.
Er xG bedre end traditionel statistik til fodbold-væddemål?
xG er bedre til at vurdere holdets fremtidige præstation, fordi det måler chancekvalitet frem for resultater. Traditionelle statistikker som mål, assists og points fortæller, hvad der skete, men ikke hvorfor. xG fortæller, hvad der burde være sket, og det er en langt mere nyttig information til at forudsige fremtidige kampe. De to tilgange supplerer hinanden – brug begge.
Skrevet af teamet hos ”Gode Væddemål”.
