xG i oddsanalys – så använder du expected goals utan att övertolka siffran

Expected goals, xG, uppskattar kvaliteten på målchanser genom att ge varje avslut en sannolikhet att bli mål. Ett skott kan exempelvis värderas till 0,05 xG medan en stor chans nära mål kan ligga betydligt högre.

xG kan vara användbart i oddsanalys eftersom det skiljer mellan resultat och chanskvalitet. Men xG är inte en sann sannolikhet för nästa match och olika dataleverantörer kan ge olika värden.

Vad betyder 1,80 xG?

Om ett lag skapar chanser som tillsammans summerar till 1,80 xG betyder det förenklat att chanskvaliteten motsvarar ungefär 1,8 förväntade mål enligt den aktuella modellen.

Det betyder inte att laget borde ha gjort exakt två mål.

I en enskild match kan laget göra:

• 0 mål på 1,80 xG,
• 1 mål,
• 3 mål,
• eller ännu fler.

xG beskriver förväntan över många liknande chanser.

Hur byggs xG?

En xG-modell kan väga in faktorer som:

• avstånd till mål,
• skottvinkel,
• kroppsdel,
• typ av assist,
• om avslutet är nick eller skott,
• kontring eller etablerat anfall,
• försvarspress,
• målvaktsposition i mer avancerade modeller.

Därför kan två avslut från nästan samma plats få olika xG.

xG och faktiska mål

Anta att ett lag efter tio matcher har:

• 20 gjorda mål,
• 14,0 xG.

Laget har då gjort sex mål mer än modellens förväntade målvärde.

Det kan bero på:

• skickliga avslutare,
• ovanligt hög form,
• straffar eller andra högvärdeschanser,
• slump och varians,
• modellskillnader.

Det är fel att automatiskt anta att laget ”måste” falla tillbaka exakt till 14 mål, men skillnaden är värd att analysera.

xGA – expected goals against

xGA beskriver kvaliteten på chanser laget släpper till.

Om ett lag har:

• 10 insläppta mål,
• 16 xGA,

kan det ha fått starkt målvaktsspel eller haft motståndare som avslutat svagt.

Över tid kan skillnaden förändras, men även här behövs mer kontext.

xG-differens

Ett enkelt lagmått är:

xG för − xG emot.

Om ett lag har 30 xG och 20 xGA blir differensen +10.

En positiv xG-differens kan tyda på att laget över tid skapar bättre chanser än motståndarna.

Men motståndskvalitet, matchläge och spelschema påverkar kraftigt.

xG per match

För att jämföra lag med olika antal matcher kan totalsiffror delas per match.

Exempel:

24 xG på 12 matcher = 2,00 xG per match.

18 xGA på 12 matcher = 1,50 xGA per match.

Netto blir +0,50 xG per match.

Hemma och borta

Lag kan ha helt olika profil hemma och borta.

En modell bör därför ofta separera:

• hemma-xG,
• hemma-xGA,
• borta-xG,
• borta-xGA.

Att använda ett enda säsongsgenomsnitt kan dölja viktiga skillnader.

Matchläge påverkar xG

Ett lag som leder 2–0 kan medvetet försvara lägre och släppa mer boll.

Motståndaren kan då skapa många avslut, vilket höjer xG, samtidigt som laget i ledning prioriterar kontringar.

Därför bör xG tolkas tillsammans med game state:

• ledning,
• underläge,
• rött kort,
• matchminut.

Rött kort kan förstöra jämförbarheten

En match där ett lag spelar med tio man i 60 minuter är inte normal data för lagets grundstyrka.

Om sådana matcher vägs lika tungt kan de snedvrida xG-snittet.

Analysmodeller kan därför exkludera eller justera vissa matchsegment.

Straffar

Straffar har mycket hög xG och kan påverka totalsiffran kraftigt.

Många analytiker tittar därför även på non-penalty xG (npxG) för att jämföra lagens öppna spel utan straffar.

Ett lag som får ovanligt många straffar kan annars se mycket mer offensivt dominant ut än vad det öppna spelet visar.

xG är leverantörsberoende

Det finns ingen universell xG-siffra.

Olika dataleverantörer använder olika:

• träningsdata,
• variabler,
• modeller,
• definitioner av skott och assists.

Samma match kan därför stå som 1,70–1,10 hos en leverantör och 1,55–1,02 hos en annan.

Det är bättre att använda en konsekvent källa än att blanda värden mellan leverantörer.

Små urval

Tre matcher är nästan aldrig tillräckligt för starka slutsatser.

Ett lag kan möta:

• två topplag,
• få spelares skador,
• ha ett rött kort,
• spela två bortamatcher.

Ett längre och motståndsjusterat urval är mer robust.

Tidsviktning

Matcher från förra hösten behöver inte väga lika tungt som de senaste fyra veckorna.

Tränarbyte, transfers och skador förändrar laget.

En modell kan därför vikta nyare matcher högre, men för aggressiv tidsviktning gör modellen känslig för tillfällig form.

xG till målförväntan

xG-data kan användas för att bygga ett förväntat målantal inför nästa match.

Exempelvis kan man kombinera:

• hemmalagets offensiva xG,
• bortalagets defensiva xGA,
• ligasnitt,
• hemmafördel,
• motståndsjustering.

Resultatet kan bli ett lambda för en Poisson- eller annan målmodell.

xG och över/under

Om en modell uppskattar den totala målförväntan till 2,90 kan den användas för att beräkna sannolikheter för över/under.

Men man ska inte säga att ”2,9 xG betyder över 2,5 är säkert”.

Även vid hög förväntad målvolym finns stor sannolikhet för 0, 1 eller 2 faktiska mål.

xG och BTTS

För BTTS är lagens separata målförväntningar viktigare än bara total xG.

En match med 2,8 förväntade mål kan bestå av:

• 2,4 för hemmalaget och 0,4 för bortalaget,
• eller 1,4–1,4.

Den andra profilen ger normalt högre sannolikhet att båda lagen gör mål.

Jämför med marknaden

När du byggt en sannolikhetsmodell kan den jämföras med odds efter att spelbolagets marginal tagits bort.

Om din xG-baserade modell säger 55 % hemmaseger och marknaden 50 % finns en skillnad.

Men det betyder inte automatiskt spelvärde. Marknaden kan känna till:

• skador,
• startelvor,
• rotation,
• taktiska förändringar,
• ny information som inte finns i din historiska xG-data.

xG och closing line

En bra kontroll är att följa hur marknaden rör sig efter din analys.

Om din modell ofta identifierar samma riktning som slutmarknaden kan det vara positiv information om modellen.

Men CLV och xG bör analyseras över stora urval, inte efter några enstaka träffar.

Efterhandsanalys

xG är särskilt bra för att förstå resultat som 1–0 där förloraren kanske skapade fler och bättre chanser.

Men en enskild xG-vinst är inte samma sak som att laget ”egentligen vann”. Fotboll avgörs av faktiska mål.

xG beskriver processen bakom resultatet.

Vanliga misstag

Att behandla xG som facit

Det är en modell.

Att jämföra olika leverantörer direkt

Definitionerna skiljer sig.

Att använda tre matcher som sann lagstyrka

Urvalet är för litet.

Att ignorera straffar och röda kort

De kan förändra siffrorna kraftigt.

Att tro att positiv xG-differens garanterar framtida segrar

Den säger inget säkert om nästa match.

Att glömma priset

En bra laganalys är inte automatiskt ett bra spel. Oddset måste fortfarande vara högre än modellens fair price för att det ska finnas teoretiskt värde.

Sammanfattning

xG är ett sätt att mäta chanskvalitet och kan ge bättre processinformation än bara slutresultat. I oddsanalys fungerar det bäst som en komponent tillsammans med motståndskvalitet, hemma/borta, truppnyheter och marknadspris.

Använd xG för att bygga och testa sannolikheter – inte som en garanti för att ett lag ska vinna nästa match.

Spela bara för pengar du har råd att förlora. xG, Poisson och andra modeller kan aldrig garantera resultat.