EPV Analyse

Fußballspieler mit Ball am Fuß im Spielaufbau — EPV-Konzept visualisiert

Expected Goals hat die Fußballanalyse revolutioniert. Aber xG hat eine blinde Stelle: Es bewertet nur die Momente, in denen ein Spieler schießt. Alles, was davor passiert — der Spielaufbau, die Passentscheidungen, die Raumbesetzung —, bleibt in der xG-Bilanz unsichtbar. Ein Team, das den Ball 70 Prozent der Zeit im gegnerischen Drittel hält, aber nicht zum Schuss kommt, hat einen xG-Wert von null. Und das fühlt sich falsch an.

Expected Possession Value — kurz EPV — ist die Metrik, die diese Lücke schließen soll. Sie bewertet nicht den Schuss, sondern den gesamten Ballbesitz: Jede Aktion auf dem Platz — Pass, Dribbling, Positionswechsel — erhält einen Wert, der angibt, wie stark sie die Torwahrscheinlichkeit verändert. Für Prognostiker ist EPV ein Werkzeug, das xG ergänzt — nicht ersetzt. Dieser Artikel erklärt, was EPV misst, wie es sich von xG unterscheidet und wann es für Prognosen nützlich ist.

Was EPV misst: Ballbesitzwert in Echtzeit

EPV ordnet jedem Moment eines Ballbesitzes einen Wert zu — die erwartete Torwahrscheinlichkeit, die sich aus der aktuellen Spielsituation ergibt. Wenn ein Mittelfeldspieler den Ball an der Mittellinie hat, ist der EPV niedrig — vielleicht 0,01. Wenn derselbe Ball durch drei Pässe in den Strafraum gespielt wird, steigt der EPV auf 0,15 oder höher. Jeder Pass, jedes Dribbling, jeder Laufweg verändert den EPV — nach oben oder nach unten.

Die Berechnung basiert auf maschinellem Lernen: Modelle, die mit Tracking-Daten aus Tausenden von Spielen trainiert werden, lernen, welche Spielsituationen historisch zu Toren geführt haben — und welche nicht. Ein Steilpass in den Zwischenraum erhöht den EPV, ein Rückpass zum Torhüter senkt ihn. Ein Dribbling, das einen Verteidiger überspielt, erhöht ihn deutlich — ein Dribbling, das in einem Ballverlust endet, setzt ihn auf null.

Die Forschung unterstützt diesen Ansatz: Bandara et al. zeigten in PLOS ONE, dass Modelle, die Sequenzen von Spielereignissen berücksichtigen — also den Kontext vor dem Schuss —, signifikant bessere Vorhersagen liefern als Modelle, die nur die Schusscharakteristiken verwenden. EPV formalisiert genau dieses Prinzip: Es bewertet die gesamte Ereigniskette, nicht nur den Endpunkt.

Ein praktisches Beispiel: Zwei Teams haben nach 90 Minuten identische xG-Werte von 1,5. Aber Team A hat einen kumulierten EPV von 3,2 und Team B von 1,8. Was sagt das? Team A hat deutlich mehr wertvolle Spielsituationen erzeugt — es war im Spielaufbau überlegen, hat öfter gefährliche Zonen erreicht und hätte bei besseren Abschlüssen oder Entscheidungen mehr Schüsse produzieren können. Die xG-Bilanz zeigt Gleichstand, die EPV-Bilanz zeigt Dominanz.

EPV vs. xG: Stärken und Schwächen im Vergleich

Die Zahlen zum Vergleich sind eindeutig: In einer Studie über drei Bundesliga-Saisons von Forcher et al. prognostizierte das xG-Modell Spielausgänge mit einer Genauigkeit von 65,6 Prozent, das EPV-Modell mit 59,6 Prozent. xG schlägt EPV bei der reinen Ergebnisprognose — und zwar deutlich.

Warum? Weil Tore von Schüssen kommen, nicht von Ballbesitz. xG misst direkt das, was zum Tor führt. EPV misst die Qualität des Spielaufbaus, der zum Schuss führen kann — aber nicht muss. Ein Team kann einen hohen EPV haben und trotzdem kein Tor schießen, weil die letzte Entscheidung — der Pass in den Strafraum, der Abschluss — nicht gelingt. In der Ergebnisprognose ist diese „letzte Meile“ entscheidend — und xG bildet sie besser ab.

Aber EPV hat Stärken, die xG fehlen. Erstens: Frühwarnung. EPV erkennt Leistungstrends früher als xG, weil es bereits den Spielaufbau bewertet. Ein Team, das seine EPV-Werte über mehrere Spiele steigert, verbessert seine Spielqualität — auch wenn sich das noch nicht in den xG-Zahlen niederschlägt. Für mittelfristige Prognosen — „Wird dieses Team in den nächsten fünf Spielen stärker?“ — ist EPV informativer als xG.

Zweitens: Spielstil-Analyse. EPV enthüllt, wie ein Team seine Chancen erzeugt. Zwei Teams mit identischem xG können völlig unterschiedliche EPV-Profile haben: Das eine erzeugt seine Chancen über geduldigen Positionsangriff (hoher EPV über lange Spielsequenzen), das andere über schnelle Konter (niedriger EPV bis zum Moment des Konters, dann sprunghafter Anstieg). Für Matchup-Analysen — „Wie spielt Team A gegen den Spielstil von Team B?“ — ist EPV deutlich aufschlussreicher als xG.

Drittens: Bewertung von Spielern und Taktiken. EPV kann individuelle Spieleraktionen bewerten — welcher Pass hat den größten EPV-Gewinn erzeugt, welches Dribbling den Spielaufbau am stärksten beschleunigt. Für die Prognose ist das relevant, wenn Schlüsselspieler ausfallen: Wie viel EPV verliert ein Team, wenn sein bester kreativer Mittelfeldspieler fehlt? xG gibt darauf keine Antwort, EPV schon.

EPV für Prognosen nutzen: Anwendungsfälle

EPV ist kein Ersatz für xG — es ist eine Ergänzung. Die sinnvollsten Anwendungsfälle für Prognostiker sind diejenigen, bei denen xG allein nicht ausreicht.

Erster Anwendungsfall: Regression erkennen. Wenn ein Team hohe EPV-Werte hat, aber niedrige xG-Werte, deutet das auf ein Problem in der letzten Phase des Spielaufbaus hin — der Spielaufbau ist gut, aber die Abschlüsse fehlen. Das kann an individueller Qualität liegen (schlechter Stürmer) oder an taktischen Entscheidungen (zu viele Querläufe statt Steilpässe). Wenn die Ursache taktisch ist und der Trainer anpasst, wird die xG-Bilanz steigen — eine prognostizierbare Regression.

Zweiter Anwendungsfall: Trainerwechsel bewerten. Nach einem Trainerwechsel verändern sich die EPV-Muster oft schneller als die xG-Muster, weil der neue Spielaufbau sofort sichtbar wird, sich aber erst mit Verzögerung in Torchancen übersetzt. Wer die EPV-Entwicklung nach einem Trainerwechsel verfolgt, kann den Leistungstrend des Teams einschätzen, bevor er sich in den Ergebnissen zeigt.

Dritter Anwendungsfall: Matchup-Analyse vertiefen. Wenn Team A einen Spielstil hat, der gegen kompakte Defensivformationen hohe EPV-Werte erzeugt, und Team B genau diese Formation spielt, lässt sich die Spielerwartung differenzierter einschätzen als mit reinen xG-Saisondurchschnitten.

Die größte Einschränkung: EPV-Daten sind deutlich schwerer zugänglich als xG-Daten. Während Understat, FBref und WhoScored xG-Werte frei anbieten, erfordern EPV-Berechnungen Tracking-Daten, die in der Regel nicht öffentlich verfügbar sind. StatsBomb bietet über FBref einige EPV-nahe Metriken an, aber vollständige EPV-Modelle bleiben vorerst professionellen Analyseteams und Vereinen vorbehalten. Für den ambitionierten Hobbyanalysten ist EPV deshalb eher ein konzeptionelles Werkzeug — man versteht das Prinzip und wendet es qualitativ an —, als ein quantitatives, das sich in Zahlen abbilden lässt.

Fazit

EPV ist die nächste analytische Ebene nach xG — komplexer, datenhungriger und in der reinen Ergebnisprognose (noch) weniger genau. Aber EPV liefert Einblicke, die xG nicht bieten kann: Frühwarnsignale für Leistungstrends, Spielstil-Differenzierung und Matchup-Tiefe.

Für den Einstieg reicht xG. Für die Vertiefung — und für den analytischen Vorsprung, den fortgeschrittene Prognostiker suchen — ist EPV das nächste Werkzeug, das in den Kasten gehört. Nicht als Ersatz, sondern als Ergänzung: xG für die Ergebnisprognose, EPV für das Verständnis, wie das Ergebnis zustande kommt.