Expected Goals

Ein Fußballspiel endet 1:0. Der Verlierer hatte 18 Torschüsse, der Gewinner drei. Die Tabelle registriert drei Punkte für den Sieger, und die meisten Beobachter gehen zum nächsten Spiel über. Aber wer Prognosen erstellen will, stellt sich eine andere Frage: War das Ergebnis repräsentativ? Oder hat hier eine Mannschaft gewonnen, die unter normalen Umständen verloren hätte?

Expected Goals — kurz xG — ist die Metrik, die genau diese Frage beantwortet. Sie misst nicht, was passiert ist, sondern was hätte passieren sollen, basierend auf der Qualität der Torchancen. Und für jeden, der Fußballergebnisse vorhersagen will, ist xG das wichtigste einzelne Werkzeug im Repertoire. Dieser Artikel erklärt, was xG misst, wie ein xG-Wert berechnet wird und warum die Unterscheidung zwischen Pre-Match und Post-Match xG für Prognosen entscheidend ist.

Was xG misst — und was nicht

xG ordnet jedem Torschuss eine Wahrscheinlichkeit zu — die Wahrscheinlichkeit, dass dieser Schuss unter durchschnittlichen Bedingungen zu einem Tor führt. Ein Elfmeter hat einen xG-Wert von etwa 0,76. Ein Kopfball aus 14 Metern vielleicht 0,05. Ein Schuss aus sechs Metern, zentral vor dem Tor, ohne Verteidiger im Weg: 0,40 bis 0,50. Die Summe aller Schuss-xG-Werte eines Teams ergibt den xG-Gesamtwert für das Spiel — eine Schätzung, wie viele Tore das Team auf Basis seiner Chancenqualität hätte schießen „sollen“.

Wenn ein Team in einem Spiel einen xG-Wert von 2,3 hat, aber nur ein Tor schießt, hat es unter seinem erwarteten Niveau abgeschlossen — möglicherweise durch Pech, einen starken Torwart oder ungenaue Abschlüsse. Wenn dasselbe Muster über mehrere Spiele anhält, deutet es auf eine Regression hin: Die Ergebnisse werden sich mittelfristig der erwarteten Leistung annähern. Genau das macht xG für Prognosen so wertvoll — es identifiziert Mannschaften, deren Ergebnisse von ihrer tatsächlichen Spielqualität abweichen.

Was xG nicht misst: individuelle Klasse. Ein xG-Modell weiß nicht, ob Erling Haaland oder ein Zweitliga-Stürmer den Schuss abgibt. Es bewertet die Situation, nicht den Spieler. Das ist eine bewusste Entscheidung, die Stärken und Schwächen hat. Die Stärke: Die Metrik ist objektiv und reproduzierbar. Die Schwäche: Sie unterschätzt systematisch Mannschaften mit überdurchschnittlichen Torschützen und überschätzt Teams, deren Abschlussschwäche strukturell ist.

Ebenfalls nicht erfasst: Spielaufbau, der nicht in einem Schuss endet. Ein Team, das den Ball 70 Prozent der Zeit kontrolliert, aber keine Torchancen herausspielt, hat einen niedrigen xG-Wert — obwohl es dominant wirkt. xG misst Chancenqualität, nicht Spielqualität im umfassenden Sinn. Wer das verwechselt, zieht falsche Schlüsse.

Wie ein xG-Wert berechnet wird: vom Schuss zum Modell

Die Berechnung eines xG-Werts basiert auf historischen Daten. Vereinfacht: Man nimmt Hunderttausende von Torschüssen aus vergangenen Spielen, kodiert ihre Eigenschaften — Position, Winkel, Entfernung zum Tor, Spielsituation, Körperteil — und trainiert ein statistisches Modell darauf, die Torwahrscheinlichkeit vorherzusagen.

Die gängigsten Modelle nutzen logistische Regression oder maschinelles Lernen (Random Forest, Gradient Boosting, neuronale Netze). Die Eingabevariablen variieren je nach Anbieter. Die einfachsten Modelle verwenden nur Position und Entfernung. Komplexere Modelle integrieren die Spielsituation (Konter, offenes Spiel, Eckstoß), die Position der Verteidiger, den Winkel zum Tor und sogar die Geschwindigkeit des Spielaufbaus.

Die Qualität eines xG-Modells lässt sich über verschiedene Metriken messen. Eine Studie in Applied Sciences zeigte, dass gut konstruierte xG-Modelle mit Feature Engineering ein Bestimmtheitsmaß (R²) zwischen 83 und 95 Prozent erreichen — je nach Liga und verwendeten Variablen. Das bedeutet: Zwischen 83 und 95 Prozent der Varianz in den tatsächlichen Torzahlen lassen sich durch die xG-Werte erklären. Es ist kein perfektes Modell — aber es ist erheblich besser als jede intuitive Einschätzung.

Wichtig: Nicht alle xG-Modelle sind gleich. Understat, StatsBomb, FBref und Opta verwenden unterschiedliche Methoden und kommen zu unterschiedlichen Ergebnissen für dasselbe Spiel. Die Differenzen sind meist klein, aber sie existieren. Wer xG-Werte verschiedener Anbieter vergleicht, muss wissen, dass er Äpfel mit leicht unterschiedlichen Äpfeln vergleicht — nicht mit Birnen, aber auch nicht mit identischen Früchten.

Ein praktisches Beispiel: Ein Schuss aus 20 Metern, zentral, nach einem schnellen Konter. Einfache Modelle bewerten nur Position und Entfernung — xG vielleicht 0,04. Ein komplexeres Modell erkennt, dass der Konter die Abwehr aufgelöst hat, der Torwart schlecht positioniert war und der Schusswinkel optimal — xG vielleicht 0,08. Beide Werte sind niedrig, aber die Differenz über eine ganze Saison summiert sich. Welches Modell man verwendet, beeinflusst die Analyse — und deshalb lohnt es sich, die Methodenbasis des gewählten Anbieters zu verstehen.

Pre-Match vs. Post-Match xG: zwei verschiedene Werkzeuge

Die Unterscheidung zwischen Pre-Match und Post-Match xG ist fundamental — und wird häufig übersehen.

Post-Match xG ist das, was die meisten kennen: die xG-Werte, die nach Spielende veröffentlicht werden. Sie basieren auf den tatsächlichen Torschüssen des Spiels und geben an, was das Ergebnis „hätte sein sollen“. Post-Match xG ist ein Analysewerkzeug: Es hilft zu verstehen, ob ein Ergebnis glücklich, verdient oder unglücklich war. In der Bundesliga prognostiziert Post-Match xG den Spielausgang mit einer Genauigkeit von 65,6 Prozent — deutlich besser als die einfache Auswertung der Toranzahl.

Pre-Match xG hingegen ist ein Prognosewerkzeug. Es schätzt vor dem Spiel, wie viele Tore ein Team basierend auf seiner bisherigen Chancenqualität, der Stärke des Gegners und der Spielsituation (Heim/Auswärts) erzielen dürfte. Pre-Match xG fließt in Wettmodelle ein und bildet die Basis für implizierte Wahrscheinlichkeiten. Es ist weniger genau als Post-Match xG, weil es den tatsächlichen Spielverlauf nicht kennt — aber genau das ist sein Zweck: eine Prognose unter Unsicherheit.

Für Wettende ist die Unterscheidung entscheidend. Wer Post-Match xG nutzt, um vergangene Leistungen zu bewerten und Trends zu identifizieren (zum Beispiel: „Team X schießt seit fünf Spielen unter seinem xG — eine Regression ist wahrscheinlich“), hat ein mächtiges Werkzeug. Wer Pre-Match xG nutzt, um seine eigenen Modelle mit den Buchmacher-Quoten abzugleichen, kann Value-Wetten identifizieren.

Der Fehler, den viele machen: Post-Match xG als Prognose verwenden. Nur weil ein Team im letzten Spiel einen xG-Wert von 3,0 hatte, heißt das nicht, dass es im nächsten Spiel wieder 3,0 erzielen wird. xG-Werte schwanken von Spiel zu Spiel erheblich. Erst über einen Zeitraum von zehn bis fünfzehn Spielen stabilisieren sich die Durchschnittswerte zu einem belastbaren Leistungsindikator.

Fazit

Expected Goals ist die wichtigste Einzelmetrik für datenbasierte Fußballprognosen. Sie objektiviert die Chancenqualität, identifiziert Über- und Unterperformance und liefert die Grundlage für Regressionsanalysen. Wer xG versteht, sieht Fußball mit anderen Augen — und trifft bessere Prognoseentscheidungen.

Aber xG ist kein Orakel. Es ist ein Modell, das die Realität vereinfacht, um sie berechenbar zu machen. Individuelle Klasse, taktische Anpassungen und Spielsituationen, die kein Modell erfasst, bleiben blinde Flecken. Wer xG als ein Werkzeug unter mehreren einsetzt — kombiniert mit taktischer Analyse, Kaderinformationen und Marktbeobachtung —, nutzt es richtig. Wer es als einzige Wahrheit behandelt, überschätzt seine Reichweite.