Expected Goals

Expected Goals: Die Metrik, die den Fußball neu bewertet

Tore lügen. Expected Goals nicht — zumindest nicht so oft.

Expected Goals, kurz xG, hat die Fußballanalyse in den letzten zehn Jahren grundlegend verändert. Die Metrik beantwortet eine einfache, aber entscheidende Frage: Wie viele Tore hätte eine Mannschaft basierend auf der Qualität ihrer Torchancen erzielen sollen? Nicht wie viele sie tatsächlich erzielt hat — denn Tore unterliegen einer erheblichen Zufallskomponente — sondern wie viele die Chancenlage statistisch erwarten lässt.

Für Bundesliga-Wetter ist xG deshalb kein akademisches Spielzeug, sondern ein Werkzeug, das systematische Über- und Unterbewertungen im Markt aufdecken kann. Ein Team, das drei Spiele in Folge verloren hat, sieht auf dem Papier schlecht aus. Wenn die xG-Daten aber zeigen, dass es in jedem dieser Spiele die besseren Chancen hatte, liegt die Schwäche im Abschluss, nicht in der Spielanlage — und Abschlussschwäche korrigiert sich statistisch schneller als strukturelle Probleme. Dieser Unterschied bleibt mit herkömmlichen Statistiken unsichtbar.

Was xG misst — und was nicht

Jeder Schuss im Fußball hat eine historische Wahrscheinlichkeit, ein Tor zu werden. Ein Elfmeter liegt bei etwa 76 Prozent. Ein Fernschuss aus 25 Metern bei drei Prozent. Ein Abschluss aus sechs Metern nach einer Flanke bei 15 bis 20 Prozent. xG aggregiert diese Einzelwahrscheinlichkeiten über ein gesamtes Spiel und ergibt einen Wert, der anzeigt, wie viele Tore die Chancenlage erwarten ließ.

Die Berechnung berücksichtigt mehrere Faktoren: Schussdistanz, Schusswinkel, Spielsituation, Körperteil und ob der Schuss aus dem laufenden Spiel, nach einer Flanke oder nach einem Dribbling kam. Je nach Datenanbieter fließen auch die Geschwindigkeit des Spielaufbaus und die Anzahl der Verteidiger im Schussfeld ein. Ein xG-Wert von 1.8 bedeutet: Basierend auf den Chancen hätte dieses Team statistisch 1.8 Tore erzielen sollen.

Was xG nicht misst: die individuelle Klasse des Schützen. Ein xG-Modell behandelt jeden Spieler gleich — ein Abschluss aus acht Metern hat denselben xG-Wert, ob Harry Kane oder ein Abwehrspieler den Ball trifft. Das ist gleichzeitig die Stärke und die Schwäche der Metrik: Sie filtert den Zufall heraus, ignoriert aber reale Qualitätsunterschiede zwischen Spielern.

In der Bundesliga ist dieser Punkt besonders relevant bei Mannschaften mit einem dominanten Torjäger. Wenn ein Top-Stürmer die Mehrheit der Abschlüsse übernimmt, kann seine individuelle Abschlussqualität dazu führen, dass das Team dauerhaft über seinem xG-Wert performt — kein Zufall, sondern Spielerqualität. Fortgeschrittene Modelle wie xGOT — Expected Goals on Target — korrigieren teilweise für die Schussqualität, sind aber weniger verbreitet und schwieriger zu interpretieren. Für die meisten Wettanwendungen reicht das Standard-xG-Modell, solange man seine Grenzen kennt.

xG-Datenquellen: Wo man die Zahlen findet

xG-Daten sind längst kein Geheimwissen mehr.

Mehrere frei zugängliche Plattformen liefern xG-Werte für alle Bundesliga-Spiele, aufgeschlüsselt nach Mannschaften, Spielern und einzelnen Chancen. FBref, betrieben von Sports Reference, bietet umfangreiche xG-Statistiken mit Daten von StatsBomb — inklusive xG pro 90 Minuten, xA (Expected Assists) und Schussmaps, die zeigen, von welchen Positionen ein Team seine Chancen kreiert. Understat fokussiert sich auf die Top-5-Ligen und zeigt xG-Werte pro Spiel, pro Spieler und als Saisonverlauf — besonders nützlich für die Trendanalyse über mehrere Spieltage. Die grafische Aufbereitung macht Über- und Underperformance auf einen Blick erkennbar. Auch die Bundesliga-Website selbst veröffentlicht mittlerweile xG-Daten, allerdings weniger granular als die spezialisierten Plattformen.

Für Wettende ist die Konsistenz der Datenquelle wichtiger als der einzelne Wert. Verschiedene Anbieter verwenden leicht unterschiedliche Modelle, was zu abweichenden xG-Zahlen für dasselbe Spiel führt. StatsBomb, Opta und Wyscout nutzen jeweils eigene Algorithmen — die Unterschiede betragen typischerweise 0.1 bis 0.3 xG pro Team und Spiel, was bei Grenzfällen die Analyse beeinflussen kann.

Der praktische Workflow: Eine Quelle auswählen, die regelmäßig aktualisiert wird und Daten auf Spielebene bereitstellt, und diese konsequent nutzen. Vor jedem Spieltag die xG-Werte der beteiligten Teams über die letzten fünf Spiele abrufen und mit den tatsächlichen Ergebnissen vergleichen. Dieses Ritual dauert zehn Minuten und liefert Informationen, die den meisten Gelegenheitswettern fehlen.

Over- und Underperformance erkennen

Hier wird xG zum Wett-Werkzeug.

Wenn ein Team über mehrere Spiele hinweg deutlich mehr Tore erzielt als sein xG-Wert erwarten lässt, performt es über. Das bedeutet nicht, dass das Team besser ist als die Zahlen sagen — es bedeutet, dass ein Teil der Tore auf Glück, individuelle Brillanz oder statistische Anomalien zurückgeht. Die Wahrscheinlichkeit, dass diese Overperformance anhält, sinkt mit jedem weiteren Spiel. Die Regression zum Mittelwert ist keine Theorie — sie ist eine statistische Gesetzmäßigkeit, die sich in der Bundesliga saisonübergreifend bestätigt.

Umgekehrt: Ein Team mit hohen xG-Werten, aber wenigen Toren, underperformt. Die Chancenlage stimmt, aber die Abschlüsse gehen daneben oder der gegnerische Torwart hat eine Glanzphase. Dieser Zustand ist instabil — mittelfristig wird das Team mehr Tore erzielen, wenn die Chancenqualität konstant bleibt. Die Regression tritt typischerweise innerhalb von fünf bis zehn Spielen ein, wobei die Geschwindigkeit von der Größe der Abweichung abhängt: Je größer die Differenz zwischen xG und realen Toren, desto schneller und stärker die Korrektur.

Für Wettende bedeutet das: Underperformer sind Value-Kandidaten, deren Quoten die zukünftige Leistung unterschätzen, weil der Markt auf reale Tore statt auf Chancenqualität reagiert. Die Medien berichten über Tore und Ergebnisse, nicht über xG-Werte — und die öffentliche Wahrnehmung folgt den Medien. Diese Informationsasymmetrie ist der Hebel, den xG-basierte Wettende nutzen können.

Ein konkretes Beispiel: Ein Bundesliga-Team hat nach zehn Spieltagen 8 Tore geschossen bei einem kumulierten xG von 12.5. Die Differenz von minus 4.5 signalisiert erhebliche Underperformance. Der Markt bewertet das Team auf Basis der mageren Torausbeute und bietet entsprechend großzügige Quoten. Der xG-informierte Wetter erkennt, dass die Chancenqualität auf eine höhere Trefferquote hindeutet, und findet Value dort, wo andere nur einen harmlosen Angriff sehen.

Die gleiche Logik funktioniert auf der Defensivseite: Ein Team, das wenige Tore kassiert, aber hohe xG-Against-Werte zeigt, verteidigt glücklich und wird mittelfristig mehr Gegentore hinnehmen müssen. Wer auf diese defensive Regression wettet — etwa mit Over-Wetten auf die Gegner dieses Teams — nutzt eine Ineffizienz, die mit herkömmlichen Statistiken kaum zu erkennen ist.

xG als Wett-Werkzeug: Praktische Anwendung

Die Integration von xG in den Wett-Prozess erfordert keinen Doktortitel in Statistik. Der Aufwand ist überschaubar, der Informationsgewinn erheblich. Drei Anwendungen reichen für den Einstieg und decken die wichtigsten Wettmärkte ab.

Erstens: Vor jeder Wette die xG-Bilanz beider Teams der letzten fünf Spiele prüfen. Stimmen die tatsächlichen Ergebnisse mit der Chancenlage überein? Wenn ein Team dreimal gewonnen hat, aber die xG-Werte eher auf zwei Siege und ein Unentschieden hindeuten, sind die Quoten für das nächste Spiel möglicherweise zu niedrig — der Markt überschätzt die aktuelle Form.

Zweitens: Bei Über/Unter-Wetten die kombinierten xG-Werte beider Teams als Orientierung für die erwartete Toranzahl nutzen. Wenn beide Teams zusammen auf einen xG-Schnitt von 3.4 pro Spiel kommen, ist Over 2.5 statistisch wahrscheinlicher als bei zwei Teams mit einem kombinierten xG von 2.1. Diese einfache Gegenüberstellung filtert Spiele heraus, bei denen die Standard-Over/Under-Quote nicht zur Chancenlage passt.

Drittens: Langzeitwetten durch xG-Trendanalyse absichern — Teams, die saisonübergreifend hohe xG-Werte produzieren, sind robuster als Teams, deren Punkteausbeute auf Overperformance basiert. Ein Team mit konstant hohem xG ist ein zuverlässigerer Kandidat für eine Top-4-Wette als ein Team mit wenigen hochwertigen Toren und viel Glück.

Metriken sind Werkzeuge, keine Orakel

xG verbessert Entscheidungen. Es garantiert keine Gewinne.

Kein einzelner Datenpunkt ersetzt die Gesamtanalyse — xG ist ein Werkzeug im Werkzeugkasten, nicht der Werkzeugkasten selbst. Taktische Umstellungen, Trainerwechsel, Verletzungen und Motivationslagen fließen nicht in die xG-Berechnung ein und müssen separat berücksichtigt werden. Ein Team, das seinen Trainer wechselt und auf ein defensiveres System umstellt, wird weniger xG produzieren als zuvor — nicht weil es schlechter geworden ist, sondern weil sich die Spielanlage geändert hat. Wer xG als alleiniges Entscheidungskriterium verwendet, macht den gleichen Fehler wie jemand, der nur auf Tore schaut — nur mit einer eleganteren Zahl.

Die Kunst liegt in der Kombination: xG als quantitative Basis, ergänzt durch qualitative Faktoren, die kein Modell erfassen kann. So wird aus einer Metrik ein Vorteil — kein Orakel, aber ein deutlich schärferer Blick auf die Realität hinter den Ergebnissen.