2026-03-10
Expected Goals (xG) ist zu einem unverzichtbaren Werkzeug in der modernen Fußballanalyse geworden und bietet ein quantifizierbares Maß für die Schussqualität. Allerdings sind nicht alle xG-Modelle gleich, und ihre Genauigkeit kann je nach den von ihnen verwendeten Datenpunkten und Algorithmen erheblich variieren. Wenn wir tiefer in die Saison 2025-2026 eintauchen, offenbart ein genauerer Blick auf diese Nuancen faszinierende Einblicke in die Teamleistung und individuelle Brillanz.
Betrachten Sie die Disparität, die oft zwischen dem kumulativen xG eines Teams und seiner tatsächlichen Torbilanz beobachtet wird. Obwohl eine allgemeine Korrelation besteht, sind Ausreißer häufig. Nehmen wir zum Beispiel Manchester City. Anfang März 2026 platzieren ihre verschiedenen xG-Modelle sie oft bei etwa 58-60 erwarteten Toren, doch ihre tatsächliche Torzahl ist auf 68 gestiegen. Diese Überperformance von 8-10 Toren ist nicht einfach Glück; sie weist auf eine konstante Fähigkeit hin, Chancen mit einer höheren Rate als der durchschnittliche Schuss zu verwerten. Spieler wie Erling Haaland, mit seinem unheimlichen Gespür, den Ball aus scheinbar unwahrscheinlichen Winkeln ins Netz zu befördern, tragen eindeutig dazu bei.
Die Präzision eines xG-Modells hängt von der Tiefe und Breite seiner Eingabeparameter ab. Grundlegende Modelle berücksichtigen möglicherweise nur die Schussposition und den Körperteil. Anspruchsvollere Versionen integrieren jedoch eine Fülle zusätzlicher Daten: die Art des Assists (Steilpass, Flanke, Rückpass), die Anzahl der Verteidiger zwischen dem Schützen und dem Tor, die Positionierung des Torhüters und sogar den Spielstand (z. B. Ergebnis, verbleibende Zeit). Diese zusätzlichen Kontextebenen können die jedem Schuss zugewiesene Wahrscheinlichkeit erheblich verfeinern. Weitere Einblicke finden Sie in unserer Berichterstattung über Robert Lewandowski: PSG's Apex Predator im Strafraum.
Zum Beispiel hätte ein Schuss von Arsenals Bukayo Saka vom Strafraumrand, mit zwei Verteidigern, die ihn bedrängen, und dem gut positionierten Torhüter, natürlich einen niedrigeren xG als ein identischer Schuss, bei dem Saka Zeit und Raum hat. Ein solides xG-Modell sollte diesen Unterschied widerspiegeln. Einige Modelle versuchen sogar, die spielerspezifische Abschlussfähigkeit zu berücksichtigen, obwohl dies oft die Grenze zwischen reinem xG (Schussqualität) und prädiktiver Torerzielung verwischt. Obwohl faszinierend, kann die Einbeziehung spielerspezifischer Daten Modelle weniger universell anwendbar machen, um die Schussqualität verschiedener Spieler oder Teams zu vergleichen.
Die Schönheit von xG liegt in seiner Fähigkeit, Über- und Unterperformer hervorzuheben. Napoli zum Beispiel hat während der gesamten Saison konstant hohe xG-Werte erzielt und rangiert oft unter den Top Drei der Serie A für die geschaffenen erwarteten Tore. Ihre tatsächliche Torbilanz hinkt jedoch manchmal hinterher, was auf eine potenzielle Ineffizienz bei der Verwertung oder vielleicht eine Pechsträhne beim Abschluss hindeutet. Victor Osimhen hatte trotz seiner Torgefährlichkeit in dieser Saison Phasen, in denen sein xG seine tatsächlichen Tore übertraf, was darauf hindeutet, dass er in ausgezeichnete Positionen kam, aber vielleicht nicht immer den Abschluss fand, für den er bekannt ist. Weitere Einblicke finden Sie in unserer Berichterstattung über Arsenal vs Liverpool: Taktische Schlacht im Emirates Stadium.
Umgekehrt haben Brighton & Hove Albion, obwohl sie oft einen geringeren kumulativen xG als einige ihrer Mittelfeldrivalen haben, Wege gefunden, Ergebnisse zu erzielen. Ihre defensive Solidität und die Fähigkeit, aus weniger, qualitativ hochwertigeren Chancen Kapital zu schlagen, haben dazu geführt, dass sie auch defensiv ihren xG übertroffen haben, indem sie weniger Tore als erwartet kassierten. Dies unterstreicht, dass xG nicht der einzige Maßstab für Erfolg ist, sondern ein entscheidendes Puzzleteil der analytischen Betrachtung. Es hilft uns zu verstehen, wie Teams spielen, nicht nur, was das Endergebnis ist.
Die Zukunft der xG-Modelle wird wahrscheinlich eine noch größere Granularität beinhalten. Wir sehen bereits das Aufkommen von "xG Chain" und "xG Buildup", die versuchen, allen Spielern, die an einem Ballbesitz beteiligt sind, der zu einem Schuss führt, Anerkennung zuzuschreiben, nicht nur dem Schützen und dem Vorlagengeber. Darüber hinaus könnten Fortschritte bei den Tracking-Daten es Modellen ermöglichen, die Spielerbewegung ohne Ball effektiver zu berücksichtigen und die Wahrscheinlichkeit eines Schusses sogar vor dessen Auftreten vorherzusagen, basierend auf der defensiven Formation und den Offensivläufen.
Letztendlich bleibt xG ein probabilistisches Maß, keine definitive Vorhersage. Es bietet eine leistungsstarke Linse, durch die das Spiel analysiert werden kann, indem es zugrunde liegende Trends aufdeckt und eine objektivere Leistungsbewertung ermöglicht. Das Verständnis der Unterschiede zwischen Modellen und der Faktoren, die zu ihrer Genauigkeit beitragen, ermöglicht es uns, die wahre Tiefe der Fußballanalyse zu schätzen und wie sie unser Verständnis des schönen Spiels im Jahr 2026 weiterhin prägt.