2026-03-10
Les buts attendus (xG) sont devenus un outil indispensable dans l'analyse du football moderne, offrant une mesure quantifiable de la qualité des tirs. Cependant, tous les modèles xG ne sont pas créés égaux, et leur précision peut varier considérablement en fonction des points de données qu'ils incorporent et des algorithmes qu'ils utilisent. Alors que nous avançons dans la saison 2025-2026, un examen plus approfondi de ces nuances révèle des informations fascinantes sur la performance des équipes et la brillance individuelle.
Considérez la disparité souvent observée entre le xG cumulé d'une équipe et son nombre réel de buts. Bien qu'une corrélation générale existe, les valeurs aberrantes sont courantes. Prenez, par exemple, Manchester City. Début mars 2026, leurs différents modèles xG les placent souvent autour de 58-60 buts attendus, mais leur nombre réel de buts a atteint 68. Cette surperformance de 8 à 10 buts n'est pas simplement de la chance ; elle témoigne d'une capacité constante à convertir les occasions à un taux plus élevé que le tir moyen. Des joueurs comme Erling Haaland, avec son talent étrange pour trouver le chemin des filets sous des angles apparemment improbables, y contribuent clairement.
La précision d'un modèle xG dépend de la profondeur et de l'étendue de ses paramètres d'entrée. Les modèles de base peuvent ne prendre en compte que l'emplacement du tir et la partie du corps. Des versions plus sophistiquées, cependant, incorporent une multitude de données supplémentaires : le type de passe décisive (passe en profondeur, centre, remise en retrait), le nombre de défenseurs entre le tireur et le but, le positionnement du gardien de but, et même l'état du match (par exemple, le score, le temps restant). Ces couches de contexte supplémentaires peuvent affiner considérablement la probabilité attribuée à chaque tir. Pour plus d'informations, consultez notre couverture sur Robert Lewandowski : Le prédateur suprême du PSG dans la surface.
Par exemple, un tir de Bukayo Saka d'Arsenal depuis le bord de la surface, avec deux défenseurs qui le pressent et le gardien bien positionné, aurait naturellement un xG plus faible qu'un tir identique où Saka a du temps et de l'espace. Un bon modèle xG devrait refléter cette différence. Certains modèles tentent même de prendre en compte la capacité de finition spécifique au joueur, bien que cela brouille souvent la ligne entre le xG pur (qualité du tir) et la prédiction de buts. Bien qu'intéressant, l'intégration de données spécifiques aux joueurs peut rendre les modèles moins universellement applicables pour comparer la qualité des tirs entre différents joueurs ou équipes.
La beauté du xG réside dans sa capacité à mettre en évidence les surperformances et les sous-performances. Naples, par exemple, a constamment généré des chiffres xG élevés tout au long de la saison, se classant souvent parmi les trois premiers de la Serie A pour les buts attendus créés. Cependant, leur nombre réel de buts est parfois en retard, ce qui indique une inefficacité potentielle dans la conversion ou peut-être une série de finitions malheureuses. Victor Osimhen, malgré sa prolificité, a connu des périodes cette saison où son xG a dépassé ses buts réels, suggérant qu'il se mettait dans d'excellentes positions mais n'appliquait peut-être pas toujours la touche finale pour laquelle il est connu. Pour plus d'informations, consultez notre couverture sur Arsenal vs Liverpool : Bataille tactique à l'Emirates Stadium.
Inversement, Brighton & Hove Albion, malgré un xG cumulé souvent inférieur à celui de certains de leurs rivaux de milieu de tableau, a trouvé des moyens d'obtenir des résultats. Leur solidité défensive et leur capacité à capitaliser sur moins d'occasions de meilleure qualité les ont également vus surperformer leur xG défensivement, concédant moins de buts que prévu. Cela souligne que le xG n'est pas le seul arbitre du succès, mais plutôt une pièce essentielle du puzzle analytique. Il nous aide à comprendre comment les équipes performent, et pas seulement quel est le score final.
L'avenir des modèles xG impliquera probablement une granularité encore plus grande. Nous assistons déjà à l'émergence de « xG Chain » et de « xG Buildup », qui tentent d'attribuer du crédit à tous les joueurs impliqués dans une possession menant à un tir, et pas seulement au tireur et au passeur décisif. De plus, les avancées en matière de données de suivi pourraient permettre aux modèles de mieux prendre en compte le mouvement des joueurs sans le ballon, en prédisant la probabilité d'un tir avant même qu'il ne se produise, en fonction de la forme défensive et des courses offensives.
En fin de compte, le xG reste une mesure probabiliste, et non une prédiction définitive. Il offre une lentille puissante à travers laquelle analyser le jeu, révélant les tendances sous-jacentes et fournissant une évaluation plus objective de la performance. Comprendre les différences entre les modèles et les facteurs qui contribuent à leur précision nous permet d'apprécier la véritable profondeur de l'analyse du football et comment elle continue de façonner notre compréhension du beau jeu en 2026.