Expected Goals (xG) Gebruiken voor Betere Voorspellingen

Er zijn wedstrijden die je als voetbalfan verbijsteren. Een team domineert negentig minuten, creëert kans na kans, raakt twee keer de lat en verliest met 0-1 door een halfbakken schot dat via een knieschijf binnenvalt. De trainer spreekt na afloop over pech. De commentator noemt het voetbal oneerlijk. En ergens in een database verschijnt een getal dat precies vertelt hoe oneerlijk het was: de Expected Goals. Dat getal — xG — is de afgelopen tien jaar uitgegroeid van een obscure statistiekniche tot de meest invloedrijke metriek in het moderne voetbal. En voor wedders is het een van de scherpste instrumenten om de markt te lezen.

Wat is xG en hoe wordt het berekend?

Expected Goals drukt uit hoeveel doelpunten een team had mogen verwachten op basis van de kwaliteit van zijn kansen. Elke schotsituatie in een wedstrijd krijgt een waarde tussen 0 en 1, gebaseerd op de waarschijnlijkheid dat die specifieke situatie tot een doelpunt leidt. Een penalty heeft een xG van circa 0,76 — driekwart van alle penalty’s gaat erin. Een kopbal vanaf de rand van het strafschopgebied na een hoekschop heeft misschien een xG van 0,04. Een één-op-één met de keeper vanuit het centrum van het strafschopgebied kan 0,35 zijn.

Die kansen worden opgeteld tot een wedstrijdtotaal. Als een team situaties creëert met een gecombineerde xG van 2,3, dan had dat team op basis van de gemiddelde efficiëntie van alle schutters in vergelijkbare posities 2,3 doelpunten mogen verwachten. Scoort het team er maar één, dan was het minder efficiënt dan gemiddeld. Scoort het er vier, dan was het uitzonderlijk scherp.

De modellen die xG berekenen, variëren in complexiteit. De eenvoudigste versies kijken alleen naar de afstand tot het doel en de hoek. Geavanceerde modellen — zoals die van StatsBomb of Opta — verwerken tientallen variabelen: de positie van verdedigers, het type aanval (open spel, hoekschop, counter), het lichaamsdeel waarmee geschoten wordt, de snelheid van de aanval en zelfs de positie van de keeper. Geen enkel model is perfect, maar de geavanceerde versies benaderen de werkelijkheid nauwkeurig genoeg om bruikbaar te zijn voor analyse.

xG versus werkelijke doelpunten: waar zit de waarde?

Het verschil tussen xG en werkelijke doelpunten is precies waar de waarde voor wedders zit. Een team dat over tien wedstrijden een xG van 18 heeft maar slechts twaalf keer scoorde, presteert onder zijn verwachting. Dat kan komen door pech, door een inefficiënte spits of door een reeks uitzonderlijk goede keepersprestaties van de tegenstander. In de meeste gevallen corrigeert dat verschil zich over tijd — de wet van de grote getallen duwt werkelijke doelpunten richting de xG.

Omgekeerd: een team dat ver boven zijn xG scoort — zestien doelpunten op een xG van elf — is waarschijnlijk niet zo dodelijk als de stand doet vermoeden. Die overprestatie is zelden houdbaar. Vroeg of laat keert de efficiëntie terug naar het gemiddelde, en dan volgen de tegenvallende resultaten die de puntenklassering niet deed verwachten.

Dit patroon is goud voor wedders. De bookmaker baseert zijn odds deels op recente resultaten. Een team dat dankzij bovengemiddelde efficiëntie bovenaan staat, krijgt scherpere odds dan zijn xG-profiel rechtvaardigt. De markt overschat dat team. Omgekeerd krijgt het team dat onder zijn xG presteert ruimere odds dan gerechtvaardigd, omdat de resultaten slechter zijn dan de prestaties. Daar zit de value — in het verschil tussen wat de resultaten zeggen en wat de xG-data vertellen.

xG toepassen bij wedden: drie praktische methoden

De eerste en meest directe toepassing is het vergelijken van xG-prestaties met de odds. Als bookmaker X een team op 2.80 zet voor een uitwedstrijd — een impliciete kans van 35,7 procent — en de xG-data van de afgelopen tien wedstrijden suggereren dat dit team sterker is dan de resultatenreeks laat zien, kan er value zitten. Je zoekt naar discrepanties tussen perceptie (gebaseerd op resultaten) en prestatie (gebaseerd op xG).

De tweede methode is het analyseren van de Over/Under-markt met xG-data. Als twee teams gemiddeld een gecombineerde xG van 3,4 per wedstrijd produceren maar de bookmaker Over 2.5 op 1.65 zet, kun je beoordelen of die prijs de onderliggende kansencreatie weerspiegelt. Teams die structureel veel kansen creëren en toestaan, produceren op termijn doelpunten — ook als een reeks wedstrijden toevallig laag scoorde.

De derde methode is het identificeren van regressiekandidaten. Een team dat tien wedstrijden lang bovenaan staat met vijfentwintig punten maar een xG-verschil van slechts +3 — wat hoort bij een middenmoot-positie — is een kandidaat voor een terugval. De odds op dat team weerspiegelen de huidige stand, niet de onderliggende kwaliteit. Wedden tegen zo’n team in specifieke wedstrijden kan waarde bieden die de markt nog niet heeft gecorrigeerd.

Het is belangrijk om xG niet als absoluut te beschouwen. De metriek heeft beperkingen die je moet kennen om hem zinvol te gebruiken.

De beperkingen van xG

De eerste beperking is dat xG-modellen spelerspecifieke kwaliteit niet volledig vangen. Een xG van 0,15 voor een schot vanuit een bepaalde positie is een gemiddelde over alle spelers die ooit vanuit die positie schoten. Maar Lionel Messi vanuit die positie is geen gemiddelde speler. Topschutters presteren structureel boven hun xG, niet door geluk maar door vaardigheid. Dat betekent dat xG de aanvalskracht van teams met uitzonderlijke individuele kwaliteit kan onderschatten.

De tweede beperking is tactische context. xG vertelt je niet of een team bewust laag verdedigt en de tegenstander kansen van lage kwaliteit gunt. Een team dat 1,8 xG tegen krijgt maar die kansen allemaal van buiten het strafschopgebied komen, verdedigt beter dan het cijfer suggereert. Wie xG gebruikt zonder naar het type kansen te kijken, trekt verkeerde conclusies.

De derde beperking is steekproefgrootte. Over vijf wedstrijden is xG-data weinig betrouwbaar. Toevalsfactoren — een rode kaart, een keepersfout, een afgekeurd doelpunt — vertekenen het beeld. De meeste analisten beschouwen tien tot vijftien wedstrijden als het minimum voor betrouwbare patronen. Aan het begin van het seizoen, wanneer er pas drie speelrondes zijn gespeeld, is xG een indicatie maar geen fundament voor een weddenschap.

Een vierde beperking die vaak over het hoofd wordt gezien, is dat xG geen rekening houdt met mentale factoren. Een team dat speelt om degradatie te voorkomen in de laatste wedstrijd van het seizoen schiet anders dan datzelfde team in speelronde acht. De druk, de motivatie en de concentratie beïnvloeden de conversie op manieren die geen enkel statistisch model kan kwantificeren.

Het getal achter het gevoel

Ervaren voetbalkijkers hebben een intuïtief gevoel voor wanneer een team beter is dan de uitslag suggereert. Ze zien de kansen die gemist werden, de dominantie die niet in doelpunten werd uitgedrukt, de keeper van de tegenstander die een onmogelijke bal uit de hoek tikte. Dat gevoel is reëel en waardevol — het is patroonherkenning opgebouwd door duizenden uren kijken.

xG is datzelfde gevoel, maar dan gekwantificeerd. Het vertaalt de subjectieve observatie van een voetbalkenner naar een getal dat je kunt vergelijken, bijhouden en tegen odds afzetten. Het vervangt het gevoel niet — het ondersteunt het. De beste wedders combineren hun eigen waarneming met xG-data en gebruiken de discrepantie tussen beide als signaal. Als je gevoel zegt dat een team goed speelde en de xG dat bevestigt terwijl de resultaten achterblijven, heb je een convergentie van bewijs die sterker is dan elk signaal afzonderlijk.

Die combinatie — kwantificering plus kijkervaring — is wat xG zo krachtig maakt. Niet als vervanging van menselijk oordeel, maar als vertaling ervan in een taal die de markt begrijpt. En uiteindelijk is de markt de enige gesprekspartner die ertoe doet.