AI Bundesliga Prognose xG: Expected Goals als Basis für KI-Vorhersagen

Expected Goals, kurz xG, hat die Fußballanalyse in den letzten Jahren grundlegend verändert. Was früher als esoterische Statistik für Datennerds galt, ist heute Standard in Fernsehübertragungen, Vereinsanalysen und natürlich auch in KI-gestützten Prognosemodellen. Die Metrik misst nicht, was tatsächlich passiert ist, sondern was aufgrund der Chancenqualität hätte passieren sollen. Dieser Perspektivwechsel eröffnet Einblicke, die herkömmliche Statistiken nicht bieten können.

Für KI-Prognosen ist xG aus mehreren Gründen wertvoll. Die Metrik filtert Glück und Pech aus den Ergebnissen heraus und offenbart die tatsächliche Spielstärke. Ein Team, das seine letzten drei Spiele gewonnen hat, aber dabei deutlich weniger xG erzeugte als der Gegner, ist in Wahrheit nicht so stark wie die Punkteausbeute suggeriert. Die KI erkennt solche Diskrepanzen und passt ihre Prognosen entsprechend an.

In diesem Artikel erfährst du, was Expected Goals genau bedeutet, wie die Metrik berechnet wird und wie KI-Systeme sie für Bundesliga-Prognosen nutzen. Wir schauen uns auch an, welche Wettmärkte besonders von xG-Analysen profitieren und wo du verlässliche xG-Daten findest.

Was sind Expected Goals (xG)?

Definition und Grundprinzip

Expected Goals quantifiziert die Qualität von Torchancen. Für jeden Schuss wird berechnet, wie wahrscheinlich es ist, dass er zum Tor führt, basierend auf historischen Daten zu ähnlichen Situationen. Ein Elfmeter hat einen xG-Wert von etwa 0,76, weil historisch gesehen 76 Prozent aller Elfmeter verwandelt werden. Ein Schuss aus 30 Metern Entfernung hat vielleicht nur 0,03 xG, weil solche Versuche selten erfolgreich sind.

Die Summe aller xG-Werte einer Mannschaft in einem Spiel ergibt die Expected Goals des Teams. Wenn ein Team Chancen für insgesamt 2,3 xG kreiert hat, bedeutet das, dass ein durchschnittliches Team aus diesen Chancen im Schnitt 2,3 Tore erzielt hätte. Das tatsächliche Ergebnis kann natürlich abweichen, aber über viele Spiele hinweg nähert sich die Torzahl dem xG-Wert an.

Der revolutionäre Aspekt von xG liegt in der Trennung von Chancenkreation und Chancenverwertung. Ein Team kann hervorragend darin sein, gute Torchancen herauszuspielen, aber einen Stürmer haben, der überdurchschnittlich viele davon vergibt. Ein anderes Team kann aus wenigen Chancen das Maximum herausholen, weil es einen kaltschnäuzigen Vollstrecker hat. Diese Unterscheidung ist für Prognosen hochrelevant.

Einflussfaktoren bei der xG-Berechnung

Die Berechnung des xG-Werts eines Schusses berücksichtigt zahlreiche Faktoren. Der wichtigste ist die Position auf dem Spielfeld: Je näher am Tor und je zentraler, desto höher der xG-Wert. Ein Schuss aus dem Fünfmeterraum hat eine deutlich höhere Erfolgswahrscheinlichkeit als einer von der Strafraumkante.

Der Winkel zum Tor spielt ebenfalls eine Rolle. Ein Schuss von der Strafraumgrenze direkt vor dem Tor hat bessere Aussichten als einer aus spitzem Winkel nahe der Eckfahne. Die Geometrie der Situation bestimmt, wie viel Tor der Schütze sehen kann, und damit seine Erfolgsaussichten.

Fortschrittliche xG-Modelle berücksichtigen zusätzliche Faktoren: War es ein Kopfball oder ein Schuss mit dem Fuß? Kam der Ball flach oder aus der Luft? Wie viele Verteidiger standen zwischen Schütze und Tor? War der Torwart gut positioniert? Je mehr Faktoren einbezogen werden, desto präziser wird die Schätzung, aber auch desto komplexer das Modell.

xG versus tatsächliche Tore

Die Differenz zwischen xG und tatsächlichen Toren ist aufschlussreich. Ein Team, das konstant mehr Tore schießt als sein xG erwarten ließe, wird als Overperformer bezeichnet. Ein Team, das weniger Tore erzielt als sein xG, ist ein Underperformer. Diese Differenzen sind teilweise durch Fähigkeit erklärbar, teils durch Glück.

Manche Stürmer sind tatsächlich bessere Verwerter als der Durchschnitt. Ein Weltklasse-Angreifer erzielt aus den gleichen Chancen mehr Tore als ein Durchschnittsspieler. Dieser Skill ist real und messbar. Allerdings ist er kleiner als viele denken. Selbst die besten Stürmer der Welt übertreffen ihr xG nur um etwa zehn bis zwanzig Prozent, nicht um das Doppelte oder Dreifache.

Der größere Teil der Differenz zwischen xG und Toren ist oft Varianz. Fußball hat eine niedrige Ereigniszahl: Ein typisches Bundesliga-Spiel sieht vielleicht zwanzig Torschüsse und drei Tore. Bei so wenigen Ereignissen können zufällige Schwankungen große Auswirkungen haben. Ein Schuss, der knapp neben das Tor geht, und einer, der knapp drin ist, unterscheiden sich oft nur um Zentimeter, aber im Ergebnis um ein Tor.

Wie KI xG-Daten verarbeitet

xG als Input für Prognosemodelle

KI-Systeme nutzen xG als einen von vielen Inputs für ihre Prognosen. Die Metrik ersetzt nicht andere Statistiken, sondern ergänzt sie. Ein umfassendes Modell berücksichtigt sowohl die xG-Werte als auch die tatsächlichen Ergebnisse, die Tabellensituation, Verletzungen und andere Faktoren.

Der besondere Wert von xG liegt in der Stabilität. Während tatsächliche Torergebnisse stark schwanken können, ist die Chancenkreation konsistenter. Ein Team, das drei Spiele in Folge null Tore geschossen hat, könnte trotzdem ein xG von 1,5 pro Spiel haben. Das deutet darauf hin, dass die Tor-Flaute bald enden sollte, weil die Mannschaft weiterhin Chancen kreiert.

Die KI lernt aus historischen Daten, welche xG-Muster mit welchen zukünftigen Ergebnissen korrelieren. Teams mit hohem xG und niedrigen tatsächlichen Toren tendieren dazu, in kommenden Spielen mehr Tore zu schießen. Teams mit niedrigem xG und vielen Toren werden oft bald einbrechen. Diese Regression zur Mitte ist ein statistisches Gesetz, das die KI ausnutzt.

xG-Differenz als Formindikator

Die Differenz zwischen dem eigenen xG und dem gegnerischen xG, oft als xGD oder xG-Differenz bezeichnet, ist ein starker Formindikator. Ein Team mit positiver xG-Differenz kreiert mehr Chancen als es zulässt und hat gute Voraussetzungen für langfristigen Erfolg. Ein Team mit negativer xG-Differenz lebt über seinen Verhältnissen und wird vermutlich bald Punkte verlieren.

Die KI verfolgt die xG-Differenz über gleitende Zeitfenster, typischerweise die letzten fünf oder zehn Spiele. Ein plötzlicher Einbruch der xG-Differenz deutet auf Probleme hin, auch wenn die Ergebnisse noch nicht eingebrochen sind. Umgekehrt signalisiert eine verbesserte xG-Differenz, dass ein Team auf dem aufsteigenden Ast ist.

Diese vorausschauende Qualität macht xG so wertvoll für Prognosen. Die Metrik zeigt nicht nur, was war, sondern deutet an, was kommen wird. Ein Team, das seit Wochen eine negative xG-Bilanz hat, aber durch glückliche Umstände weiterhin punktet, ist ein Kandidat für eine Talfahrt. Die KI erkennt solche Warnsignale früher als die Tabelle.

Expected Goals Against (xGA)

xGA misst die Qualität der Chancen, die ein Team dem Gegner zugesteht. Ein niedriger xGA-Wert bedeutet, dass die Defensive gut arbeitet und nur wenige gefährliche Situationen zulässt. Ein hoher xGA-Wert deutet auf defensive Schwächen hin, auch wenn der Torwart bisher alles gehalten hat.

Die Kombination aus xG und xGA ergibt ein vollständiges Bild der Spielstärke. Ein Team mit hohem xG und niedrigem xGA ist offensiv wie defensiv stark und wird in den Prognosen entsprechend favorisiert. Ein Team mit niedrigem xG und hohem xGA ist in beiden Bereichen schwach und wird als Außenseiter eingestuft.

Interessant sind die Fälle, in denen xG und xGA gegensätzliche Signale senden. Ein Team mit hohem xG, aber auch hohem xGA spielt einen riskanten, offenen Fußball. Solche Spiele tendieren zu vielen Toren und sind für Over-Wetten attraktiv. Ein Team mit niedrigem xG und niedrigem xGA spielt defensiv und vorsichtig, was auf torarme Spiele hindeutet.

xG-basierte Wettmärkte

Over/Under mit xG-Analyse optimieren

Der Over/Under-Markt, bei dem auf die Anzahl der Tore in einem Spiel gewettet wird, profitiert besonders von xG-Analysen. Die Summe der xG-Werte beider Teams gibt einen guten Anhaltspunkt für die erwartete Torzahl. Wenn beide Teams zusammen regelmäßig 3,0 oder mehr xG produzieren, ist Over 2.5 wahrscheinlicher als bei Teams mit niedrigen xG-Werten.

Die KI kombiniert xG-Daten mit anderen Faktoren wie Wetterbedingungen, Spieltagsposition und taktischen Tendenzen. Ein Spiel zwischen zwei offensivstarken Teams bei gutem Wetter und ohne Drucksituation hat andere Erwartungen als ein Kellerduell bei Regen, bei dem beide Teams vor allem verlieren wollen.

Ein praktischer Tipp: Vergleiche das xG-basierte Erwartungsergebnis mit der Over/Under-Linie des Buchmachers. Wenn die KI 2,8 Tore erwartet und die Linie bei 2.5 liegt, ist Over statistisch vorteilhaft. Wenn die Erwartung bei 2,2 liegt, ist Under die bessere Wahl. Diese einfache Heuristik funktioniert überraschend gut.

Both Teams to Score (BTTS)

Für den BTTS-Markt, bei dem gewettet wird, ob beide Teams mindestens ein Tor erzielen, sind die individuellen xG-Werte relevant. Wenn beide Teams regelmäßig mindestens 1,0 xG erzeugen, ist BTTS wahrscheinlich. Wenn eines der Teams defensiv stark ist und routinemäßig unter 0,5 xGA bleibt, sinkt die BTTS-Wahrscheinlichkeit.

Die KI kann berechnen, wie wahrscheinlich es ist, dass ein Team aus seinem erwarteten xG mindestens ein Tor erzielt. Bei einem xG von 1,5 liegt diese Wahrscheinlichkeit bei etwa 78 Prozent. Bei einem xG von 0,8 sinkt sie auf etwa 55 Prozent. Multipliziert man die Wahrscheinlichkeiten beider Teams, erhält man die BTTS-Wahrscheinlichkeit.

Diese Berechnung ist vereinfacht, weil sie die Varianz innerhalb des Spiels nicht berücksichtigt. Ein Team mit 0,8 xG könnte eine große Chance von 0,4 xG und vier kleine Chancen von je 0,1 xG haben, oder acht mittlere Chancen von je 0,1 xG. Die Verteilung beeinflusst die Torwahrscheinlichkeit. Fortschrittliche Modelle berücksichtigen diese Nuancen.

Torwetten und Handicaps

Für Torwetten auf einzelne Spieler ist das individuelle xG des Spielers relevant. Wie viele Chancen bekommt ein Stürmer typischerweise pro Spiel, und wie hoch ist die Qualität dieser Chancen? Ein Mittelstürmer in einer offensivstarken Mannschaft hat mehr Torgelegenheiten als einer in einem defensiven Team.

Handicap-Wetten profitieren von der xG-Differenz zwischen den Teams. Wenn Team A historisch eine xG-Differenz von plus 1,0 gegen ähnliche Gegner hat, ist ein Handicap-Sieg realistischer als bei einem Team mit ausgeglichener xG-Bilanz. Die KI rechnet diese Differenzen in Wahrscheinlichkeiten um.

Die Kombination aus xG und Handicap kann Value aufdecken. Wenn die xG-Analyse einen Favoriten weniger stark einschätzt als die Markt-Quote impliziert, könnte das Gegner-Handicap Wert bieten. Umgekehrt kann ein von der xG bestätigter Favorit auch mit Handicap attraktiv sein.

xG-Statistiken in der Bundesliga

Die aktuelle xG-Landschaft

Die Bundesliga hat sich als eine der torreichsten großen Ligen etabliert, was sich auch in den xG-Werten widerspiegelt. Das durchschnittliche Spiel in der Bundesliga produziert etwa 2,7 bis 3,0 xG für beide Teams zusammen, mehr als in der Serie A oder Ligue 1, aber ähnlich wie in der Premier League.

Die Verteilung der xG-Stärke ist erwartungsgemäß ungleich. Die Top-Teams der Liga erzeugen regelmäßig 2,0 oder mehr xG pro Spiel und lassen weniger als 1,0 xGA zu. Die Aufsteiger und Kellerkinder kämpfen oft, um 1,0 xG zu erreichen, während sie 1,5 oder mehr xGA zulassen. Diese Asymmetrie macht die Liga vorhersagbarer als eine mit engerem xG-Feld.

Die xG-Tabelle, also die Rangfolge nach xG-Differenz statt nach Punkten, weicht oft von der tatsächlichen Tabelle ab. Teams, die in der xG-Tabelle besser stehen als in der Punktetabelle, werden von der KI höher eingeschätzt als ihr aktueller Tabellenplatz vermuten lässt. Diese Diskrepanz ist ein Signal für potenzielle Kursänderungen.

Overperformer und Underperformer erkennen

Jede Saison gibt es Teams, die ihre xG-Werte deutlich übertreffen oder untertreffen. Die Identifikation dieser Over- und Underperformer ist analytisch wertvoll, weil sie auf zukünftige Regression hindeutet. Ein Team, das zehn Prozent mehr Tore schießt als sein xG, wird diese Quote wahrscheinlich nicht halten können.

Die Gründe für Over- oder Underperformance sind vielfältig. Ein überragender Torwart kann das xGA eines Teams unter die tatsächlich zugelassenen Tore drücken. Ein Weltklasse-Stürmer kann sein Team zum xG-Overperformer machen. Aber auch schieres Glück spielt eine Rolle: Pfostentreffer, Abseitsentscheidungen, Platzverweise können Ergebnisse beeinflussen, ohne die xG-Bilanz zu ändern.

Die KI nutzt diese Informationen, indem sie Overperformern etwas weniger und Underperformern etwas mehr zutraut als ihre aktuelle Tabellensituation suggeriert. Dieser Regressionseffekt ist statistisch belegt und verbessert die Prognosegenauigkeit.

Saisonale Muster bei xG-Werten

Die xG-Werte einer Mannschaft sind nicht konstant über die Saison. Zu Saisonbeginn, wenn neue Spieler noch nicht eingespielt sind und taktische Konzepte noch nicht greifen, zeigen manche Teams untypische xG-Muster. Im Laufe der Saison stabilisieren sich die Werte, und die wahre Spielstärke wird sichtbar.

Die Winterpause ist ein weiterer Bruchpunkt. Transfers, Trainerwechsel und verändertes Training können die xG-Muster verschieben. Ein Team, das vor der Pause offensiv stark war, könnte danach defensiver agieren, oder umgekehrt. Die KI reagiert auf solche Veränderungen, indem sie neuere Daten stärker gewichtet.

Am Saisonende verzerren Motivationsunterschiede die xG-Werte. Ein Team, das bereits abgestiegen ist oder den Klassenerhalt sicher hat, spielt mit anderer Intensität als eines, das noch kämpft. Die KI berücksichtigt diese Kontextfaktoren bei der Interpretation der xG-Daten.

Beste xG-Datenquellen

Kostenlose Ressourcen im Überblick

Für den interessierten Analysten stehen mehrere hochwertige, kostenlose xG-Datenquellen zur Verfügung. FBref, betrieben von Sports Reference, bietet umfassende xG-Statistiken für die großen europäischen Ligen, einschließlich der Bundesliga. Die Daten stammen von Opta und sind professioneller Qualität.

Understat ist eine weitere exzellente Quelle, die sich auf xG spezialisiert hat. Die Plattform bietet nicht nur Teamstatistiken, sondern auch individuelle xG-Werte für Spieler und detaillierte Analysen einzelner Spiele. Die Visualisierungen sind besonders hilfreich, um xG-Muster schnell zu erfassen.

FootyStats kombiniert xG-Daten mit anderen Statistiken und bietet Prognose-Features. Die kostenlose Version ist eingeschränkt, aber für grundlegende Analysen ausreichend. Die Plattform ist benutzerfreundlich und eignet sich auch für Einsteiger in die xG-Analyse.

Die Bundesliga-eigenen Statistiken

Die Deutsche Fußball Liga bietet über ihre offiziellen Kanäle zunehmend xG-Statistiken an. In Spielberichten und Analysen tauchen Expected Goals regelmäßig auf. Die Datenbasis ist solide, da die Liga mit professionellen Datenanbietern zusammenarbeitet.

Der Vorteil der offiziellen Quellen liegt in ihrer Autorität. Wenn die Bundesliga selbst xG-Werte publiziert, kann man von korrekter Methodik ausgehen. Der Nachteil ist die manchmal eingeschränkte Tiefe: Während Drittanbieter detaillierte Aufschlüsselungen bieten, bleiben die offiziellen Statistiken oft oberflächlicher.

Für den Einstieg in die xG-Analyse sind die offiziellen Bundesliga-Statistiken ein guter Ausgangspunkt. Wer tiefer einsteigen möchte, sollte sie mit den detaillierteren Drittanbieter-Daten ergänzen.

Datenqualität und Methodenunterschiede

Nicht alle xG-Daten sind gleich. Verschiedene Anbieter verwenden unterschiedliche Modelle und kommen zu unterschiedlichen Werten. StatsBomb, Opta und andere Datenanbieter haben jeweils eigene Algorithmen, die verschiedene Faktoren unterschiedlich gewichten. Die Abweichungen zwischen den Anbietern können bei einzelnen Schüssen erheblich sein.

Für den Nutzer bedeutet das: Konsistenz ist wichtiger als absolute Genauigkeit. Wenn du dich für eine Datenquelle entscheidest, bleibe dabei. Vergleiche xG-Werte nicht zwischen verschiedenen Anbietern, weil die Methodenunterschiede zu Fehlschlüssen führen können. Innerhalb einer Quelle sind die Vergleiche valide.

Die Qualität der xG-Modelle verbessert sich kontinuierlich. Neue Daten wie Tracking-Informationen zur Spielerpositionierung ermöglichen präzisere Schätzungen. Die Modelle von 2026 sind deutlich fortschrittlicher als die von vor fünf Jahren. Diese Evolution sollte man im Hinterkopf behalten, wenn man historische Analysen durchführt.

Praktische Anwendung: xG-basierte Prognose erstellen

Schritt-für-Schritt-Anleitung

Die Erstellung einer einfachen xG-basierten Prognose beginnt mit der Datensammlung. Rufe die xG-Statistiken beider Teams ab, idealerweise für die letzten fünf bis zehn Spiele. Notiere das durchschnittliche xG und xGA jedes Teams in diesem Zeitraum.

Im zweiten Schritt berechnest du die erwarteten Tore für das kommende Spiel. Eine einfache Methode nimmt den Durchschnitt aus dem xG des Heimteams und dem xGA des Auswärtsteams als erwartete Tore des Heimteams. Analog für das Auswärtsteam. Diese Schätzung ist grob, aber ein Startpunkt.

Im dritten Schritt vergleichst du diese Erwartung mit den angebotenen Quoten. Wenn deine xG-basierte Schätzung höhere Tore erwarten lässt als die Over/Under-Linie, könnte Over Wert haben. Wenn dein erwartetes Ergebnis stark vom Markt abweicht, lohnt eine tiefere Analyse.

Häufige Fehler vermeiden

Ein typischer Fehler ist die Überinterpretation einzelner Spiele. Ein Team mit 4,0 xG in einem Spiel ist nicht plötzlich eine Tormaschine. Vermutlich war das ein statistischer Ausreißer, und die nächsten Spiele werden wieder normaler ausfallen. Immer das Mittel über mehrere Spiele betrachten.

Ein weiterer Fehler ist die Gleichsetzung von xG mit Realität. xG ist eine Schätzung, keine Tatsache. Verschiedene Anbieter berechnen xG unterschiedlich, und die Werte können um zehn bis zwanzig Prozent variieren. Nimm xG als Orientierung, nicht als Wahrheit.

Schließlich sollte xG nicht isoliert betrachtet werden. Kontextfaktoren wie Verletzungen, Spieltagsposition und taktische Matchups beeinflussen das Ergebnis ebenso. Die besten Prognosen kombinieren xG mit anderen Informationen zu einem Gesamtbild.

Fortgeschrittene Techniken

Für ambitionierte Analysten gibt es Möglichkeiten, über die Grundlagen hinauszugehen. Die Betrachtung von xG-Sequenzen, also wie sich das xG im Spielverlauf entwickelt, kann taktische Muster offenlegen. Ein Team, das sein xG hauptsächlich in den ersten dreißig Minuten produziert, spielt anders als eines, das spät im Spiel gefährlich wird.

Die Berücksichtigung von Gegnerqualität verfeinert die Analyse. Ein xG von 1,5 gegen den Tabellenführer ist anders zu bewerten als das gleiche xG gegen den Tabellenletzten. Die Adjustierung nach Gegnerstärke liefert ein realistischeres Bild der tatsächlichen Offensivqualität.

Die Integration von xG mit anderen fortschrittlichen Metriken wie PPDA für Pressing-Intensität oder Field Tilt für territoriale Dominanz ergibt ein umfassendes Analysesystem. Diese Multi-Metrik-Ansätze sind der nächste Schritt nach dem xG-Einstieg.

xG-Trends und Entwicklungen

Die Evolution der Metrik

Expected Goals ist keine statische Erfindung, sondern eine sich entwickelnde Methodik. Die ersten xG-Modelle vor einem Jahrzehnt verwendeten hauptsächlich Distanz und Winkel als Faktoren. Moderne Modelle integrieren Dutzende von Variablen, einschließlich Tracking-Daten, die vor wenigen Jahren noch nicht verfügbar waren.

Diese Evolution bedeutet, dass historische xG-Vergleiche mit Vorsicht zu genießen sind. Ein xG-Wert von 2020 ist nicht direkt mit einem von 2026 vergleichbar, weil die Berechnungsmethoden sich geändert haben. Für Trendanalysen innerhalb der aktuellen Methodik sind die Daten valide, für langfristige historische Vergleiche weniger.

Die Zukunft verspricht noch präzisere Modelle. Computer Vision ermöglicht die Analyse von Körperhaltung und Schussausführung. Machine Learning identifiziert Muster, die menschlichen Analysten verborgen bleiben. Die xG von morgen wird noch aussagekräftiger sein als die von heute.

Kritik und Grenzen von xG

Trotz ihrer Nützlichkeit hat die xG-Metrik Kritiker. Ein häufiger Einwand ist, dass sie den Kontext ignoriert: Ein Schuss aus fünfzehn Metern hat denselben xG-Wert, ob er von Messi oder einem Amateurspieler abgegeben wird. Die Qualität des Schützen fließt in Standardmodelle nicht ein.

Ein weiterer Kritikpunkt betrifft die Verteidigungsqualität. xG misst die Position des Schusses, aber nicht den Druck des Verteidigers. Ein freier Schuss hat andere Erfolgsaussichten als einer unter Bedrängnis, aber beide könnten den gleichen xG-Wert haben, wenn die Position identisch ist.

Diese Kritiken sind berechtigt, aber sie invalidieren xG nicht. Die Metrik ist ein Werkzeug mit Stärken und Schwächen, kein perfektes Orakel. Der kluge Analyst kennt die Grenzen und interpretiert xG-Daten entsprechend vorsichtig.

Zusammenfassung und Ausblick

Expected Goals hat sich als eine der wertvollsten Metriken für Fußballprognosen etabliert. Die Fähigkeit, Chancenqualität von Ergebnis zu trennen, ermöglicht Einblicke, die herkömmliche Statistiken nicht bieten. KI-Systeme nutzen xG als zentralen Input und erzielen damit präzisere Vorhersagen als mit reinen Ergebnisdaten.

Für den praktischen Einsatz bei Bundesliga-Prognosen bietet xG konkrete Vorteile. Over/Under-Wetten, BTTS und Handicaps lassen sich mit xG-Daten besser einschätzen. Die Identifikation von Over- und Underperformern deutet auf zukünftige Entwicklungen hin. Und die kostenlosen Datenquellen machen xG-Analyse für jeden zugänglich.

Die Entwicklung geht weiter. Neue Metriken wie Post-Shot xG, das die Schussqualität nach Abgabe berücksichtigt, oder xT, das den Wert von Ballgewinnen in verschiedenen Zonen misst, ergänzen das analytische Arsenal. Wer heute xG versteht, legt das Fundament für das Verständnis kommender Innovationen.