Expected Goals (xG) für Fußballwetten — Datenmodelle verstehen und nutzen

Warum Expected Goals die Fußball-Analyse revolutioniert haben

Es gibt eine Metrik, die in den letzten Jahren die Fußballanalyse stärker verändert hat als jede andere: Expected Goals, kurz xG. Was als Nischeninstrument für Datenanalysten in den Scoutingabteilungen der Premier League begann, ist heute fester Bestandteil jeder ernsthaften Fußballdiskussion — und ein zunehmend wichtiges Werkzeug für alle, die mit System auf Fußball wetten.

Expected Goals im Fußball messen nicht, was passiert ist, sondern was hätte passieren sollen. Das macht die Metrik so mächtig und gleichzeitig so oft missverstanden. Sie bewertet jede Torchance danach, wie wahrscheinlich ein Treffer aus einer vergleichbaren Position historisch war — und liefert damit ein objektiveres Bild der Spielqualität als das bloße Endergebnis.

Was der Ball wirklich erzählt — das ist die Leitfrage dieses Artikels. Es geht darum, wie xG-Modelle funktionieren, worin sie sich unterscheiden, wie du sie für Wettentscheidungen nutzen kannst und wo sie an ihre Grenzen stoßen.

Was xG tatsächlich misst — und was nicht

Ein xG-Wert ordnet jedem Torschuss eine Zahl zwischen 0 und 1 zu. Ein Schuss aus fünf Metern, zentral vor dem Tor, nach einer flachen Flanke, hat einen xG-Wert von vielleicht 0,45 — historisch gesehen endet knapp jeder zweite solcher Versuche im Netz. Ein Fernschuss aus 30 Metern, unter Gegnerdruck, liegt bei 0,03 oder weniger. Die Summe aller xG-Werte einer Mannschaft in einem Spiel ergibt den xG-Gesamtwert — etwa 1,8 xG bedeutet, dass die Mannschaft genug hochwertige Chancen kreiert hat, um statistisch 1,8 Tore zu erzielen.

Die Faktoren, die in die Berechnung einfließen, variieren je nach Modell. Stats Perform beschreibt seinen Ansatz über Opta so, dass proprietäre KI-Technologie bis zu 20 Kontextfaktoren pro Schuss analysiert, darunter die Art der Vorlage, die Position des Torwarts und ob der Schütze unter Gegnerdruck stand. Andere Modelle berücksichtigen zusätzlich die Spielsituation — etwa ob der Schuss aus einem Konter resultierte oder aus einem aufgebauten Angriff.

Was xG nicht misst, ist mindestens so wichtig wie das, was es misst. Die individuelle Klasse des Schützen fließt in die meisten Modelle nicht ein. Wenn ein Spieler wie Harry Kane aus einer Position schießt, die historisch einen xG-Wert von 0,15 hat, ignoriert das Modell die Tatsache, dass Kane diese Chancen überdurchschnittlich oft verwandelt. Ebenso berücksichtigen die meisten Modelle keine psychologischen Faktoren — Drucksituationen, Derbystimmung, Müdigkeit in der Nachspielzeit.

Diese bewussten Auslassungen sind kein Mangel, sondern Designentscheidung. xG misst die Qualität der Chance, nicht die Qualität des Spielers. Das macht die Metrik zum idealen Filter für Zufallsrauschen im Ergebnis — und genau deshalb ist sie für Wettende so relevant.

Opta, StatsBomb, FBref: Wie unterschiedliche xG-Modelle funktionieren

Nicht jedes xG-Modell liefert denselben Wert für denselben Schuss — und das ist kein Fehler, sondern eine Folge unterschiedlicher Methoden und Datengrundlagen. Die drei wichtigsten Anbieter im öffentlich zugänglichen Bereich haben jeweils eigene Philosophien.

Opta, betrieben von Stats Perform, setzt auf maschinelles Lernen mit einem umfangreichen Datensatz aus über einer Million historischer Schüsse. Das Modell arbeitet mit den bereits erwähnten 20 Kontextfaktoren und ist das am weitesten verbreitete im professionellen Scouting und in der Medienberichterstattung. Die Stärke liegt in der Datentiefe; der Nachteil ist, dass die Rohdaten nicht öffentlich zugänglich sind.

StatsBomb geht einen Schritt weiter. Ihr Modell integriert sogenannte Freeze Frames — Standbilder der Spielerposition zum Zeitpunkt des Schusses. Das bedeutet, dass StatsBomb nicht nur weiß, von wo geschossen wurde, sondern auch, wie viele Verteidiger im Weg standen und wie der Torwart positioniert war. Diese zusätzlichen Daten machen das Modell theoretisch präziser, allerdings ist die Datenverfügbarkeit auf bestimmte Wettbewerbe beschränkt.

Für die meisten Wettenden ist FBref der zugänglichste Einstieg. Die Plattform nutzt StatsBomb-Daten, stellt sie aber kostenfrei und in einem benutzerfreundlichen Format zur Verfügung. Du kannst dort xG-Werte pro Spiel, pro Spieler und pro Saison für die großen europäischen Ligen abrufen — einschließlich der Bundesliga. Die Einschränkung: FBref liefert aggregierte Daten, keine Schusspositionen für eigene Modellierungen.

Für Wettzwecke ist die Wahl des Modells weniger entscheidend als die Konsistenz. Wer seine Entscheidungen auf FBref-Daten stützt, sollte dabei bleiben und nicht zwischen Anbietern springen. Die Abweichungen zwischen den Modellen liegen typischerweise im Bereich von 0,1 bis 0,3 xG pro Spiel — relevant für Scouting, aber in der Regel nicht groß genug, um eine Wettentscheidung umzukehren.

Von xG zur Wettentscheidung: Eine praktische Anleitung

Die Brücke zwischen xG-Daten und einer konkreten Wettentscheidung führt über ein Konzept, das so einfach klingt, wie es wirkungsvoll ist: Regression zum Mittelwert. Mannschaften, die deutlich über oder unter ihrem xG-Wert liegen, werden sich langfristig ihrem erwarteten Niveau annähern. Genau in dieser Anpassungsphase entstehen die wertvollsten Wettmöglichkeiten.

Der erste Schritt: Identifiziere Mannschaften mit einer signifikanten Differenz zwischen tatsächlich erzielten Toren und xG. Wenn eine Mannschaft in den ersten zehn Spieltagen 8 Tore erzielt hat, der xG-Wert aber bei 13,5 liegt, performt sie deutlich unter ihren geschaffenen Chancen. Das deutet auf Pech, schlechte Chancenverwertung oder eine Kombination aus beidem hin — Faktoren, die sich typischerweise über die Saison korrigieren.

Der zweite Schritt: Prüfe, ob der Buchmacher diese Diskrepanz bereits eingepreist hat. Häufig orientieren sich Wettquoten stärker am tatsächlichen Ergebnis als an den zugrunde liegenden Daten. Eine Mannschaft, die fünf Spiele in Folge verloren hat, aber xG-Werte eines Mittelfeld-Teams produziert, wird vom Markt oft als schwächer bewertet, als sie tatsächlich ist.

Laut BetArena erreichen xG-basierte Modelle bei der Prognose von Bundesliga-Ergebnissen eine Genauigkeit von 65,6 % — ein Wert, der traditionelle Statistikmodelle übertrifft. Das bedeutet nicht, dass du mit xG automatisch Geld verdienst. Es bedeutet, dass xG eine bessere Ausgangsbasis für deine Wahrscheinlichkeitsschätzung bietet als Tabellenstände oder Formkurven allein.

Der dritte Schritt: Kombiniere xG mit Kontextinformationen. Personalsituation, Spielrhythmus, taktische Umstellungen — all das beeinflusst die nächste Partie und wird von keinem xG-Modell erfasst. Die Daten liefern das Fundament, dein analytisches Urteil ergänzt die Feinsteuerung.

Wo xG an seine Grenzen stößt: Kontextblindheit und Stichprobenfehler

xG ist ein mächtiges Werkzeug, aber kein allwissendes. Die Schwächen zu kennen ist genauso wichtig wie die Stärken, weil blinde Flecken zu systematischen Fehlentscheidungen führen können.

Die offensichtlichste Grenze: Standardsituationen. Freistöße und Elfmeter haben in den meisten Modellen fixe xG-Werte, die den Schützen nicht berücksichtigen. Ein Elfmeter wird typischerweise mit 0,76 xG bewertet — egal ob ein routinierter Strafstoßspezialist schießt oder ein Nachwuchsspieler. Bei Freistößen ist die Streuung noch größer. Teams mit einem erstklassigen Freistoßschützen werden von xG-Modellen systematisch unterschätzt.

Ein zweites Problem ist die Saisonstartproblematik. Zu Beginn einer Spielzeit sind die xG-Daten der laufenden Saison zu dünn für belastbare Aussagen. Fünf Spieltage ergeben vielleicht 50 bis 70 Schüsse pro Mannschaft — statistisch nicht genug, um Zufallsschwankungen von echten Leistungsänderungen zu unterscheiden. In den ersten Wochen der Saison solltest du xG-Daten deshalb mit Vorsicht behandeln und stärker auf Vorjahreswerte zurückgreifen.

Drittens: taktische Verschiebungen innerhalb eines Spiels. Wenn eine Mannschaft ab der 70. Minute auf Konter umstellt, weil sie führt, sinkt ihre xG-Produktion — aber nicht, weil sie schlechter spielt, sondern weil sie bewusst weniger riskiert. Das Modell erfasst diese taktische Logik nicht und bewertet die zweite Halbzeit als schwächere Leistung.

Für Wettende im Live-Kontext ist diese Einschränkung besonders relevant. Live-Wetten machen laut IBIA und H2 Gambling Capital mittlerweile rund 59,6 % des globalen Online-Wettvolumens aus. In genau diesem Segment ist xG am wenigsten aussagekräftig, weil sich die taktischen Rahmenbedingungen eines Spiels minütlich ändern. xG eignet sich hervorragend für Pre-Match-Analysen und saisonübergreifende Trends — als Echtzeit-Indikator während des Spiels aber nur eingeschränkt.