Wie kann man Sportwetten richtig analysieren? Wie kann man Fußball Spiele analysieren? Sich nur auf seinen Bauch oder den Blick auf die Tabelle zu verlassen, ist gefährlich. xG-Daten bzw. expected Goals helfen dabei, die tatsächliche Leistung der Teams zu bewerten, anstatt nur die Ergebnisse zu betrachten. Auf diese Weise können wir mit kostenlosen Tools ein eigenes Bewertungssystem erstellen, welches die erwartete statistische Wahrscheinlichkeit für zukünftige Leistungen der Mannschaften besser widergibt.

Was sind expected Goals (xG)?

xG oder xGoals ist die Abkürzung für expected Goals, auf deutsch: erwartete Tore. Diese Kennzahl soll ausdrücken, mit welcher Wahrscheinlichkeit ein Schuss oder Kopfball zu einem Tor wird. Der Wert wird zwischen 0 und 1 angegeben. Ein xG-Wert von 0,5 bedeutet, dass der Torabschluss im Durschnitt zu 50% erfolgreich ist - ein Wert von 0,1 drückt eine 10%ige statistische Wahrscheinlichkeit aus, dass der Ball im Tor landet.

Während eines Spiels werden alle Abschlüsse mit einem xG-Wert versehen und aufsummiert, so dass man nach 90 Minuten unabhängig vom Ergebnis eine Gesamtbewertung der Chancenqualität erhält. Folgendes Beispiel vom Spiel Arminia Bielefeld - Borussia Mönchengladbach (07.02.2022) zeigt: das Spiel endet 1-1, die xG-Daten drücken jedoch ein ungleiches Verhältnis von 0,79 zu 2,20 aus.

Man könnte somit sagen, dass es Borussia Mönchengladbach verdient gehabt hätte zu gewinnen, da sie insgesamt Chancen für mindestens 2 Tore hatten - im Gegenzug kann das Heimteam Arminia Bielefeld mit 0,79 xG von einem glücklichen Punktgewinn sprechen. Um in der Sprache der expected Goals zu bleiben, so war Gladbach an diesem Tag um 1,41 Tore (2,20 - 0,79) besser.

Vergleicht man nach mehren Spieltagen oder einer Saison die tatsächlich erzielten Tore mit den erwarteten Toren, kann man somit auch sehen, wie effizient die herausgespielten Chancen verwertet wurden.

Wie wird die Wahrscheinlichkeit für einen Torerfolg berechnet?

Die Berechnung der Wahrscheinlichkeit für einen Torerfolg einer Chance erfolgt mittels eines Machine Learning Algorithmus. Diesem liegen Daten von Tausenden von Spielen und Abschlüssen aus allen erdenklichen Spielsituationen vor. Berücksichtigt werden zahlreiche Parameter, wie z.B. die Distanz und der Winkel zum Tor, die Position des Torwarts und der Gegenspieler (Druck / Bedrängnis des ballführenden Spielers), die Geschwindigkeit des Spielers oder ob der Abschluss per Kopf oder Fuß erfolgt. 

Eine anschauliche Erklärung über expected Goals zeigt folgendes Video der DFL bzw. deren Partner aws:

YouTube-Video: Bundesliga Match Facts powered by AWS - Expected Goals (xGoals) und Realformation

Weitere Begriffe xA, xGa und xP

Im Zusammenhang mit der Kennzahl der xGoals gibt es auch weitere Begriffe und Abkürzungen:

• xA: expected Assists = erwartete Vorlagen. Drückt aus, mit welcher Wahrscheinlichkeit eine Torvorlage zu einem Tor verwertet wird.
• xGa: expected Goals against = erwartete Gegentore. Die xG des Heimteams entprechen somit den xGa des Auswärtsteams.
• xP: expected Points = erwartete Punkte. Dies sind die Punkte, die ein Team auf Basis der xGoals hätte erhalten müssen. 

Buchempfehlung zu xG

Wem das Konzept der xGoals gefällt und tiefer in die Thematik einsteigen will, dem kann ich das Buch "The Expected Goals Philosophy" von James Tippett empfehlen. Das Buch ist in meinen Top-10 aller Sportwetten-Bücher, da es hilfreiche Tipps für den Aufbau eines eigenen Bewertungssystems für Sportwetten enthält.

Woher erhalte ich kostenlose xG-Daten?

Für die großen Ligen sind die Daten, welche von aws, opta und weiteren Anbietern gesammelt werden, kostenfrei verfügbar. Für die beiden oberen Fußball-Ligen in Deutschland erhältst du die Auswertungen z.B. direkt auf der offiziellen Website der Bundesliga (match facts powered by aws). Gehe hierzu einfach auf die folgenden Links zum Spieltag, klicke dann auf eine vergangene Spielpaarung und schau dann rechts unter Statistiken nach:

• 1. Bundesliga --> Spieltag auswählen --> Spielpaarung --> Statistiken
• 2. Bundesliga --> -"-

Weitere Quellen sind folgende Websites:

• FBREF und infogol werden von opta mit xG-Daten gespeist. Aus meiner Sicht sind diese beiden Seiten jedoch eher unübersichtlich. Meiner Meinung nach bietet FootyStats (zumindest in der Premiumversion) erheblich mehr Vorteile (v.a. die Download-/Exportfunktion ist sehr hilfreich).
• FootyStats: Sehr umfangreiche Datensammlung und Abdeckung von über 1.500 Ligen. Für sehr kleine Ligen werden nur Basisdaten zur Verfügung gestellt. Die xG-Daten reichen jedoch sehr weit hinab und sind z.B. auch für die verschiedenen deutschen Regionalligen verfügbar. Die kostenlose Basisversion der Website ist allerdings limitiert. Vollen Zugriff erhält man nur mit der Premiumvariante (ca. 20€ pro Monat). Mit dieser lassen sich dann z.B. auch CSVs für die weitere Datenanalyse und Einbindung in eigene Modelle herunterladen.

Allgemein sind die Modelle zur Berechnung der xG-Daten sehr unterschiedlich. Vergleicht man die Daten miteinander, gibt es teilweise erhebliche Differenzen. Selbst bei Anbietern, die beide opta-Daten als Grundlage verwenden. So fallen die expected Goals für das Spiel Schalke gegen Bayern München vom 12.11.2022 wie folgt aus:

• FBREF: 0.8 - 1.9
• infogol: 1.12 - 1.55
• aws: 0.49 -1.71
• FootyStats: 0.38 - 2.05

xG-Daten für Sportwetten nutzen

Die Wettanbieter arbeiten stetig daran, ihre Prozesse hinsichtlich der Berechnung ihrer Quoten zu verbessern und sich immer mehr an die tatsächlichen Wahrscheinlichkeiten für das Eintreten eines Ereignisses anzunähern. Hierzu greifen sie u.a. auch auf Modelle auf Basis von xG-Daten zurück. Die Buchmacher benutzen diese Daten auf sehr professionelle Weise - sie arbeiten damit 24/7 und können ihre Modelle kontinuierlich optimieren.

Dies gilt für alle Topligen, in denen ein hohes Wettvolumen umgesetzt wird, wie z.B. die ersten und zweiten Ligen aus England, Spanien, Deutschland, Italien oder Frankreich. Es ist also unglaublich schwer in diesen Ligen langfristig Vorteile gegenüber Buchmachern herauszuarbeiten. Da die Datenaufnahme und Bereitstellung Zeit und Geld kostet, werden xG-Daten jedoch nicht für alle Ligen in gleichem Maße erhoben. Für viele kleinere Ligen gibt es teilweise überhaupt keine verfügbaren bzw. vertrauenswürdigen Quellen.

Wettbewerbsvorteil gegenüber Buchmachern

Genau dies kannst du dir zu Nutze machen. Wenn du Zeit und Aufwand für die Erstellung eigener xG-Daten nicht scheust, hast du einen Wettbewerbsvorteil. Der Beitrag Sportwetten Analyse-Tools stellt zwei kostenlose Tracker vor, um xG-Daten aufzunehmen und als Excel-Datei für die weitere Verwendung abzuspeichern. 

Fazit Sportwetten-Analyse mit xG-Daten

Oft hört man nach dem Spiel Aussagen wie "Durch den abgefälschten Schuss war das heute natürlich ein glücklicher Sieg.", "Heute waren Chancen für 3 Spiele da - leider haben wir sie nicht genutzt.", "Das Spiel hätte auch gut und gerne 4:4 enden können.", "Der Gegner war heute einfach effizienter als wir.".

Dieses oft richtige Gefühl kann heutzutage mittels Machine Learning Algorithmen auch in einer Kennzahl, der expected Goals (xG / xGoals), ausgedrückt werden. 

Trainer und Scouts nutzen diese Daten, um Spiele und Spieler unabhängig von Ergebnissen zu bewerten. Und auch, um Sportwetten richtig zu analysieren, sind xG-Daten äußerst hilfreich. Wie im Artikel erklärt wird, gilt dies vor allem für unterklassige Ligen, für die keine Daten von opta & Co. gesammelt werden. Mit einem eigenen xG-Modell kann man somit einen Wettbewerbsvorteil gegenüber Wettanbietern erhalten und Wahrscheinlichkeiten bzw. Quoten besser berechnen.

Quellen + Links

• Youtube-Video der DFL bzw. aws zur Veranschaulichung von xGoals
• Kurzbeschreibung zum Sportwetten-Buch "The Expected Goals Philosophy" von James Tippett
• xG-Daten für die 1.Bundesliga und 2.Bundesliga in Deutschland (--> wähle den gewünschten Spieltag --> Spielpaarung --> klicke rechts auf Statistiken)
• FootyStats, FBREF und infogol stellen xG-Daten zur Verfügung
• Kostenlose Sportwetten Analyse-Tools zur Erstellung eigener xG-Daten