Voetbal is een sport met weinig doelpunten en veel ruis. Een team kan twintig keer op doel schieten en verliezen met 0-1 door een gelukstreffer in de negentigste minuut. De uitslag zegt dan weinig over de werkelijke krachtsverhoudingen. Expected Goals — afgekort als xG — is de statistiek die door die ruis heen kijkt. Het meet niet wat er is gebeurd, maar wat er had moeten gebeuren op basis van de kansen die zijn gecreëerd. Voor wedders is dat onderscheid goud waard.
Wat is xG en waar komt het vandaan?
Expected Goals is een statistische maatstaf die aan elke schotkans een waarde toekent tussen 0 en 1, gebaseerd op de historische kans dat een vergelijkbaar schot resulteert in een doelpunt. Een penalty heeft een xG van ongeveer 0,76 — historisch gezien gaan ruim driekwart van alle strafschoppen erin. Een schot van buiten het strafschopgebied onder een moeilijke hoek heeft misschien een xG van 0,03. Door alle schotkansen van een team op te tellen, krijg je de totale xG: het verwachte aantal doelpunten op basis van de kwaliteit van de gecreëerde kansen.
Het concept ontstond niet in het voetbal maar in het ijshockey, waar analist Alan Ryder en anderen bij blogplatforms als Hockey Analytics al in de jaren 2000 werkten met vergelijkbare modellen. In het voetbal nam de ontwikkeling een vlucht rond 2012-2014, aangejaagd door dataproviders als Opta en StatsBomb die gedetailleerde schotdata begonnen te verzamelen. Inmiddels is xG mainstream: het verschijnt in wedstrijdsamenvattingen op televisie, op sportnieuwssites en in de analyses van clubs zelf.
De kern van xG is dat het geluk en vaardigheid helpt onderscheiden. Een team dat consequent een hogere xG produceert dan het daadwerkelijk aantal doelpunten scoort, is waarschijnlijk ongelukkig — de doelpunten zullen op termijn komen. Een team dat meer scoort dan zijn xG suggereert, profiteert van bovengemiddelde afwerking of geluk, en dat niveau is moeilijk vol te houden. Voor wedders die vooruitkijken in plaats van achteruit, is die informatie bijzonder waardevol.
Hoe wordt xG berekend?
De berekening van xG is gebaseerd op machine learning-modellen die zijn getraind op honderdduizenden historische schoten. Elk schot wordt geanalyseerd op een reeks variabelen: de afstand tot het doel, de hoek ten opzichte van het doel, het type schot (voet of hoofd), of het een open kans was of onder druk van een verdediger, de snelheid van de aanval, en of de assist een voorzet, een doorsteekbal of een teruglegger was.
Niet elk xG-model is hetzelfde. Opta, StatsBomb, Understat en FBref hanteren elk hun eigen variabelen en wegingen, wat leidt tot licht verschillende xG-waarden voor dezelfde wedstrijd. StatsBomb staat bekend om het meenemen van extra variabelen zoals de positie van verdedigers en de keeper, wat doorgaans leidt tot meer genuanceerde schattingen. Understat biedt gratis toegankelijke xG-data voor de grote Europese competities en is daarmee een populaire bron voor individuele wedders.
De verschillen tussen modellen zijn relevant. Een xG-verschil van 0,3 per wedstrijd tussen twee modellen lijkt klein, maar over een heel seizoen telt dat op tot meer dan tien verwachte doelpunten verschil. Als je xG gebruikt voor je wedanalyse, is het verstandig om consequent hetzelfde model te gebruiken en je bewust te zijn van de beperkingen ervan.
Waar xG tekortschiet
Ondanks de waarde van xG als analytisch instrument, heeft het duidelijke beperkingen die elke wedder moet kennen.
De eerste beperking is dat xG de kwaliteit van de afwerker niet volledig meeneemt. Een schot van buiten het strafschopgebied heeft misschien een xG van 0,05, maar als het geschoten wordt door een speler die bekendstaat om zijn afstandsschoten, is de werkelijke kans hoger. Sommige geavanceerde modellen corrigeren hiervoor, maar de meeste basis-xG-modellen doen dat niet.
De tweede beperking is dat xG niets zegt over wat er niet is gebeurd. Een team dat de bal negentig minuten in bezit heeft maar geen schot lost, heeft een xG van nul — maar de dominantie was er wel. Metrics als expected threat (xT) en possession value (PV) proberen dit gat te vullen door waarde toe te kennen aan balacties die niet direct tot een schot leiden, maar die metrics zijn minder wijdverspreid en moeilijker te interpreteren.
De derde beperking is dat xG een gemiddelde is over grote aantallen. Voor één individuele wedstrijd zegt het minder dan voor een reeks van twintig wedstrijden. Een team met een xG van 1,8 in een enkele wedstrijd heeft niet noodzakelijkerwijs twee doelpunten verdiend — het had er nul of vier kunnen maken, afhankelijk van de afwerking en de keeper. De waarde van xG ligt in patronen over tijd, niet in conclusies over individuele duels.
xG toepassen op je weddenschappen
De praktische toepassing van xG voor wedden draait om het identificeren van discrepanties tussen prestatie en resultaat. Teams die systematisch meer xG produceren dan ze doelpunten scoren, zijn kandidaten voor een opwaartse correctie — hun resultaten zullen waarschijnlijk verbeteren. Omgekeerd zijn teams die boven hun xG scoren kwetsbaar voor een terugval.
Neem een concreet voorbeeld uit de Eredivisie. Stel dat FC Utrecht na tien wedstrijden twaalf doelpunten heeft gescoord maar een cumulatieve xG van 15,8 heeft. Dat verschil van bijna vier doelpunten suggereert dat Utrecht meer kansen creëert dan de doelpunten reflecteren — de afwerking is onder het gemiddelde of de tegenstanders hadden geluk met hun keepers. Als de bookmaker Utrecht prijst op basis van hun werkelijke doelpuntenproductie in plaats van hun xG, kun je mogelijk value vinden door op Utrecht te wedden in de komende wedstrijden.
Dezelfde logica werkt aan de defensieve kant. xG Against (xGA) meet de kwaliteit van de kansen die een team weggeeft. Een team dat weinig doelpunten tegenkrijgt maar een hoge xGA heeft, leeft op geleende tijd. Hun keeper presteert bovengemiddeld, tegenstanders missen ongebruikelijk veel, of een combinatie van beide. Op termijn normaliseert dat, en de resultaten verslechteren.
Het combineren van aanvallende en defensieve xG geeft je een completer beeld. Het xG-verschil per wedstrijd — xG minus xGA — is een krachtige indicator voor de werkelijke sterkte van een team. Clubs met een positief xG-verschil die in de competitiestand achterblijven bij hun verwachte positie, zijn potentiële waarde-weddenschappen. De markt kijkt naar de tabel; jij kijkt naar de onderliggende data.
xG voor specifieke markten
De toepassing van xG gaat verder dan de 1X2-markt. Voor de over/under-markt is het een direct relevante statistiek. Als twee teams elkaar treffen met een gecombineerde xG van 3,2 per wedstrijd over de laatste tien duels, en de bookmaker zet de lijn op 2,5 doelpunten, dan is over statistisch onderbouwd — mits je vertrouwt op de stabiliteit van de xG-productie.
Voor de both teams to score-markt is xG eveneens bruikbaar. Teams met een hoge xG en een hoge xGA produceren wedstrijden waarin beide teams regelmatig scoren. De combinatie van aanvallende kracht en defensieve kwetsbaarheid is precies het profiel dat past bij die markt.
Bij Asian handicap-weddenschappen helpt het xG-verschil om de juiste lijn te bepalen. Als team A een xG-verschil van +1,2 per wedstrijd heeft en team B een verschil van -0,6, suggereert dat een verwacht verschil van bijna twee doelpunten. Vergelijk dat met de handicaplijn van de bookmaker en je ziet of er ruimte is.
Belangrijk: gebruik xG nooit als enige bron. Het is een krachtig instrument in een bredere toolkit. Combineer het met informatie over blessures, tactische wijzigingen, thuisvoordeel, wedstrijdbelang en onderlinge historie. xG vertelt je wat er op het veld is gebeurd in termen van kansencreatie, maar het vertelt je niet waarom — en het waarom is vaak net zo belangrijk voor het voorspellen van toekomstige wedstrijden.
Waar vind je betrouwbare xG-data?
Voor wedders die xG willen integreren in hun analyse, zijn er verschillende toegankelijke bronnen. FBref, onderdeel van het Sports Reference-netwerk, biedt uitgebreide xG-statistieken voor de grote Europese competities, inclusief de Eredivisie. De data komt van StatsBomb en is gratis beschikbaar, wat het een uitstekend startpunt maakt.
Understat is een andere populaire bron die xG-data visualiseert per team, per speler en per wedstrijd. De site dekt de vijf grote Europese competities en biedt tools om xG-trends over het seizoen te volgen. Voor wie specifiek in de Eredivisie geïnteresseerd is, is de dekking minder gedetailleerd dan voor de Premier League of La Liga, maar de basisdata is beschikbaar.
Infogol is een platform dat zich specifiek richt op xG-gebaseerde voetbalanalyse en weddenschappen. Het biedt voorspellingen op basis van hun eigen xG-model en is daarmee een bron die de vertaalslag van data naar wedtips al voor je maakt — al is het altijd verstandig om die vertaalslag zelf te verifiëren.
De verleiding van het getal
xG is verleidelijk precies. Een getal met twee decimalen achter de komma geeft het gevoel van exactheid, van wetenschappelijke zekerheid. Maar achter dat getal zit een model met aannames, beperkingen en onzekerheden. De wedder die xG behandelt als absolute waarheid maakt dezelfde fout als de wedder die puur op onderbuikgevoel vertrouwt — alleen met meer zelfvertrouwen.
De kracht van xG zit niet in het getal zelf maar in het denkkader dat het biedt. Het dwingt je om verder te kijken dan de uitslag, om prestatie te scheiden van resultaat, om te vragen of een team werkelijk goed of slecht speelt of dat de scoreborden toevallig meevallen. Die manier van denken — kritisch, datagestuurd, sceptisch tegenover oppervlakkige conclusies — maakt je een betere analist. En een betere analist is, op de lange termijn, een betere wedder.