xg model voetbal
Het kernprobleem: verwachtingen versus realiteit
Je kijkt naar een wedstrijd, de score staat 0-0, maar de data vertelt een heel ander verhaal. De verwachting is al een half uur verwijderd van wat er feitelijk gebeurt op het veld. Hier is het punt: de traditionele statistieken zijn verouderd, en het xg model voetbal breekt die barrière.
Wat is xg precies?
Expected Goals, of xg, is geen mystiek getal. Het is een probabilistische score die elke schietkans een waarde geeft, gebaseerd op locatie, hoek, assisttype en defensieve druk. Een schot van 25 meter met één verdediger tussen de bal en het doel krijgt een lagere xg dan een één-op-één met de keeper. Simpel gezegd: hoe beter de kans, hoe hoger de xg-waarde.
Waarom traditionele cijfers falen
Goals, assists, shots on target – dat is de oude school. Ze negeren context. Een team kan 10 schoten hebben, maar als al die schoten van buiten de 30-meterlijn komen, is de kans op scoren nihil. Xg corrigeert dat door de kwaliteit van elke kans te meten. Het maakt de performance van spelers en teams transparanter.
De impact op scouting en tactiek
Scouts gebruiken xg om verborgen talenten te vinden. Een spits die constant een xg van 0,7 per wedstrijd haalt maar slechts 5 goals scoort, is een onderpresteerder die simpelweg geluk heeft gehad. Managers gebruiken het om in-game beslissingen te onderbouwen: “We hebben 1,8 xg, we moeten meer druk zetten.”
Hoe wordt xg berekend?
Er bestaat geen enkele formule die universeel geldt. Modellen variëren per data-provider, maar de basis is een logistische regressie die duizenden eerdere schoten analyseert. Variabelen: afstand, hoek, type pass, lichaamshouding van de verdediger, zelfs de tijd van de wedstrijd. Alles wordt meegenomen. Het resultaat: een getal tussen 0 en 1 voor elke kans.
Praktisch voorbeeld: een wedstrijd in cijfers
Stel, Team A eindigt met 1-0, maar hun xg is 2,3. Team B verliest 0-1, maar hun xg is 2,7. De realiteit: Team B domineerde, creëerde meer kwalitatieve kansen, maar de bal rolde net niet in het net. Het is duidelijk: xg geeft een eerlijker beeld van de wedstrijd, onafhankelijk van geluk of pech.
De valkuilen
Vertrouw niet blind op xg. Het model meet kansen, niet de finishing. Een speler met een briljante afwerking kan een lagere xg hebben, maar toch meer scoren. Bovendien kunnen data-biases ontstaan door slechte tracking of eenzijdige datasets. Gebruik xg als een kompas, niet als een kaart.
Implementatie in je eigen analyse
Wil je meteen aan de slag? Pak een betrouwbare bron, download de wedstrijd-xg-data, plot de cumulatieve xg-curve per team. Kijk naar de momenten waarop de curve stijgt – dat zijn de pieken van gevaar. Vergelijk die momenten met de feitelijke score. Zo zie je direct of je team onder- of over-presteert.
De toekomst van xg
Machine learning, deep-learning netwerken, en real-time tracking zullen xg steeds nauwkeuriger maken. Binnenkort kunnen we xg-waarden per individuele speler in een enkele pass zien, waardoor de tactische mogelijkheden explosief toenemen. De evolutie is al begonnen; je kunt het niet meer negeren.
Actiepunt
Hier is de deal: download de xg model voetbal gids, analyseer je laatste drie wedstrijden, en noteer elke keer dat je xg de uiteindelijke score overtreft – dat is waar je de echte performance-gap vindt.