Es gibt Statistiken, die zählen, was passiert ist. Und es gibt Statistiken, die zeigen, was hätte passieren sollen. Expected Goals — kurz xG — gehört zur zweiten Kategorie. Das Modell bewertet nicht das tatsächliche Ergebnis, sondern die Qualität der Torchancen, die beide Teams kreiert haben. Ein Spiel, das 0:0 endet, aber einen xG-Wert von 2,3 zu 1,8 aufweist, war kein langweiliges Remis — es war ein torreiches Spiel, in dem die Abschlüsse fehlten. Für Sportwetter ist diese Diskrepanz zwischen xG und Realität ein Fenster, durch das sich Value-Wetten finden lassen, die auf Basis klassischer Statistiken unsichtbar bleiben. Zurück zur Zentrale für Prognosen.
Was genau misst Expected Goals?
Das xG-Modell ordnet jedem Torschuss eine Wahrscheinlichkeit zu, basierend auf historischen Daten vergleichbarer Schüsse. Ein Kopfball aus acht Metern nach einer Flanke hat vielleicht einen xG-Wert von 0,12 — also eine 12-prozentige Trefferwahrscheinlichkeit. Ein Schuss aus zwei Metern nach einem Querpass hat einen xG-Wert von 0,65. Ein Fernschuss aus 25 Metern liegt bei 0,03. Die Summe aller xG-Werte eines Teams über ein Spiel ergibt den Gesamt-xG — die erwartete Toranzahl basierend auf der Qualität der erzeugten Chancen.
Die Faktoren, die in die Berechnung einfließen, variieren je nach Modell. Grundlegende xG-Modelle berücksichtigen die Position des Schusses, den Winkel zum Tor, die Art des Abschlusses und ob der Schuss mit dem Kopf oder dem Fuß erfolgte. Fortgeschrittene Modelle integrieren zusätzlich die Spielsituation: Konter oder Aufbauspiel, Anzahl der Verteidiger zwischen Ball und Tor, Geschwindigkeit des Angriffs und sogar den Druck durch herannahende Gegenspieler.
Für die Bundesliga veröffentlichen mehrere Plattformen xG-Daten, die frei zugänglich sind. Die Zahlen unterscheiden sich leicht zwischen den Anbietern, weil jedes Modell andere Faktoren gewichtet, aber die Grundtendenz ist konsistent. Ein Team mit einem Saisonschnitt von 1,8 xG pro Spiel kreiert unabhängig vom Modell mehr hochwertige Chancen als eines mit 1,0 xG. Die Differenzen zwischen den Modellen betreffen die zweite Nachkommastelle, nicht die strategische Einordnung.
Warum xG für Wetter wertvoller ist als Tore
Tore lügen — manchmal. Ein Team kann drei Tore aus drei Schüssen erzielen und dabei einen xG-Wert von nur 0,5 haben. Das bedeutet: Die drei Tore waren extrem unwahrscheinlich und eher Glück als System. Umgekehrt kann ein Team 25 Torschüsse abfeuern, einen xG-Wert von 3,2 aufweisen und trotzdem nur einmal treffen. Die tatsächlichen Tore variieren kurzfristig stark, die xG-Werte sind über die Zeit stabiler und damit bessere Prädiktoren für künftige Leistungen.
Für Bundesliga-Wetter hat das direkte Konsequenzen. Wenn ein Team in den letzten fünf Spielen nur zweimal getroffen hat, aber einen Durchschnitts-xG von 1,9 aufweist, spricht die Datenlage dafür, dass die Tore zurückkommen werden. Die Quoten auf Spiele dieses Teams werden von der aktuellen Torflaute beeinflusst — der Buchmacher sieht die niedrige Torausbeute und passt die Quoten entsprechend an. Wer die xG-Daten kennt, sieht dagegen ein Team, das unter seinem erwarteten Niveau abschließt und mittelfristig zur Regression tendieren wird. Genau hier liegt Value. Diese Daten helfen dir massiv dabei, langfristig Value-Wetten zu finden.
Das Gegenstück ist genauso relevant. Ein Team, das in einer Hochphase vier Tore pro Spiel erzielt, aber nur einen xG-Wert von 1,5 hat, lebt über seinen Verhältnissen. Die Toreffizienz wird sich normalisieren, und die Quoten, die auf Basis der aktuellen Torflut berechnet werden, überschätzen die tatsächliche Stärke. Under-Wetten auf Spiele dieses Teams können in solchen Phasen Value bieten.
xG in der Bundesliga-Praxis: Anwendungsbeispiele
Nehmen wir ein konkretes Szenario: Stuttgart hat in den letzten sechs Spielen nur fünf Tore erzielt, steht aber bei einem xG-Durchschnitt von 2,0 pro Spiel. Die Medien schreiben von einer Krise, die Fans sind besorgt, und die Quoten auf Stuttgart-Siege steigen auf ungewöhnlich hohe Werte. Ein Wetter, der nur auf Ergebnisse schaut, meidet Stuttgart. Ein Wetter, der xG analysiert, sieht die Situation anders: Stuttgart kreiert konstant hochwertige Chancen, scheitert aber an der Verwertung. Historisch gesehen ist diese Diskrepanz nicht nachhaltig — die Abschlussqualität pendelt sich über zehn bis fünfzehn Spiele auf den Durchschnitt ein. Die Value-Wette wäre hier: Stuttgart-Sieg oder Over 2,5 zu Quoten, die die aktuelle Torflaute übergewichten.
Ein zweites Anwendungsfeld betrifft die Defensivanalyse. Das Pendant zum offensiven xG ist der xGA — Expected Goals Against, also die erwarteten Gegentore. Ein Team mit niedrigem xGA lässt wenig hochwertige Chancen zu. Wenn dieses Team trotzdem viele Gegentore kassiert, liegt das an unterdurchschnittlicher Torwartleistung oder individuellen Fehlern — beides Faktoren, die sich normalisieren. Under-Wetten auf Spiele solcher Teams bieten in Phasen hoher Gegentorquoten oft Value, weil der Markt die aktuelle Ergebnislage stärker gewichtet als die strukturelle Defensivstärke.
Auch für BTTS-Wetten sind xG-Daten aufschlussreich. Wenn beide Teams einen offensiven xG von über 1,5 aufweisen, ist die Wahrscheinlichkeit hoch, dass beide treffen — auch wenn eines der Teams zuletzt torlos geblieben ist. Die xG-Daten zeigen: Die Chancen waren da, nur die Verwertung fehlte. Bei einer Paarung zweier Teams mit hohem xG und gleichzeitig hohem xGA — also offensiv stark und defensiv anfällig — ist BTTS Ja eine datengestützte Wette mit solidem Fundament.
Die Grenzen von xG
So mächtig xG als Analysewerkzeug ist, so wichtig ist es, seine Grenzen zu kennen. Erstens: xG bewertet die Qualität der Chance, nicht die Qualität des Schützen. Ein Elfmeter hat denselben xG-Wert, egal ob ihn ein Weltklasse-Stürmer oder ein Verteidiger schießt. In der Realität ist der Unterschied in der Verwertungsquote erheblich. Teams mit außergewöhnlich guten Abschluss-Spezialisten können dauerhaft über ihrem xG-Wert abschließen, ohne dass das ein statistisches Artefakt ist.
Zweitens: xG erfasst keine Spielsituationen, die gar nicht zu Schüssen führen. Ein Team, das durch brillante Defensive den Gegner daran hindert, überhaupt in Schusspositionen zu kommen, hat einen niedrigen xGA-Wert — aber nicht, weil die Chancen schlecht verwertet wurden, sondern weil sie gar nicht erst entstanden. Diese Information steckt in den xG-Zahlen, wird aber leicht übersehen, wenn man nur auf den Gesamtwert schaut, ohne die zugrunde liegenden Schussdaten zu analysieren.
Drittens: xG ist eine retrospektive Metrik. Sie beschreibt, was in vergangenen Spielen passiert ist, nicht was in zukünftigen passieren wird. Die Annahme, dass ein Team mit 2,0 xG pro Spiel auch im nächsten Spiel 2,0 xG produzieren wird, ist eine Extrapolation — und Extrapolationen haben Grenzen. Personalveränderungen, Taktikwechsel, Formkurven und Gegner beeinflussen den xG-Wert von Spiel zu Spiel erheblich. Der Saisondurchschnitt glättet diese Schwankungen, aber er eliminiert sie nicht.
Datenquellen und Integration in die eigene Analyse
Wer xG-Daten in seine Bundesliga-Wettanalyse integrieren will, findet auf Plattformen wie FBref, Understat und WhoScored frei zugängliche Daten. FBref bietet die umfangreichsten xG-Statistiken, aufgeschlüsselt nach Spielen, Teams und Spielern. Understat fokussiert sich auf die Top-5-Ligen und liefert visualisierte xG-Verläufe und Schusspositionskarten. WhoScored ergänzt xG-Daten mit detaillierten Match-Statistiken.
Der effektivste Workflow beginnt mit dem Vergleich zwischen xG und tatsächlichen Toren über die letzten zehn Spiele. Weicht der Wert signifikant ab — mehr als 0,5 Tore pro Spiel Differenz —, liegt eine potenzielle Regression vor. Dann prüft man, ob die Abweichung durch strukturelle Gründe erklärbar ist (neuer Stürmer, Torwartwechsel, taktische Umstellung) oder ob sie auf Varianz zurückzuführen ist. Im zweiten Fall ist die Regression wahrscheinlich, und die Wettquoten, die auf den aktuellen Ergebnissen basieren, bieten möglicherweise Value.
Die Zahl hinter der Zahl
Expected Goals sind keine Kristallkugel. Sie sagen nicht voraus, was passieren wird. Sie sagen, was auf Basis der erzeugten Chancen hätte passieren sollen. Diese Unterscheidung ist subtil, aber fundamental. Wer xG als Vorhersage missversteht, wird enttäuscht. Wer es als Bewertungsinstrument nutzt — als Werkzeug, das die Qualität einer Mannschaft unabhängig von Glück und Pech misst —, hat einen analytischen Vorteil. Denn der Wettmarkt reagiert auf Ergebnisse, und Ergebnisse schwanken. xG schwankt weniger. Und in dieser Differenz liegt das Geld.
