xG i Fodbold: Sådan Fungerer Expected Goals — og Sådan Bruger du det til Betting
For seks år siden sad jeg med en kupon, der burde have vundet. Holdet jeg spillede på havde haft 22 skud, domineret kampen fuldstændig — og tabt 0-1 på et enkelt kontraangreb. Jeg var frustreret. Men da jeg tjekkede xG-tallene bagefter, viste de 1.4 mod 0.8. Holdet havde skabt chancer, ja — men kvaliteten af chancerne var middelmådig. Langt de fleste skud var fra dårlige positioner, under pres, uden reelt udsyn til mål. Det var den dag, xG ændrede måden, jeg analyserer kampe på.
Expected Goals er den metrik, der har revolutioneret moderne fodboldanalyse, og for bettors er det et af de mest kraftfulde værktøjer til at vurdere, om odds afspejler virkeligheden. En xG-baseret tilgang til Bundesliga-data over 11 sæsoner har vist et afkast på omkring 10 procent ved markedsodds og op mod 15 procent ved bedste tilgængelige odds. Det er ikke magi — det er matematik.
Hvad måler xG — og hvad måler det ikke?
Forestil dig en angriber, der modtager bolden seks meter fra mål, med kun målmanden foran sig og ingen forsvarere i vejen. Det er en stor chance. Forestil dig nu en midtbanespiller, der hamrer til bolden fra 30 meter med tre forsvarere i vejen. Det er en lille chance. xG sætter tal på den forskel.
Expected Goals tildeler hvert skud i en kamp en sandsynlighed mellem 0 og 1 baseret på historiske data. Et straffespark har en xG på cirka 0,76 — altså scorer det gennemsnitligt i 76 procent af tilfældene. Et hovedstød fra otte meter efter et indlæg ligger typisk på omkring 0,15 xG. Et langskud fra 25 meter lander på cirka 0,03 xG. Summen af alle skud i en kamp giver holdets samlede xG — det forventede antal mål baseret på chancernes kvalitet.
Men xG er ikke en krystalkugle. Metrikken måler chancekvalitet, ikke individuel kvalitet. Lionel Messi og en 3. divisionsangriber får den samme xG-værdi på det samme skud fra den samme position. I praksis scorer Messi oftere — men modellen tager ikke højde for det. xG fortæller dig, hvad et gennemsnitligt udfald burde være. Ikke hvad der vil ske i én specifik situation med én specifik spiller.
Dertil kommer, at xG ikke fanger alt, der sker i en kamp. Forsvarsmæssig organisering, momentum, taktiske skift midt i kampen — alt det ligger uden for modellens rækkevidde. xG er et linse, ikke et komplet billede.
De 20+ variable i en xG-model
De fleste tænker på xG som “afstand til mål plus vinkel”. Det var måske rigtigt for ti år siden. Moderne xG-modeller opererer med over 20 variable, og kompleksiteten er vokset enormt. Opta’s model, en af de mest udbredte i branchen, er trænet på tæt på en million historiske skud — og den bruger langt mere end geometri.
Den basale kerne er stadig afstand og vinkel. Jo tættere du er på mål, og jo bredere din vinkel til målrammen, desto højere xG. Men derfra begynder lagene. Modellen inddrager forsvarspres — hvor mange forsvarere er mellem skytter og mål, og hvor tæt er de. Den ser på målmandens position — er keeperen ude af position, eller dækker han vinklen optimalt. Den registrerer, om skuddet er med fod eller hoved. Om det kommer efter et indlæg, en dribling, en stikning eller et genvundet bold. Om det er førstegangs eller efter et touch. Om det er open play eller dødboldsituation.
Nyere modeller tilføjer kontekstuelle lag. Kampens stadie, holdets formation, modstanderens defensive stil, om det er hjemme eller ude. Nogle modeller inkorporerer fysiske data som spillerens løbshastighed i øjeblikket inden skuddet. Alt sammen fodres ind i maskinlæringsalgoritmer, der justerer sandsynligheden.
Det er værd at forstå denne kompleksitet, fordi den fortæller dig noget vigtigt: xG er ikke et simpelt tal, du kan beregne med en lommeregner. Det er en statistisk model med lag af nuancer. Når du ser et xG-tal, repræsenterer det tusindvis af datapunkter kogt ned til ét tal. Respekter den kompleksitet — men forstå også dens begrænsninger.
xG’s begrænsninger og blinde vinkler
Jeg har begået den fejl selv: at stole blindt på xG og ignorere kontekst. Det kostede mig penge, og det lærte mig at behandle xG som ét værktøj i en værktøjskasse — ikke som det eneste.
Den mest åbenlyse begrænsning er individuel kvalitet. Hold med exceptionelle afsluttere — tænk spillere, der konsekvent overpræsterer deres xG — vil score flere mål end modellen forudsiger. Omvendt vil hold med svage afsluttere underpræstere. Over en hel sæson udjævner det sig ofte, men i enkeltkampe kan forskellen være markant.
En anden blind vinkel er defensive aktioner, der aldrig bliver til skud. Et hold, der presser modstanderen ud i dårlige positioner og forhindrer skud helt, belønnes ikke i xG-modellen. xG måler kun skud, der faktisk afgives. Alt det defensive arbejde, der stopper chancerne, før de opstår, er usynligt.
Dertil kommer data-timing. De xG-tal, du finder frit tilgængeligt online, opdateres typisk efter kampen. De er retrospektive. Du kan bruge dem til at evaluere holdpræstationer over tid og identificere mønstre, men de fortæller dig ikke i realtid, hvad der sker. Og kvaliteten af xG-data varierer mellem udbydere — forskellige modeller giver forskellige tal for det samme skud.
Den vigtigste takeaway: xG er stærkest som et langsigtet analyseværktøj. Over 10-20 kampe afslører xG-tendenser, som det blotte øje ikke fanger. I enkeltkampe er det upålideligt som primær beslutningskilde.
Fra xG til betting: et praktisk eksempel
Lad mig vise, hvordan jeg faktisk bruger xG i min daglige analyse. Det er ikke kompliceret, men det kræver disciplin og en systematisk tilgang.
Forestil dig to hold, der skal mødes i en ligakamp. Hold A har over de seneste 10 kampe skabt en gennemsnitlig xG på 1.8 per kamp og tilladt 1.1. Hold B har skabt 1.2 og tilladt 1.5. Bookmakeren tilbyder odds på 1.90 for Hold A’s sejr. Er det value?
Først estimerer jeg sandsynligheder baseret på xG-profilen. Hold A’s offensive og defensive xG-data antyder, at de burde vinde denne kamp i omtrent 50-55 procent af tilfældene. Et odds på 1.90 svarer til en implied probability på cirka 52,6 procent. Ligger min xG-baserede vurdering over 52,6 procent, er der potentiel value. Ligger den under, er oddset for lavt.
Men — og her er det afgørende — jeg stopper aldrig ved xG alene. Jeg krydstjekker med kontekstuelle faktorer. Har Hold A nøglespillere ude med skader? Spiller de hjemme eller ude? Kommer de fra en europæisk kamp midt i ugen? xG giver mig et udgangspunkt, konteksten justerer billedet.
Den Bundesliga-baserede undersøgelse, der viste 10-15 procent afkast over 11 sæsoner, brugte netop denne metode: xG-baserede sandsynlighedsestimater sammenlignet med markedsodds. Profitten kom primært fra hjemmebanesejre, hvor xG-data var særligt præcis. Det er ikke et garanteret system — men det er en dokumenteret edge, og den bygger på data frem for mavefornemmelse.
Vil du dykke dybere ned i, hvordan du omsætter sandsynlighedsestimater til konkret value, anbefaler jeg at læse videre om value betting i fodbold. Det er her, xG-analyse møder praktisk betting-strategi.
Hvor finder man xG-data gratis?
Flere hjemmesider tilbyder gratis xG-data. FBref, Understat og FotMob er blandt de mest brugte. Kvaliteten og detaljeringsgraden varierer — FBref bruger StatsBomb-data, mens Understat har sin egen model. Sammenlign gerne tal fra flere kilder for at få et mere komplet billede.
Kan xG alene forudsige kampresultater?
Nej. xG måler chancekvalitet baseret på historiske gennemsnit, men den fanger ikke individuelle spillerfærdigheder, taktiske tilpasninger eller psykologiske faktorer. xG er stærkest som supplement til andre analyseværktøjer og mest pålidelig over mange kampe — ikke i enkeltkampe.
Udarbejdet af redaktionen på ”bet Fodbold”.
