xGx und die wichtige Fortentwicklung

In meinem damaligen kritischen Artikel zu xG (2023) prangerte ich bereits die „sehr vage“ und oberflächliche Betrachtung und Nutzung an. Zwei Jahre später hat sich einiges getan im Bereich „xG“. Viele Varianten wurden entwickelt, wichtiger erscheinen mir gar die xG-Werte, die mit xG oder xA/xaG gar nichts direkt miteinander zutun haben.

Hier eine (KI-erstellt, war etwas einfacher) Liste aller wichtigen bisher bekannten xGx-Varianten:

Grundvarianten (Schussbezogene Modelle)

Diese Modelle bewerten die Wahrscheinlichkeit, dass ein einzelner Schuss zu einem Tor führt:

1. xG (Expected Goals)
   – Standardmodell auf Basis von Schussposition, Winkel, Entfernung, Schusstyp, Kopfball/Fuß, etc.
2. Post-Shot xG (PSxG)
   – Bewertet die Torwahrscheinlichkeit nach dem Schuss, basierend auf Richtung, Platzierung und Stärke des Schusses.
   – Hilfreich zur Bewertung von Torhütern.
3. Non-Shot xG
   – Bewertet Angriffe oder Spielzüge, auch wenn kein Abschluss erfolgt. Fokus auf Wahrscheinlichkeit, dass eine Szene zu einem Tor hätte führen können.

Erweiterte & kontextbezogene xG-Varianten

Diese Modelle nutzen Kontext wie Spielsituation, Gegnerdruck oder Taktik:

4. xGOT (xG On Target)
   – Wie wahrscheinlich ist es, dass ein Schuss, der aufs Tor geht, zu einem Tor wird?
   – Kombination aus PSxG und tatsächlicher Ausrichtung aufs Tor.
5. xThreat (Expected Threat, kurz xT)
   – Misst, wie gefährlich eine Aktion ist, bevor der Schuss stattfindet (z. B. Pass, Ballträger-Dribbling).
   – Nicht schussbasiert, sondern raumbasiert.
6. xOVA (Expected Offensive Value Added)
   – Misst den erwarteten Wert aller Offensivaktionen, nicht nur Schüsse.
   – Erweiterung von xThreat, z. B. durch Ballzirkulation.
7. xChain & xBuildup
   – xChain: Bewertet alle Aktionen, die zu einem Abschluss führen.
   – xBuildup: Wie xChain, aber ohne den Schuss selbst.

Modellspezifische oder proprietäre Varianten

Oftmals von Analysefirmen oder Plattformen entwickelt:

8. VAEP (Valuing Actions by Estimating Probabilities)
   – Entwickelt von SciSports. Bewertet jede Aktion nach ihrer Auswirkung auf das Spiel (Torwahrscheinlichkeit erhöhen oder senken).
9. QPass / QBall (Quality of Pass/Ball)
   – Wie wahrscheinlich ist es, dass ein Pass zu einer besseren Torchance führt?
10. Possession Value (PV / PVxG)
    – Bewertet den Wert eines Ballbesitzes, unabhängig davon, ob ein Abschluss erfolgt.
11. xT+xG kombiniert (Kompositmodelle)
    – Kombiniert Threat-Erzeugung und xG zum besseren Verständnis des Spielaufbaus.

Spezialfälle & situationsspezifische xG-Modelle

12. Set Piece xG
    – Bewertung von xG bei Standardsituationen (Ecken, Freistöße).
13. Open Play xG
    – Bewertung ausschließlich aus dem offenen Spiel heraus, ohne Standards.
14. Transition xG
    – Bewertung von Torchancen nach Ballverlust des Gegners (Konter).
15. xG per Shot Type (z. B. Kopfball-xG, Weitschuss-xG)
    – Unterscheidung nach Schusstyp.
16. xG Adjusted for Goalkeeper Positioning
    – Inklusive Daten zur Torwartposition beim Schuss.

Team-/Spieler-Statistiken auf Basis von xG

17. xG per 90 (xG/90)
    – Durchschnittliche xG pro 90 Minuten.
18. xG Differential (xG – Gegentor-xG)
    – Bewertet Teamleistung offensiv & defensiv.
19. xG Overperformance / Underperformance
    – Vergleich tatsächlicher Tore mit xG (Tore – xG).
20. xG per Touch / per Attack / per Possession
    – Mikroanalysen der Effizienz von Ballaktionen.

Uff, eine doch gewaltige Entwicklung, die ich aber als sehr positiv und wichtig betrachte.
Der „QPass“, den ich selbst vor Jahren (die Bezeichnung eigentlich bei mir für flachen Crosspass into Box)
selbst mir einfielen lies, ist die Qualität eines finalen Passes vertikal oder eben Cross u.a. in den Rückraum der Box.

Dazu gibt es neben xA (erwartete Assists ohne Tor), auch interessante Varianten wie xT (Expected Threat, indirekte Vorbereitung zu einem Shot) oder den von mir entwickelten Wert xIA (erwartete Intensiv Attacks on Box).

Was macht man nun mit all diesen Daten ?

Je nachdem, was man genau wissen will, kann man Einzel-Varianten oder sie auch miteinander verknüpfen.

Fazit:

Die Ergebnisse und Nettoanalyse ergibt das zahlenorientierte leistungsorientierte Spiegelbild eines Spiels.
Unabhängig eines Ergebnisses (was Fans grundsätzlich wie auch Tore primär in den Vordergrund setzen).
Trainer müssen auch bei einem 6:2 sich genau anschauen, warum sie 2 Gegentore bekommen haben. Oder bei einem soliden 3:0 sich fragen, warum man dafür 27 Shots benötigte und einen xIA von 25,3 VOR dem Spiel besaß, NACH dem Spiel sogar 27 Attacks schaffte. Ergebnisse spiegeln nur sehr selten die wirkliche Leistung wieder.