Fotballstatistikk

Expected Goals gir et annet bilde av fotballkampen

Sluttresultatet viser 0–1. Hjemmelaget har tapt, publikum er skuffet, og bortelaget reiser hjem med tre poeng. Men ved siden av resultatet står to andre tall: 2,4 mot 0,6 i Expected Goals. Hvordan kan laget som skapte klart mest, ende opp uten en eneste scoring?

Det er slike kamper som har gjort xG til en viktig del av moderne fotballanalyse. Resultattavlen viser hvem som scoret. Statistikken over forventede mål forsøker å beskrive hvor gode scoringsmuligheter lagene faktisk skapte.

De to perspektivene er ikke alltid enige. Et lag kan vinne stort med få gode sjanser, mens motstanderen kan dominere store deler av kampen uten å få uttelling. Over tid kan slike forskjeller fortelle noe om både angrepsspill, forsvar og hvor mye tilfeldigheter har påvirket resultatene.

Men Expected Goals er ingen alternativ fasit. En kamp som ender 0–1, har ikke «egentlig» endt 2–1 fordi statistikken viser høyere xG for hjemmelaget. Tallene beskriver noe annet enn sluttresultatet, og nettopp derfor er de interessante.

Hva betyr xG i fotball?

Expected Goals, forkortet xG og ofte omtalt som forventede mål på norsk, er et statistisk mål på kvaliteten til målsjansene et lag eller en spiller får.

Hver avslutning tildeles en verdi som uttrykker hvor sannsynlig det er at forsøket skal ende med scoring, basert på historiske data fra lignende situasjoner.

Et skudd med en xG-verdi på 0,10 representerer en beregnet scoringssannsynlighet på 10 prosent. En avslutning med 0,50 xG vurderes til å ha 50 prosent sannsynlighet for å bli mål.

Det betyr ikke at en bestemt spiller vil score på hvert andre forsøk fra en situasjon med 0,50 xG. Tallet bygger på en modell som sammenligner avslutningen med et stort antall tidligere situasjoner. Den faktiske avslutningen kan bli reddet, blokkert, treffe stolpen eller gå langt over mål.

En modellverdi på 0,25 kan med andre ord leses som at omtrent én av fire sammenlignbare avslutninger forventes å ende i mål. Hva som skjer i akkurat denne situasjonen, vet ikke modellen på forhånd.

Dataleverandøren Opta beskriver hvordan Expected Goals beregnes ved hjelp av historiske skudddata. Hver avslutning får en sannsynlighetsverdi, og disse verdiene kan summeres for å beskrive sjansene et lag har produsert gjennom en kamp.

Femten skudd kan være mindre verdt enn tre

Tradisjonell fotballstatistikk har lenge lagt stor vekt på antall skudd. Hvis det ene laget har 18 avslutninger og motstanderen bare fem, kan det se ut som om det første laget har vært overlegent offensivt.

Men hvor avslutningene kommer fra, betyr mye.

Forestill deg at et lag avslutter tolv ganger fra lang avstand. Hver avslutning har en modellert xG-verdi på 0,04. Til sammen gir disse forsøkene 0,48 xG.

Motstanderen får bare tre avslutninger, men alle kommer fra svært gode posisjoner inne i straffefeltet. Hvis hver av dem vurderes til 0,30 xG, ender laget på 0,90 xG.

Det første laget har altså fire ganger så mange skudd, men omtrent halvparten så høy samlet forventet målverdi.

Dette er et forenklet eksempel, men det viser hvorfor rå skuddstatistikk kan være misvisende. Mange ufarlige avslutninger gir ikke nødvendigvis større sannsynlighet for scoring enn noen få store sjanser.

Det betyr heller ikke at alle langskudd er dårlige valg. En avslutning fra distanse kan være fornuftig når alternativene er begrensede, og noen spillere har en særlig evne til å treffe godt. Men dersom et lag konsekvent er avhengig av vanskelige skudd, kan det være et tegn på problemer med å skape muligheter nærmere mål.

Slik vurderer modellen en målsjanse

En xG-modell kjenner ikke til alt som foregår på banen. Den beregner scoringssannsynlighet ved å bruke informasjon om avslutningen og, avhengig av modellen, situasjonen rundt den.

Noen av de viktigste faktorene er avstanden til mål, vinkelen mot målet, om avslutningen kommer med foten eller hodet, og hvilken type angrepssituasjon skuddet oppstår fra.

En spiller som mottar ballen sentralt seks meter fra mål, vil normalt få en vesentlig høyere xG-verdi enn en spiller som skyter fra 25 meter med liten vinkel mot målet.

Men to skudd fra samme punkt kan også være forskjellige. Den ene spilleren kan stå helt upresset foran en keeper på vei ut. Den andre kan ha flere forsvarere tett rundt seg.

Mer avanserte modeller forsøker å fange opp slike forskjeller. Hudl StatsBomb bruker blant annet informasjon om plasseringen til keeperen og spillerne rundt avslutningssituasjonen. Dette gjør det mulig å skille mellom sjanser som ellers kan se ganske like ut i en enkel skuddoversikt.

Det finnes derfor ikke én universell xG-verdi for et bestemt skudd. Ulike dataleverandører kan vurdere samme situasjon forskjellig fordi de bruker forskjellige datagrunnlag, variabler og beregningsmetoder.

Hvorfor 2,4 xG ikke betyr at laget burde scoret to mål

Vi vender tilbake til oppgjøret som endte 0–1, selv om hjemmelaget samlet oppnådde 2,4 xG og bortelaget 0,6.

Hjemmelagets tall betyr at avslutningene hadde en samlet forventet målverdi på 2,4. Det er ikke en regel om at laget skulle ha scoret to eller tre ganger.

Forventningen er et gjennomsnitt over hypotetiske gjentakelser av de samme avslutningssituasjonene, gitt sannsynlighetene modellen har beregnet.

Anta for eksempel at hjemmelaget hadde fire store sjanser med 0,40 xG hver. Det gir 1,60 xG. Resten av avslutningene bidro med ytterligere 0,80, slik at totalen endte på 2,40.

Hver av de fire store sjansene har likevel 60 prosent beregnet sannsynlighet for ikke å ende med scoring. Selv gode muligheter misbrukes ofte.

Hvis vi for enkelhets skyld antar at de fire avslutningene er uavhengige, blir sannsynligheten for at ingen av dem resulterer i mål:

0,60 × 0,60 × 0,60 × 0,60 = 12,96 %

Dette er et forenklet regnestykke, ikke en beregning av sannsynligheten for at hjemmelaget går målløst gjennom hele kampen. Det viser likevel noe viktig: Fire store sjanser kan alle bli misbrukt uten at resultatet er statistisk umulig.

I virkelige fotballkamper er avslutningene heller ikke nødvendigvis uavhengige. En retur fra keeperen kan føre til et nytt skudd, og slike situasjoner krever særlig oppmerksomhet når man tolker samlet xG.

Hjemmelaget kan derfor ha produsert klart bedre scoringsmuligheter og samtidig ha tapt fullt fortjent etter fotballens regler. Det faktiske resultatet og kvaliteten på sjansene er to forskjellige observasjoner.

Se på når sjansene oppstod

En samlet xG-verdi forteller ikke hele historien om en kamp. Tidspunktet for sjansene kan ha stor betydning for hvordan tallene bør forstås.

Forestill deg at bortelaget tar ledelsen etter ti minutter og deretter legger seg lavt. Hjemmelaget får mer ball, flytter mange spillere fremover og skaper etter hvert en rekke avslutninger.

En stor del av hjemmelagets xG kan dermed komme som følge av at laget ligger under og må angripe.

Det er en annen situasjon enn om hjemmelaget hadde dominert fra første minutt, produsert de samme sjansene og først sluppet inn et mål helt mot slutten.

I begge tilfeller kan statistikken vise 2,4 mot 0,6. Men kampforløpene er forskjellige, og det kan også være forklaringen på hvorfor sjansene oppstod.

Et lag som leder, kan velge å ta mindre offensiv risiko. Motstanderen kan få mer rom og større initiativ, uten at det nødvendigvis betyr at laget som leder, har mistet all kontroll.

Røde kort gjør tolkningen enda mer krevende. Dersom et lag spiller med én mann mer i en halvtime, kan det produsere uvanlig mye xG sammenlignet med sin normale angrepsstyrke.

Det er derfor nyttig å undersøke utviklingen gjennom kampen, ikke bare totalverdiene etter sluttsignalet.

En tidslinje som viser når xG ble produsert, kan avsløre om sjansene kom jevnt fordelt, etter en taktisk endring eller som følge av at ett lag desperat jaktet utligning.

xG, xGA og statistikken som avslører ubalanse

Når man vurderer et lag over flere kamper, er det ikke tilstrekkelig å undersøke hvor mange sjanser laget skaper. Man må også se på kvaliteten på mulighetene det slipper til.

Her brukes xGA, en forkortelse for Expected Goals Against. Tallet beskriver den forventede målverdien på motstandernes avslutninger.

Et lag med 1,8 xG og 0,7 xGA per kamp har, ifølge den aktuelle modellen, skapt sjanser med betydelig høyere samlet verdi enn det har sluppet til.

Forskjellen mellom xG og xGA kalles ofte xG-differanse.

For å vise hvordan tallene kan tolkes, kan vi sammenligne tre tenkte lag over ti kamper:

Lag xG per kamp xGA per kamp xG-differanse per kamp
Fjord 1,90 0,85 +1,05
Dal 1,55 1,50 +0,05
Vik 1,10 1,75 −0,65

Fjord har en tydelig positiv differanse. Laget skaper sjanser med høy samlet målverdi samtidig som det begrenser motstandernes muligheter.

Dal er langt mer balansert, med nesten like høy forventet målverdi for og imot. Vik har derimot større problemer defensivt enn laget klarer å kompensere for offensivt.

Disse tallene ville vært interessante selv om poengtabellen viste en annen rekkefølge.

Men ti kamper er fortsatt et begrenset grunnlag. Motstandernes nivå, hjemme- og bortefordeling og spesielle hendelser kan påvirke gjennomsnittet. xG-differansen bør derfor leses som et mål på sjansebalansen, ikke som en automatisk rangering av lagenes egentlige kvalitet.

Et straffespark kan forandre hele kampbildet på papiret

En spesielt viktig detalj er hvordan straffespark påvirker Expected Goals.

Et straffespark får vanligvis en xG-verdi på omtrent 0,76–0,79, avhengig av modellen. Det betyr at én enkelt situasjon kan bidra med en stor del av lagets samlede xG.

Tenk deg at et lag avslutter kampen med 1,35 xG. Hvis 0,78 av dette kommer fra et straffespark, har de øvrige avslutningene bare produsert 0,57 xG.

Uten denne oppdelingen kan det se ut som om laget har skapt et rimelig godt antall farlige situasjoner. I virkeligheten kan det ha slitt med å komme til gode sjanser i åpent spill.

Derfor finnes også begrepet npxG, Non-Penalty Expected Goals, som betyr forventede mål uten straffespark.

Når man sammenligner angrepsstyrken til lag eller spillere, kan npxG være nyttig fordi straffespark skilles ut fra den øvrige sjanseskapingen.

Det gjør ikke straffespark uviktige. De er en del av fotballen og kan oppstå som følge av godt angrepsspill. Men de bør ikke alltid blandes ukritisk med avslutninger fra åpent spill når man forsøker å forstå hvordan et lag skaper målsjanser.

Hvorfor xG ikke måler hvor godt skuddet ble plassert

To spillere kan få en avslutning fra nesten identisk posisjon. Den ene skyter svakt rett på keeperen. Den andre plasserer ballen hardt i krysset.

Begge avslutningene kan få samme eller svært lik xG-verdi, fordi vanlig xG først og fremst vurderer situasjonen avslutningen tas fra, ikke nødvendigvis hvor godt ballen treffer målet.

For å undersøke kvaliteten på selve avslutningen finnes en annen type statistikk.

xGOT, Expected Goals on Target, er et mål som blant annet brukes av Opta for å vurdere avslutninger som treffer mål, med informasjon om hvor ballen er på vei inn i målrammen. Andre leverandører bruker betegnelser som Post-Shot Expected Goals, ofte forkortet PSxG.

Forskjellen er viktig. Vanlig xG forsøker å anslå hvor stor scoringssjanse en spiller får før man vurderer den endelige plasseringen av skuddet. xGOT eller PSxG kan si mer om hvordan avslutningen faktisk ble utført.

En spiss som får gode sjanser, men stadig skyter rett på keeperen, kan ha en høy samlet xG uten tilsvarende høy kvalitet på avslutningene som treffer mål.

En keeper som regelmessig redder vanskelige skudd, kan på sin side vurderes med modeller som tar hensyn til kvaliteten på skuddene som faktisk kommer mot mål.

Opta forklarer forskjellen nærmere i sin gjennomgang av Expected Goals on Target.

Her må man være oppmerksom på at modellene ikke alltid bruker de samme variablene. Tall fra forskjellige leverandører bør derfor ikke uten videre sammenlignes som om de var produsert med identisk metode.

Det modellen ikke får øye på

Fotballkamper inneholder langt mer enn avslutninger.

En ving kan komme seg forbi to forsvarere og slå et perfekt innlegg langs bakken. Spissen er centimeter fra å nå ballen foran åpent mål, men kommer akkurat for sent.

Situasjonen kan ha vært svært farlig. Likevel blir det ingen avslutning og dermed normalt heller ingen xG-verdi fra selve angrepet.

Dette er en av begrensningene ved tradisjonell xG. Statistikken vurderer avslutningssituasjoner, ikke alle angrep som nesten ender med en avslutning.

Andre sider av spillet er også vanskelige å fange i ett tall: forsvarere som stenger pasningsrom, spillere som trekker motstandere ut av posisjon, eller midtbanespillere som hindrer farlige overganger før de utvikler seg.

Det finnes avanserte modeller som analyserer verdien av pasninger, ballføringer og andre handlinger. Men disse målene er ikke det samme som vanlig Expected Goals.

Dette forklarer hvorfor en dyktig fotballanalytiker fortsatt har behov for å se selve kampen. Statistikken kan avsløre mønstre og stille interessante spørsmål, men den kan ikke beskrive alle taktiske sammenhenger på egen hånd.

Når målene og xG peker i hver sin retning

Over en hel sesong kan forskjellen mellom faktiske mål og forventede mål bli betydelig.

En spiller kan for eksempel score 18 mål fra avslutninger som samlet hadde en xG-verdi på 12. Det betyr at han har scoret seks mål mer enn modellens forventning.

Det er fristende å tolke dette som bevis på eksepsjonell avslutningsevne. Men forskjellen kan ha flere forklaringer.

Spilleren kan være spesielt god til å plassere skuddene, han kan ha hatt en periode med uvanlig god uttelling, eller modellen kan undervurdere enkelte egenskaper ved avslutningene hans.

For å skille ferdigheter fra tilfeldige variasjoner må man undersøke større datamengder, gjerne over flere sesonger. Små utvalg kan gi store utslag.

Det samme gjelder lag som overpresterer i forhold til xG. En stor positiv differanse mellom scorede mål og forventede mål betyr ikke at laget nødvendigvis står foran en svak periode. Det viser at uttellingen hittil har vært høyere enn modellens forventning.

Hva som skjer videre, avhenger blant annet av kvaliteten på spillerne, hvilke sjanser som skapes, og hvor godt modellen beskriver situasjonene.

På den andre siden er det heller ingen garanti for at et lag med mange store, misbrukte sjanser snart vil begynne å score mer. Tidligere bommer skaper ikke en gjeld som fotballen må betale tilbake.

Hva xG kan si om neste kamp

Expected Goals brukes også når lag skal vurderes før et nytt oppgjør. Et lag som over tid skaper sjanser med høy målverdi og slipper til lite, kan ha et sterkere prestasjonsgrunnlag enn resultatene alene viser.

Men xG fra tidligere kamper er ikke det samme som en ferdig prognose.

Man kan ikke uten videre ta et lags gjennomsnitt på 1,8 xG per kamp og konkludere med at laget vil score omtrent 1,8 mål i neste oppgjør.

Motstanderens defensive kvalitet, hjemmebanefordel, tilgjengelige spillere og taktiske forhold kan endre forutsetningene betydelig.

Det er også forskjell på å estimere forventet antall mål og sannsynligheten for bestemte resultater.

To lag med et samlet forventet måltall på 2,5 gir ikke automatisk en bestemt sannsynlighet for over 2,5 mål eller for at begge lag scorer. Slike beregninger krever en modell for hvordan målene kan fordele seg og hvilke forutsetninger som gjelder for resultatfordelingen.

xG kan være en viktig del av en slik modell, men tallene alene er ikke nok til å beregne sikre vinnersjanser eller fastslå hva som vil skje i neste kamp.

Den mest interessante kampen finnes ikke alltid i resultatet

En 3–0-seier kan se overbevisende ut, selv om laget scoret på tre vanskelige avslutninger og knapt skapte noe mer. En 0–0-kamp kan virke hendelsesløs på papiret, men ha inneholdt flere store muligheter og godt angrepsspill fra begge lag.

Expected Goals gjør det lettere å oppdage slike forskjeller.

Det er likevel ikke nødvendig å velge mellom å stole på resultatet og å stole på xG. De forteller om forskjellige sider av den samme kampen.

Resultatet avgjør hvem som får poengene. Expected Goals beskriver kvaliteten på avslutningene slik en bestemt statistisk modell vurderer dem. Tidslinjen, taktikken og de konkrete hendelsene forklarer hvorfor tallene kan ha blitt som de ble.

Når disse opplysningene leses sammen, får man et rikere bilde av fotballkampen. Ikke fordi statistikken kan fortelle hva resultatet burde vært, men fordi den viser noe resultattavlen aldri har forsøkt å forklare.