Expected Goals (xG) bij Voetbal: Wat Betekent Het voor Wedders?

Er zijn statistieken die je vertellen wat er is gebeurd, en er zijn statistieken die je vertellen wat er had moeten gebeuren. Expected Goals valt in die tweede categorie — en dat maakt het zo waardevol voor iedereen die serieus nadenkt over live wedden op voetbal. De metric is in een paar jaar tijd geëvolueerd van een niche-tool voor analisten naar een standaard onderdeel van elke voetbaluitzending. Maar wat zegt xG nu precies, en hoe gebruik je het als wedder?

Wat zijn Expected Goals precies?

Expected Goals, afgekort als xG, is een statistische maatstaf die de kwaliteit van een doelkans uitdrukt in een getal tussen 0 en 1. Elk schot dat een speler neemt krijgt een xG-waarde toegewezen op basis van historische data. Een penalty heeft bijvoorbeeld een xG van ongeveer 0,76 — dat betekent dat van alle penalty’s die ooit zijn geanalyseerd, ongeveer 76% erin ging. Een kopbal van buiten het zestienmetergebied komt misschien niet verder dan 0,02.

Het model houdt rekening met meerdere factoren: de afstand tot het doel, de hoek waaronder geschoten wordt, het lichaamsdeel dat gebruikt wordt, het type aanval dat aan het schot voorafging en of de keeper uit positie was. Geavanceerdere modellen nemen ook de druk van verdedigers mee en de snelheid van de bal. Het resultaat is een getal dat aangeeft hoe waarschijnlijk het is dat een gemiddelde speler in die situatie scoort.

Stel dat een team in een wedstrijd tien schoten lost met een gezamenlijke xG van 2,3. Dat betekent dat je op basis van de kwaliteit van die kansen zou verwachten dat er gemiddeld 2,3 doelpunten uit voortkomen. Als het team uiteindelijk 0 keer scoort, was er sprake van pech of slecht afmaken. Scoort het team 4 keer, dan heeft het boven verwachting gepresteerd. Die afwijking tussen xG en werkelijke doelpunten vertelt een verhaal dat de eindstand alleen niet kan vertellen.

Hoe wordt xG berekend?

De berekening van xG begint met een enorme dataset van historische schoten — honderdduizenden, soms miljoenen. Elk schot wordt gekoppeld aan het uiteindelijke resultaat: goal of geen goal. Vervolgens worden machine learning-modellen getraind om op basis van de kenmerken van elk schot een waarschijnlijkheid te voorspellen.

De basisfactoren die in vrijwel elk xG-model terugkomen zijn de locatie van het schot op het veld, de hoek ten opzichte van het doel en of het schot met de voet of het hoofd werd genomen. Daarnaast speelt het type aanval een rol: een schot na een doorbraak heeft doorgaans een hogere xG dan een poging van afstand na een lange rally. Sommige modellen, zoals die van StatsBomb, voegen nog gedetailleerdere informatie toe, zoals de positie van alle verdedigers en de keeper op het moment van het schot.

Belangrijk om te weten: er is niet één universeel xG-model. Opta, StatsBomb, Understat en FBref hanteren elk hun eigen methodologie. De verschillen zijn meestal klein, maar ze bestaan. Een wedstrijd kan bij de ene aanbieder een xG van 1,8 – 0,9 opleveren en bij de andere 2,1 – 1,0. Voor wedders is het handig om consistent dezelfde bron te gebruiken zodat je vergelijkingen over wedstrijden heen kunt maken.

Waarom xG waardevoller is dan traditionele statistieken

Balbezit en het aantal schoten zijn statistieken die al decennia meegaan, maar ze vertellen slechts een deel van het verhaal. Een team kan 70% balbezit hebben en toch nauwelijks gevaarlijk zijn geweest. Vijftien schoten klinkt indrukwekkend, maar als veertien daarvan van buiten de zestien kwamen, stelde de dreiging weinig voor.

xG lost dat probleem op door kwaliteit boven kwantiteit te stellen. Het maakt niet uit hoeveel schoten een team neemt — het gaat erom hoe goed die kansen waren. Een team met slechts drie schoten maar een xG van 2,5 heeft objectief betere kansen gehad dan een team met twaalf schoten en een xG van 0,8. Voor wedders die tijdens een live wedstrijd willen beoordelen welk team de betere kaarten heeft, is dat onderscheid cruciaal.

Bovendien helpt xG om door de ruis van geluk en pech heen te kijken. Op korte termijn — een enkele wedstrijd — kan de uitslag flink afwijken van wat xG voorspelt. Maar over een reeks van wedstrijden convergeren de werkelijke doelpunten van teams naar hun xG-gemiddelden. Een team dat structureel meer scoort dan zijn xG suggereert, vertrouwt waarschijnlijk op uitzonderlijk afwerkingstalent of, waarschijnlijker, op een portie geluk die niet eeuwig meegaat.

xG toepassen bij live wedden

Tijdens een live wedstrijd veranderen de odds voortdurend op basis van de stand, het tijdstip en het spelverloop. Maar bookmakers reageren primair op wat er daadwerkelijk gebeurt — een goal, een rode kaart — en niet altijd even snel op de onderliggende kwaliteit van kansen. Daar ligt de opening voor wedders die xG in de gaten houden.

Neem een concrete situatie: het staat 0-0 na 60 minuten, maar de thuisploeg heeft een xG van 1,9 opgebouwd tegen slechts 0,3 voor de uitploeg. De odds voor een thuisoverwinning zijn misschien nog relatief hoog omdat er simpelweg nog niet gescoord is. Maar de data vertelt je dat de thuisploeg kwalitatief veel betere kansen heeft gecreëerd en dat de doelpunten statistisch gezien op komst zijn. Dat kan een interessant moment zijn om in te stappen.

Andersom werkt het ook. Als een team met 1-0 voorstaat maar een xG van slechts 0,2 heeft terwijl de tegenstander op 1,6 staat, dan is die voorsprong behoorlijk fragiel. De odds reflecteren de stand, maar xG waarschuwt je dat de balans van het spel de andere kant op wijst. In zo’n geval kan een weddenschap op de gelijkmaker of zelfs de achterstandsploeg waarde bieden.

Veelgemaakte fouten bij het gebruik van xG

De meest voorkomende fout is xG behandelen als een exacte voorspelling. Een xG van 2,3 betekent niet dat er 2 of 3 goals zullen vallen — het is een statistische verwachting op basis van gemiddelden. In een individuele wedstrijd kan het resultaat er flink van afwijken, en dat is normaal. xG is het meest betrouwbaar over grotere samples: een heel seizoen, een reeks van tien wedstrijden, niet één enkele helft.

Een andere valkuil is het negeren van context. Niet alle xG-punten zijn gelijk. Een xG van 1,5 opgebouwd uit één grote kans van 0,8 en een paar kleine mogelijkheden is wezenlijk anders dan een xG van 1,5 uit vijftien schoten van 0,1. In het eerste geval was er een moment waarop het heel dicht bij een goal was; in het tweede geval was de dreiging verspreid en minder acuut. Wie alleen naar het totale xG-getal kijkt, mist die nuance.

Tot slot is het verleidelijk om xG retroactief te gebruiken als bewijs dat je gelijk had. Dat is een vorm van confirmation bias. Als je een weddenschap verliest en vervolgens ziet dat jouw team een hogere xG had, betekent dat niet automatisch dat je goed gegokt hebt. De weddenschap ging over de odds die je op dat moment accepteerde, en of die odds waarde boden gegeven alle beschikbare informatie — niet alleen xG.

Waar vind je betrouwbare xG-data?

Voor wedders die xG willen integreren in hun analyse zijn er meerdere toegankelijke bronnen. FBref biedt uitgebreide xG-statistieken op wedstrijd- en seizoensniveau, gebaseerd op Opta-data. Understat is populair vanwege de gebruiksvriendelijke interface en de mogelijkheid om xG per wedstrijd, per team en per speler te bekijken. Beide platforms zijn gratis toegankelijk en dekken de belangrijkste Europese competities, waaronder de Eredivisie.

Tijdens live wedstrijden is het lastiger om real-time xG te volgen, maar steeds meer platforms bieden dit aan. Sommige bookmakers tonen inmiddels xG-waarden in hun live-interface, en op sociale media delen analisten regelmatig xG-updates gedurende wedstrijden. Het loont om voor de wedstrijd je bronnen klaar te hebben zodat je tijdens het spel snel kunt schakelen.

De kwaliteit van je bron maakt uit. Modellen die alleen rekening houden met de locatie van het schot zijn minder nauwkeurig dan modellen die ook verdedigersposities meenemen. StatsBomb staat bekend om een van de meest gedetailleerde modellen, terwijl de basismodellen van Opta, die onder meer door FBref worden gebruikt, iets conservatiever zijn. Voor de gemiddelde wedder is het verschil vaak klein genoeg om te verwaarlozen, maar wie er serieus mee aan de slag gaat, doet er goed aan om de methodologie van zijn voorkeursbron te begrijpen.

Het verschil tussen verwachting en werkelijkheid

Voetbal zou geen voetbal zijn als statistiek altijd gelijk kreeg. En juist dat spanningsveld tussen verwachting en werkelijkheid maakt xG zo’n fascinerende metric voor wedders. Het is geen kristallen bol, maar een kompas — het wijst je een richting op basis van wat de data laat zien, zonder te garanderen dat je aankomt waar je verwacht.

De wedders die het meeste profiteren van xG zijn niet degenen die het als enige waarheid behandelen, maar degenen die het combineren met hun eigen observaties, kennis van de competitie en inzicht in de context van een wedstrijd. xG vertelt je wat de camera’s missen, maar je eigen ogen vertellen je wat de modellen missen. Die combinatie maakt je niet onfeilbaar, maar het geeft je wel een voorsprong op iedereen die alleen naar de stand kijkt.