Expected Goals (xG) erklärt: Was der Wert wirklich misst

Ein xG-Wert von 0,40 behauptet nicht, dass ein bestimmter Spieler bei einem bestimmten Schuss eine Trefferwahrscheinlichkeit von 40 Prozent hatte. Er behauptet etwas über die Vergangenheit. Er besagt, dass in der Datenbank, auf der das Modell trainiert wurde, Schüsse aus ungefähr dieser Position, mit diesem Körperteil, aus einer solchen Spielentwicklung heraus und unter genau so viel Gegnerdruck etwa 40 von hundert Mal im Tor landeten. StatsBomb hat es 2017 noch schroffer formuliert: Ein xG-Wert „sagt in Wahrheit wenig über genau diesen Schuss aus, über den wir gerade sprechen. Es ist eher so etwas wie: ‚In der Vergangenheit ist das so passiert.'“

Diese Unterscheidung klingt nach Erbsenzählerei. Sie ist der ganze Streitpunkt. Fast jeder Einwand gegen Expected Goals – dass die Kennzahl Glück messe, dass sie darüber entscheide, wer den Sieg verdient hätte, dass sie kaputt sein müsse, weil ein Stürmer sie ständig übertrifft – entsteht daraus, dass eine historische Häufigkeit als Prophezeiung über einen einzelnen Torschuss gelesen wird. Im Folgenden geht es darum, was die Zahl ist, wie sie entsteht, was sie tragen kann und an welchen Stellen sie leise auseinanderfällt.

Eine Zahl zwischen null und eins

Opta, dessen Modell die meisten TV-Sender verwenden, definiert es so: Expected Goals „misst die Qualität einer Chance, indem die Wahrscheinlichkeit berechnet wird, dass sie verwertet wird – auf Basis von Informationen über ähnliche Schüsse in der Vergangenheit“. Die Skala reicht von null bis eins. Null ist eine Chance, die nicht zu verwerten war. Eins ist eine Chance, die ein Spieler ausnahmslos jedes Mal nutzen müsste. Alles Interessante spielt sich dazwischen ab.

Wyscout nennt es „ein prädiktives ML-Modell, mit dem für jeden Schuss im Spiel die Trefferwahrscheinlichkeit bewertet wird“. American Soccer Analysis greift zum Basketball und vergleicht die Kennzahl mit der Wurfquote aus dem Feld, mit dem entscheidenden Unterschied, dass xG an den Ort und die Umstände des Versuchs gebunden ist und nicht an die Identität dessen, der ihn ausführt. Das ist Absicht, und genau deshalb ist die Zahl überhaupt brauchbar.

Die Idee ist älter als die Grafikeinblendung. Vic Barnett und Sarah Hilditch benutzten den Begriff „expected goals“ 1993 in einer Arbeit über Kunstrasenplätze im englischen Fußball. Richard Pollard und Charles Reep bauten 1997 den erkennbaren Vorfahren des heutigen Modells und gewichteten Schüsse nach Distanz, Winkel, danach, ob der Ball per Kopf gespielt wurde, und nach dem Druck der Verteidiger. Jake Ensum, Pollard und Samuel Taylor rechneten eine logistische Regression über 930 Schüsse der WM 2002. Sam Greens Beitrag für OptaPro im April 2012 schob die Kennzahl in den Mainstream der Fußballanalyse, und im August 2017 kündigte Match of the Day an, Expected Goals ins Fernsehen zu bringen. Keiner dieser Schritte hat sie für sich allein erfunden.

Worauf das Modell schaut, bevor es entscheidet

Optas aktuelles Modell ist eine XGBoost-Gradient-Boosting-Maschine, trainiert an knapp einer Million Schüssen aus 40 Wettbewerben der Spielzeiten 2018/19 bis 2021/22. Es wertet mehr als 20 Variablen aus, die die Situation bis zum exakten Moment der Ballberührung beschreiben: Entfernung zum Tor, Schusswinkel, Position des Torhüters, wie frei die Sicht auf den Kasten ist, wo die übrigen Spieler stehen, wie viel Druck die Verteidiger ausüben, die Art des Abschlusses – welcher Fuß, Volley, Kopfball, Eins-gegen-eins –, das Angriffsmuster, aus dem er entstand, also freies Spiel, Konter, Freistoß, Ecke oder Einwurf, sowie die vorangegangene Aktion beziehungsweise die Art der Vorlage. Zur Einordnung der Größenordnung: Allein in der Premier League 2022/23 fielen 9.609 Schüsse, in den fünf europäischen Topligen dieser Saison waren es 45.764.

Andere Anbieter treffen andere Entscheidungen, und die Unterschiede sind nicht kosmetisch. Das öffentliche Glossar von Wyscout listet exakt acht Parameter auf, einer davon ist die Einschätzung eines menschlichen Taggers, wie gefährlich der Schuss war. Understat nutzt neuronale Netze, trainiert an mehr als 100.000 Schüssen mit jeweils über zehn Parametern. American Soccer Analysis veröffentlicht seine logistische Regression offen, samt Koeffizienten: Ein per Flanke vorbereiteter Schuss bekommt einen Abschlag von -0,380, ein per Steilpass vorbereiteter dagegen +0,909 – die Art des Modells, zu sagen, dass ein von der Seite quer vor den Körper kommender Ball deutlich schwerer zu verwerten ist als einer, der durch die Kette gespielt wird. Hudl StatsBomb hat die reichhaltigsten Eingangsdaten: ein per Computer Vision erzeugtes Standbild, das die Position jedes im Kamerabild sichtbaren Angreifers und Verteidigers plus die des Torhüters festhält, dazu die Höhe des Balls im Moment der Berührung, denn ein Ball auf Kniehöhe lässt sich sauberer treffen als einer auf Kopfhöhe oder einer, der über den Boden rollt. StatsBomb schätzt, dass allein die Markierung „leeres Tor“ eine Chance von 0,10 auf 0,85 heben kann.

Grobe Größenordnungen, als Illustration und nicht als offizielle Werte zu verstehen: Ein Schuss vom Rand des Fünfmeterraums ist oft mehr als 0,35 wert; ein Abschluss aus 25 Metern liegt meist unter 0,03, ein spekulativer Versuch von außerhalb des Strafraums bei etwa 0,02. Coaches' Voice hat einen Versuch von Mohamed Salah mit einem Wert von 0,08 und ein Tor von Phil Foden mit 0,46 durchgerechnet. Kopfbälle werden aus derselben Position seltener verwertet als Schüsse mit dem Fuß. Der schwache Fuß trifft seltener als der starke. Nichts auf dieser Liste wird jemanden überraschen, der selbst gespielt hat – und das spricht eher für das Modell als gegen es.

Elfmeter sind die Ausnahme. Weil die Bedingungen standardisiert sind – der Punkt, keine Verteidiger, kein Druck, dessen Modellierung sich lohnen würde –, vergeben die Anbieter schlicht eine Konstante. Diese Konstante liegt je nach Zählweise bei etwa 0,76 bis 0,79 und bildet eine Verwertungsquote im Spitzenfußball von irgendwo in den mittleren bis hohen Siebzigern ab. Kurzfristige Summen verzerrt das erheblich: Drei Elfmeter in einem Monat schreiben einem Stürmer weit über zwei xG gut, ohne dass er dafür einen Verteidiger ausgespielt hätte. Genau dafür gibt es Non-Penalty Expected Goals, npxG, als eigene Spalte – und genau diese Spalte will man haben, wenn man Spieler miteinander vergleicht.

Der Tag, an dem das Modell seine Meinung über einen längst abgegebenen Schuss änderte

Im März 2022 brachte Opta eine neue Version seines Modells heraus. Sie strich „Big Chance“ als Eingangsgröße – ein subjektives Etikett, das menschliche Analysten während des Spiels vergaben und das lange dafür kritisiert wurde, subjektiv und zugleich davon kontaminiert zu sein, ob der Schuss drin war – und ergänzte Torhüterposition, Druck der Abwehr und die Freiheit des Abschlusses.

Die Vorher-Nachher-Fälle sind verblüffend. Eine Chance von Richarlison gegen Wolverhampton fiel von 0,80 xG auf rund 0,20, allein weil das neue Modell sehen konnte, wo Jose Sa stand. Roberto Firminos Chance gegen Watford stieg von 0,81 auf 0,96. James Maddison gegen Brentford und Patson Daka gegen Newcastle sprangen beide von etwa 0,47 auf über 0,87, sobald Torhüterposition und fehlender Gegnerdruck berücksichtigt wurden. Der extremste berichtete Fall war ein Schuss von Pedro Neto gegen Leicester, der von 0,035 auf 0,656 kletterte, fast das Zwanzigfache des alten Werts.

Mit diesen Schüssen war nichts geschehen. Sie waren Monate oder Jahre zuvor abgegeben, gehalten oder verwandelt worden. Geändert hat sich die Meinung des Modells über die Kategorie, zu der sie gehören. Das ist der sauberste verfügbare Beleg dafür, was eine xG-Zahl ist: keine Messung eines Ereignisses, sondern dessen Einordnung.

Damit ist auch der älteste Einwand gegen die Kennzahl erledigt. „Das Modell weiß nicht, wo der Torhüter steht“ stimmte für frühe Modelle auf Basis von Eventdaten, stimmt für Opta seit März 2022 nicht mehr und stimmte für die Standbilder von StatsBomb nie. „Big Chance“ gibt es in Optas Daten weiterhin, definiert als Situation, in der von einem Spieler vernünftigerweise ein Tor zu erwarten ist, meist ein Eins-gegen-eins oder ein Abschluss aus kurzer Distanz mit freier Bahn zum Tor und geringem bis mäßigem Druck. Es ist heute eine Statistik, keine Eingangsgröße des Modells. Opta betreibt außerdem ein komplett eigenes Modell für den Frauenfußball, trainiert an historischen Schüssen aus Frauenspielen und seit der WM 2023 im Einsatz; darin wiegt die Entfernung zum Tor schwerer.

Was eine xG-Bilanz eines Spiels nicht verrät

Opta sagt ausdrücklich, dass Expected Goals die Qualität von Chancen misst und „nicht den erwarteten Ausgang des Spiels“. Der Grund ist Arithmetik, und Jonas Lindstrom hat die schärfste Veranschaulichung dafür.

Nehmen wir zwei Mannschaften. Team Münze hat vier Schüsse, jeder eine Fünfzig-Prozent-Chance. Team Würfel hat zwölf Schüsse, jeder eine Chance von eins zu sechs. Beide beenden die Partie mit exakt 2,0 xG. Ihre Siegchancen sind trotzdem nicht gleich groß. Die Torverteilung von Team Münze ist symmetrisch um zwei. Die von Team Würfel ist rechtsschief, was bedeutet, dass die Wahrscheinlichkeit für wenige Tore größer ist als die für mehr. Über viele Wiederholungen gewinnt Team Münze häufiger. Zwölf Halbchancen sind nicht dasselbe Produkt wie vier gute, und die xG-Summe kann die beiden nicht auseinanderhalten.

Hier endet die Zahl, und etwas anderes muss anfangen. Um von einer xG-Bilanz zu einem Ergebnis zu kommen, muss man simulieren: entweder jeden Schuss als eigene gewichtete Münze behandeln und das Spiel tausendfach werfen oder die Gesamtwerte beider Seiten in ein Modell für Trefferraten geben und dasselbe tun. Das ist die Mechanik hinter den Expected Points, bei denen xPTS das Dreifache der Siegwahrscheinlichkeit plus das Einfache der Unentschieden-Wahrscheinlichkeit ist – und das erklärt ein Detail, das beim ersten Hinsehen irritiert: Die xPTS zweier Mannschaften addieren sich für ein Spiel nicht auf drei, während echte Ligapunkte das immer tun. Wer wissen will, wie aus tausenden simulierten Saisons eine Titelwahrscheinlichkeit wird, findet das in unserem Begleitartikel darüber, wie Supercomputer-Prognosen funktionieren; der Liga-Simulator auf dieser Seite rechnet dieselbe Idee über jede Tabelle, die man bauen mag. Expected Goals ist der Input für diesen Prozess, kein Ersatz dafür.

Zwei weitere Warnungen zu Einzelspielen. Coaches' Voice sagt es direkt: Über eine einzelne Partie könnten Expected Goals „ein verzerrtes Bild geben“. Eine Mannschaft kann mit drei xG dominieren und trotzdem 0:3 gegen einen Gegner verlieren, der früh trifft und danach die Führung verteidigt – und weder die Zahl der Abschlüsse noch die xG-Bilanz liegt damit falsch. Und Bruchteile von Toren lassen sich nicht schießen. Eine Summe von 1,0 xG gibt niemandem Anspruch auf einen Treffer; sie ist ein Mittelwert über viele gedachte Wiederholungen derselben Chancen, und etliche dieser Wiederholungen enden torlos.

Wie lange es dauert, bis eine xG-Zahl etwas bedeutet

Die ehrliche Antwort: länger als ein Spiel, kürzer als eine Saison, und es kommt darauf an. American Soccer Analysis hat das im Juli 2022 am sorgfältigsten geprüft, über 14.608 Partien der fünf europäischen Topligen ab 2017/18 und 2.516 MLS-Spiele ab 2018, wobei die Pandemie-Saisons 2020 ausgeschlossen wurden. Der Hauptbefund: „Das xG-Verhältnis ist zu jedem Zeitpunkt einer Saison der beste Prädiktor für künftige Punkte.“

Das Detail wiegt schwerer als die Überschrift. Das xG-Verhältnis überholt das schlichte Torverhältnis als Prognosewert erst nach etwa acht Spielen in den fünf europäischen Topligen und nach etwa sieben in der MLS. In der ursprünglichen Studie von 2015, gerechnet auf Daten von 2012 bis 2014, lag diese Schwelle bei vier Spielen. Der Abstand zwischen Expected Goals und einfacheren Maßen ist seither geschrumpft: Das Verhältnis der Schüsse aufs Tor und das Verhältnis der Gesamtschüsse liegen heute viel näher an xG als früher. Wer noch immer den Satz aus der Zeit um 2015 wiederholt, xG dominiere jede andere Kennzahl, zitiert einen älteren Sport. Die fünf europäischen Topligen erwiesen sich übrigens bei jedem geprüften Maß als deutlich berechenbarer als die MLS.

David Sumpters praktischer Leitfaden ist das Nützlichste, was die Literatur für normale Leser hergibt. Über ein oder zwei Spiele sagen Expected Goals kaum mehr als das Ergebnis selbst. Über drei bis sechs Spiele taugen sie nur dann etwas, wenn das Muster konsistent ist. Zwischen sieben und sechzehn Spielen liegt der ideale Bereich – das Fenster, in dem ein Widerspruch zwischen den xG einer Mannschaft und ihren tatsächlichen Toren wirklich eine Untersuchung wert ist. Jenseits von sechzehn Spielen werden die echten Tore zur verlässlicheren Zahl, und xG zählt für die Bewertung der Saison weniger. Gleitende Mittelwerte über rund zehn Spiele prognostizieren am besten.

Sumpter hat auch das demütigendste Ergebnis des ganzen Feldes produziert. Ein Modell, das ausschließlich darauf beruhte, dass ein Mensch Fußball schaut und beurteilt, ob etwas eine Großchance war, erreichte ein Bestimmtheitsmaß von 0,159 und lag damit gleichauf mit einem komplexen xG-Modell mit vielen Parametern. Sein Fazit sollte man sich merken: „Expected Goals sind nicht die Zauberformel des Fußballs.“ Spiele anzuschauen zählt weiterhin etwas.

Das Modell schlagen – und langsam zu ihm zurückdriften

Spieler und Mannschaften erzielen ständig mehr Tore, als ihre Expected Goals hergeben, und daran ist nichts Rätselhaftes. Manchester City schoss 2021/22 in der Liga 99 Tore aus rund 91 xG. Erling Haaland soll über eine Phase in Bundesliga und Champions League 74 Tore ohne Elfmeter aus 57,76 npxG erzielt haben, etwa 28 Prozent besser, als ein durchschnittlicher Abschlussspieler mit denselben Chancen gekommen wäre – der stärkste Beleg, den je jemand dafür hatte, dass herausragende Chancenverwertung eine echte, wiederholbare Fähigkeit ist. Dann blieb derselbe Spieler 2023/24 um rund 1,3 Tore unter seinem Erwartungswert. An ihm war nichts schlechter geworden.

Das ist Regression zur Mitte, und sie wird regelmäßig als Prognose eines Absturzes oder als Strafe für Überperformance missverstanden. Sie ist weder das eine noch das andere. Sie ist das, was passiert, wenn eine kurze Serie gewichteter Münzwürfe einfach weiterläuft. Die Werte zur Beständigkeit, berichtet aus Sekundäranalysen, machen es konkret: Die Korrelation von Jahr zu Jahr für Tore minus xG liegt bei etwa 0,12, also nahe null, während ein Maß für die Chancenauswahl – Schüsse über Erwartung, relativ zu den erwarteten Schüssen – bei rund 0,63 liegt. Immer wieder in die 0,8-xG-Position zu kommen, ist die haltbare Fähigkeit. Die 0,8-Chance Saison für Saison besser zu verwerten als alle anderen, ist weit schwerer nachzuweisen.

Der Titel von Leicester City 2015/16 ist die Fallstudie, zu der alle greifen und die meist falsch erzählt wird. Leicester gewann die Liga mit 23 Siegen, 12 Unentschieden und 3 Niederlagen, lag bei der erwarteten Tordifferenz aber nur auf Rang vier; nach diesem Maß hätten Arsenal, Manchester City und Tottenham die ersten drei Plätze belegt. Zugleich hatte das Team mit 13,0 Prozent die beste Chancenverwertung der Saison. Ob man das nun Abschlussqualität, Glück oder ein taktisches System nennt, das genau jene Chancen erzeugt, die das Modell unterschätzt: Die ehrliche Antwort lautet, dass die Lücke zwischen Toren und xG einer einzigen Saison diese Erklärungen nicht voneinander trennen kann.

Das ist überhaupt das tiefste Problem beim Lesen dieser Lücke. Tore minus xG vermischt Abschlussqualität, Torhüterleistung am anderen Ende, echtes Glück und schlichten Modellfehler zu einer einzigen, undifferenzierten Zahl. Veröffentlichte Forschung zu Verzerrungen in xG-Modellen hat gezeigt, dass der Bias des Modells die Schätzung der Abschlussfähigkeit unmittelbar kontaminiert. Die Lücke ist eine Frage, keine Antwort.

Deshalb haben die Spieler, die die Kennzahl abtun, meist zur Hälfte recht. Morgan Rogers, damals bei Aston Villa, sagte Jamie Redknapp im Januar 2026 bei Sky Sports: „Ich finde, xG ist kompletter Unsinn.“ Er hatte zu diesem Zeitpunkt sieben Tore aus 4,21 xG. „Es fühlt sich an wie ein Verbrechen – ich treffe, und xG macht mich schlecht.“ Faktisch hatte er recht damit, dass er das Modell übertroffen hatte. Er irrte sich darüber, was das Modell überhaupt behauptet hatte: Es hat nie vorhergesagt, dass er 4,21 Tore schießen würde, es sagte, dass Schüsse wie seine in der Vergangenheit etwa so oft im Tor gelandet sind. Sean Dyche fand den besseren Ton, nachdem Everton im August 2023 zu Hause 0:1 gegen Fulham verloren hatte, bei 2,73 xG für Everton und 1,50 für Fulham. „Einer unserer Analysten sagte, unser xG-Wert, an den ich nicht besonders glaube, der aber trotzdem ein Anhaltspunkt ist, habe bei etwa drei gelegen, was in der Premier League hoch ist.“ Und dann der vernünftige Teil: „Man beurteilt keine ganze Leistung anhand von xG ... es ist ein weiterer Marker, er gibt einem eine Vorstellung.“

Wo xG versagt – und die Zahlen, die das flicken sollen

Abpraller sind der Fehler, den jeder Leser an einem beliebigen Wochenende selbst entdecken kann. Schüsse werden als voneinander unabhängige Ereignisse modelliert, also summiert ein Gestocher vor dem Tor – Parade, Abpraller, Block, Abpraller – Expected Goals Schuss für Schuss auf. Wyscout räumt es im eigenen Glossar ein: Eine Folge von Schüssen in kurzer Abfolge könne „theoretisch einen xG-Wert von größer als 1 ergeben“, in einem Ballbesitz, in dem physisch nur ein einziges Tor überhaupt möglich war. Eine veröffentlichte Korrektur besteht darin, jeden Folgeschuss mit der Wahrscheinlichkeit abzuwerten, dass er überhaupt zustande kommt: Ein Abpraller im Wert von 0,8, der nur in einem Viertel der Fälle entsteht, weil die Chance davor meistens sitzt, trägt 0,8 mal 0,25 bei, also 0,2. Nicht jeder Anbieter wendet eine solche Korrektur an, und man sollte nicht davon ausgehen, dass die xG eines Ballbesitzes bei 1,0 gedeckelt sind.

Expected Goals bewerten nur Schüsse, die tatsächlich abgegeben wurden. Die gefährlichste Szene eines Spiels – der Pass in den Rückraum, den niemand angelaufen ist, das Drei-gegen-eins, das mit einem verunglückten Kontakt endet – zählt exakt null. Wegen dieses blinden Flecks gibt es Non-Shot-xG und Modelle für den Ballbesitzwert: Für jeden Ballbesitz nimmt man die xG des Schusses, falls es einen gab, und andernfalls den besten xG-Wert, der verfügbar gewesen wäre. Eine Mannschaft, deren Non-Shot-xG weit über ihren xG liegen, kommt in gute Positionen und weigert sich, aus ihnen abzuschließen.

Auch Mannschaftssummen vergleichen Ungleiches. Ein tiefer Block verdichtet die wertvollen Zonen absichtlich und erzwingt Abschlüsse von außerhalb oder aus spitzen Winkeln, jeder weit unter 0,05 wert. Niedrige erwartete Gegentore können deshalb „verteidigt tief“ heißen statt „verteidigt gut“. Eine Kontermannschaft schießt viel seltener, tut es aber gegen eine ungeordnete, in Unterzahl stehende Abwehr, sodass jeder einzelne Abschluss mehr wert ist. Rohe xG oder xGD zwischen einer Ballbesitzmannschaft und einem tiefen Block zu vergleichen, heißt zwei verschiedene Produkte zu vergleichen.

Standardmodelle blenden den Schützen bewusst aus. Sie beantworten, wie oft eine Chance wie diese verwertet wird, nie, wie oft dieser bestimmte Spieler sie verwertet. Den Abschlussspieler ins Modell einzubauen, machte es unmöglich, mit dem Modell eben diesen Abschlussspieler zu beurteilen. Und bei gut dreißig Schüssen in einer Saison und jeweils binärem Ausgang trägt die Differenz aus Toren und xG eines einzelnen Spielers eine enorme Unsicherheit. Man sollte sie als Hinweis behandeln, nicht als Urteil.

Es gibt eine ganze Familie benachbarter Kennzahlen, die diese Lücken abdecken sollen, und man sollte sie nicht durcheinanderbringen. npxG rechnet Elfmeter heraus. xGA sind die Expected Goals der Schüsse, die eine Mannschaft zugelassen hat, xGD ist xG minus xGA. Expected Assists messen die Wahrscheinlichkeit, dass ein angekommener Pass zur Torvorlage wird, unter Berücksichtigung von Art, Länge und Endpunkt des Passes. Und Expected Goals on Target – xGOT oder Post-Shot-xG – ist die Kennzahl, die am häufigsten mit xG verwechselt wird. Expected Goals decken alles bis zum Moment der Ballberührung ab; xGOT deckt alles danach ab und verbindet die zugrunde liegende Chancenqualität damit, wo im Tor der Ball tatsächlich landete. Der Wert existiert nur für Schüsse aufs Tor, ein Fehlschuss hat also einen xG-Wert und keinen xGOT. Harry Kane kam 2019/20 auf 10,9 xG und 14,5 xGOT, die Platzierung allein war also rund dreieinhalb Tore wert. Dean Henderson standen in derselben Saison 39,4 xGOT gegenüber, er kassierte 32 Treffer und verhinderte damit rund sieben. Die Differenz zwischen beiden wird mitunter als Shooting Goals Added veröffentlicht.

Wer xG veröffentlicht – und warum keine zwei Anbieter übereinstimmen

Jeder Anbieter trainiert sein eigenes Modell auf seinen eigenen Eventdaten, mit eigenen Definitionen, eigenen Variablen und eigenen Gewichten. Die Folge, in der nüchternen Zusammenfassung, auf die sich die Literatur einigt: Werte verschiedener Anbieter sind „nicht zwangsläufig direkt vergleichbar“. Die strukturellen Gründe stehen oben: Optas XGBoost über knapp eine Million Schüsse und mehr als zwanzig Variablen, seit 2022 ohne das subjektive Big-Chance-Etikett; StatsBombs Standbilder jedes sichtbaren Spielers plus Ballhöhe; Wyscouts acht Parameter samt menschlichem Gefahrenurteil; Understats neuronales Netz. Selbst die Elfmeterkonstante unterscheidet sich – je nach Anbieter 0,76, 0,78 oder 0,79. Abweichungen beim selben Schuss werden üblicherweise mit etwa 0,05 bis 0,10 xG angegeben.

Auf Saisonebene ist der Effekt alles andere als trivial. Son Heung-min erzielte 2021/22 23 Tore in der Premier League und teilte sich den Goldenen Schuh mit Mohamed Salah, als erster asiatischer Spieler überhaupt, und keiner seiner Treffer fiel vom Elfmeterpunkt, was ihn zur natürlichen Fallstudie in Sachen Chancenverwertung macht. Seine Expected Goals für diese Saison werden an einer Stelle mit 13,95 und an anderer mit rund 16,0 angegeben. Dieselben 23 Tore, dieselben Schüsse, zwei deutlich verschiedene Urteile darüber, wie viel davon Abschlussqualität war und wie viel Chancenqualität. Man sollte sich einen Anbieter aussuchen und dabei bleiben.

Und wo die Zahlen wohnen: Opta und Stats Perform sind der Unternehmensstandard hinter den meisten Klubs und Sendern. Hudl StatsBomb verkauft die reichhaltigsten Daten und veröffentlicht zugleich einen frei zugänglichen Open-Data-Bestand zu Frauenwettbewerben, Männer-Länderspielen und einigen historischen Spielzeiten. Wyscout, ebenfalls Hudl, ist der Videostandard der Scouting-Branche mit der größten Spielbibliothek. Understat ist die wichtigste wirklich kostenlose Quelle für hochwertige xG- und npxG-Werte auf Schussebene und deckt die fünf europäischen Topligen plus die russische Premier Liga bis zurück in die Saison 2014/15 ab. Für den schnellen Blick führt FotMob Live-xG, und auch Squawka, SofaScore und StatMuse veröffentlichen die Zahl.

Ein Standardratschlag ist inzwischen überholt, und die meisten Artikel haben es noch nicht mitbekommen. Am 20. Januar 2026 kündigte Stats Perform die Datenvereinbarung mit FBref und verlangte die sofortige Entfernung sämtlicher von ihm gelieferter fortgeschrittener Statistiken – Expected Goals, progressive Pässe, chancenkreierende Aktionen, alles. Sean Forman, Präsident von Sports Reference, machte die Änderung öffentlich; Stats Perform erklärte, FBref habe gegen die Bedingungen der Vereinbarung verstoßen, ohne zu präzisieren, wie. Die Seite behielt Ergebnisse, Tore, Vorlagen und Einsätze, das Archiv der fortgeschrittenen Daten wurde nicht mehr aktualisiert. Die Kündigung kam acht Tage, nachdem Stats Perform von der FIFA zum exklusiven Verwerter von Wettdaten und Streamingrechten für die WM 2026 ernannt worden war, was einige Spekulationen über das kommerzielle Motiv befeuerte. FBref zeigte sich „besonders verärgert über den massiven Rückschritt, den das für den Zugang zu“ fortgeschrittenen Daten im Frauenfußball bedeutet. Solange sich das nicht umkehrt, ist Understat die Adresse für Leser ohne Budget.

Und damit zum Letzten, was man über Expected Goals verstehen sollte. Die Kennzahl ist keine öffentliche Tatsache über den Fußball wie das Ergebnis oder die Zuschauerzahl. Sie ist ein Produkt, gebaut von einer Handvoll Firmen aus proprietären Daten, mit Methoden, die sie überarbeiten können – und überarbeitet haben – mit realen Folgen dafür, wie ein vor Jahren abgegebener Schuss in Erinnerung bleibt. Man sollte sie als das lesen, was sie ist: eine gut begründete Schätzung, wie oft Chancen wie diese in der Vergangenheit im Tor gelandet sind, und der beste verfügbare Ausgangspunkt für die Frage, was als Nächstes passiert. Was als Nächstes passiert, muss immer noch simuliert werden – und angeschaut.

Simuliere die Saison, die hinter den Zahlen steckt

Ein xG-Modell tut im Grunde nur eines: Es übersetzt Chancen in Wahrscheinlichkeiten. Aus einem Abschluss wird eine Zahl, aus vielen Zahlen ein zu erwartendes Ergebnis. Genau nach diesem Prinzip arbeitet der Simulator von futsimulator.com, nur eine Ebene höher. Statt einzelner Schüsse bewertet er ganze Partien, zieht aus jeder Begegnung ein Resultat und trägt es in die Tabelle ein – Spieltag für Spieltag, bis die Saison durchgespielt ist und die Endtabelle nach den echten Kriterien sortiert dasteht.

Interessant wird es bei der Wiederholung. Wer dieselbe Liga mehrmals durchlaufen lässt, sieht schwarz auf weiß, wie unterschiedlich Endtabellen ausfallen können, obwohl sich an den Stärkeverhältnissen nichts geändert hat. Es ist dieselbe Streuung, von der eine xG-Bilanz spricht, nur muss man sie hier nicht nachrechnen, sondern kann sie beobachten. Nach ein paar Durchläufen liest man einen Rückstand von drei Punkten und eine Saisonbilanz mit anderen Augen.

"xG sagt nicht, was passiert ist. Es sagt, was in derselben Situation normalerweise passiert."

• Eine komplette Liga-Saison durchrechnen lassen und die Endtabelle nach den echten Kriterien sortiert ansehen.
• Dieselbe Saison mehrmals hintereinander simulieren und vergleichen, wie weit dasselbe Team in der Platzierung schwankt.
• Ein einzelnes Spiel immer wieder anstoßen und mitzählen, wie oft der Favorit trotzdem nicht gewinnt.
• Einen Turnierbaum mit K.-o.-Runden aufsetzen und verfolgen, wie ein einziges Ergebnis den ganzen Verlauf kippt.

"Eine Zahl beschreibt eine Wahrscheinlichkeit. Eine Saison entscheidet, welche davon eintritt."