Expected Goals (xG): cosa misura davvero questa metrica

Un xG di 0,40 non afferma che quel giocatore, su quel tiro, avesse il 40 per cento di probabilità di segnare. Afferma qualcosa sul passato. Dice che nel database su cui il modello è stato addestrato, i tiri calciati più o meno da quella posizione, con quella parte del corpo, nati da quel tipo di azione e sotto quella pressione sono finiti in rete circa 40 volte su cento. StatsBomb lo ha detto senza giri di parole nel 2017: un valore di xG «non dice granché su questo tiro specifico di cui stiamo parlando adesso. È più un: in passato, è successo questo».

La distinzione sembra pedante. È invece tutto il discorso. Quasi ogni obiezione mossa agli expected goals - che misurino la fortuna, che stabiliscano chi avrebbe meritato di vincere, che siano rotti perché un attaccante continua a batterli - nasce dal leggere una frequenza storica come una profezia su un singolo tiro. Qui sotto c'è che cosa è quel numero, come viene costruito, che cosa può reggere e i punti in cui, senza far rumore, si sfalda.

Un numero compreso tra zero e uno

Opta, il cui modello è quello che si vede in televisione quasi ovunque, lo definisce così: gli expected goals «misurano la qualità di un'occasione calcolando la probabilità che venga trasformata, usando le informazioni su tiri simili del passato». La scala va da zero a uno. Zero è un'occasione impossibile da concretizzare. Uno è un'occasione che un giocatore, ci si aspetta, trasformerebbe tutte le volte. Tutto ciò che è interessante sta nel mezzo.

Wyscout lo chiama «un modello predittivo di machine learning usato per valutare la probabilità di segnare di ogni tiro effettuato nella partita». American Soccer Analysis prende in prestito il basket e lo paragona alla percentuale al tiro, con una differenza decisiva: l'xG è legato alla posizione e alle circostanze del tentativo, non all'identità di chi lo esegue. È una scelta voluta, ed è la ragione per cui il numero serve a qualcosa.

L'idea è più vecchia della grafica televisiva. Vic Barnett e Sarah Hilditch usarono l'espressione «expected goals» in uno studio del 1993 sui campi in erba artificiale nel calcio inglese. Richard Pollard e Charles Reep costruirono nel 1997 l'antenato riconoscibile del modello moderno, pesando i tiri per distanza, angolo, presenza del colpo di testa e quantità di pressione difensiva. Jake Ensum, Pollard e Samuel Taylor applicarono una regressione logistica a 930 conclusioni del Mondiale 2002. È il post di Sam Green per OptaPro, nell'aprile 2012, a spingere la metrica dentro il cuore dell'analisi calcistica, e nell'agosto 2017 Match of the Day annunciò che avrebbe mandato in onda gli expected goals. Nessuno di questi passaggi, da solo, ha inventato la metrica.

Che cosa guarda il modello prima di decidere

Il modello attuale di Opta è una macchina di gradient boosting XGBoost addestrata su quasi un milione di tiri, presi da 40 competizioni fra le stagioni 2018-19 e 2021-22. Valuta più di 20 variabili che descrivono la situazione fino all'istante esatto dell'impatto: distanza dalla porta, angolo di tiro, posizione del portiere, quanto è libera la visuale sullo specchio, dove si trovano gli altri giocatori, quanta pressione stanno esercitando i difensori, il tipo di conclusione - con quale piede, al volo, di testa, in uno contro uno -, la matrice dell'azione, se manovra, ripartenza, punizione, calcio d'angolo o rimessa laterale, e l'azione precedente o il tipo di assist. Per farsi un'idea delle proporzioni: la sola Premier League 2022-23 ha prodotto 9.609 tiri, e i cinque maggiori campionati europei, quella stagione, 45.764.

Gli altri fornitori fanno scelte diverse, e le differenze non sono cosmetiche. Il glossario pubblico di Wyscout elenca esattamente otto parametri, uno dei quali è la valutazione di un operatore umano su quanto fosse pericolosa la conclusione. Understat usa reti neurali addestrate su più di 100.000 tiri con oltre dieci parametri ciascuno. American Soccer Analysis pubblica la propria regressione logistica in chiaro, coefficienti compresi: un tiro servito da un cross porta una penalizzazione di -0,380, mentre un tiro servito da un filtrante guadagna +0,909. È il modo che ha il modello di dire che un pallone che arriva dalla fascia attraversandoti il corpo è molto più difficile da finalizzare di uno giocato dentro la linea difensiva. Hudl StatsBomb ha gli input più ricchi di tutti: un fermo immagine ricavato dalla computer vision che registra la posizione di ogni attaccante e di ogni difensore inquadrati, portiere compreso, e l'altezza del pallone al momento dell'impatto, perché una palla all'altezza del ginocchio è più facile da colpire pulita di una all'altezza della testa o che rotola sul terreno. Secondo StatsBomb, la sola etichetta di porta vuota può spostare un'occasione da 0,10 a 0,85.

Ordini di grandezza approssimativi, da prendere come illustrazione e non come cifre ufficiali: un tiro dal limite dell'area piccola vale spesso più di 0,35; una conclusione da 25 yard sta di solito sotto 0,03, e un tentativo velleitario da fuori area intorno a 0,02. Coaches' Voice ha analizzato un tentativo di Mohamed Salah valutato 0,08 e un gol di Phil Foden da 0,46. I colpi di testa vengono trasformati meno spesso dei tiri di piede dalla stessa posizione. Il piede debole rende meno del piede forte. Niente di tutto questo sorprenderà chi ha giocato a calcio, ed è un punto a favore del modello, non contro.

I rigori sono l'eccezione. Poiché le condizioni sono sempre le stesse - dal dischetto, senza difensori, senza una pressione che valga la pena modellare - i fornitori si limitano ad assegnare una costante. Quella costante va da circa 0,76 a 0,79 a seconda di chi la calcola, e riflette una percentuale di realizzazione che ai massimi livelli si colloca nella fascia medio-alta dei settanta per cento. Sui totali di breve periodo distorce parecchio: tre rigori in un mese aggiungono ben più di due xG al conto di un attaccante senza che questi abbia saltato un solo difensore. È esattamente per questo che esistono gli expected goals senza rigori, gli npxG, come colonna a parte, ed è la colonna che serve quando si confrontano i giocatori.

Il giorno in cui il modello cambiò idea su un tiro già calciato

Nel marzo 2022 Opta ha rilasciato una nuova versione del suo modello. Ha eliminato la «big chance» dagli input - un'etichetta soggettiva applicata da analisti umani che guardavano la partita, criticata a lungo perché soggettiva e insieme contaminata dal fatto che il tiro fosse entrato o meno - e ha aggiunto la posizione del portiere, la pressione difensiva e la pulizia della conclusione.

I confronti prima-dopo sono impressionanti. Un'occasione di Richarlison contro il Wolverhampton è scesa da 0,80 xG a circa 0,20, solo perché il nuovo modello vedeva dove fosse piazzato Jose Sa. Quella di Roberto Firmino contro il Watford è salita da 0,81 a 0,96. James Maddison contro il Brentford e Patson Daka contro il Newcastle sono passati entrambi da circa 0,47 a oltre 0,87 una volta considerate la posizione del portiere e l'assenza di pressione difensiva. Il caso più estremo segnalato è un tiro di Pedro Neto contro il Leicester, passato da 0,035 a 0,656: quasi venti volte il valore di partenza.

A quei tiri non era successo niente. Erano stati calciati, parati o segnati mesi o anni prima. A cambiare è stata l'opinione del modello sulla categoria a cui appartengono. È la dimostrazione più pulita che esista di che cosa sia un valore di xG: non la misurazione di un evento, ma la sua classificazione.

Manda anche in pensione la critica più antica alla metrica. «Il modello non sa dov'è il portiere» era vero per i primi modelli costruiti sui dati evento, non lo è più per quello di Opta dal marzo 2022 e non lo è mai stato per i fermo immagine di StatsBomb. La big chance esiste ancora nei dati di Opta, definita come una situazione in cui è ragionevole aspettarsi che un giocatore segni, di solito un uno contro uno o una conclusione ravvicinata con la strada verso la porta libera e una pressione da bassa a moderata. Oggi però è una statistica, non un input del modello. Opta fa girare anche un modello del tutto separato per il calcio femminile, addestrato sullo storico dei tiri femminili e in uso dal Mondiale 2023, nel quale la distanza dalla porta pesa di più.

Che cosa non dice l'xG di una singola partita

Opta è esplicita: gli expected goals misurano la qualità delle occasioni e «non il risultato atteso della partita». La ragione è aritmetica, e l'illustrazione più tagliente è quella di Jonas Lindstrom.

Prendiamo due squadre. La Squadra Moneta tira quattro volte, e ogni tiro vale il 50 per cento. La Squadra Dado tira dodici volte, e ogni tiro vale una probabilità su sei. Entrambe chiudono la partita esattamente a 2,0 xG. Non hanno però la stessa probabilità di aver vinto. La distribuzione dei gol della Squadra Moneta è simmetrica intorno a due. Quella della Squadra Dado è sbilanciata verso destra, il che significa che la probabilità di segnare pochi gol è più alta di quella di segnarne di più. Su molte ripetizioni, la Squadra Moneta vince più spesso. Dodici mezze occasioni non sono lo stesso prodotto di quattro occasioni buone, e il totale di xG non sa distinguerle.

È qui che il numero si ferma e deve cominciare qualcos'altro. Per passare da una riga di xG a un risultato bisogna simulare: o si tratta ogni tiro come una moneta truccata e si rigioca la partita migliaia di volte, oppure si dà in pasto il totale di ciascuna squadra a un modello sul ritmo realizzativo e si fa la stessa cosa. È il meccanismo che sta dietro agli expected points, dove l'xPTS è tre volte la probabilità di vittoria più una volta la probabilità di pareggio, e spiega un dettaglio che spiazza chiunque la prima volta che lo nota: l'xPTS delle due squadre di una partita non somma a tre, mentre i punti veri in classifica lo fanno sempre. Se vi interessa la meccanica con cui migliaia di stagioni simulate diventano una probabilità di titolo, il nostro articolo di accompagnamento su come funzionano le previsioni dei supercomputer spiega esattamente questo, e il simulatore di campionati di questo sito applica la stessa idea a qualunque classifica vogliate costruire. Gli expected goals sono l'input di quel processo, non un suo sostituto.

Due ulteriori avvertenze sulle singole partite. Coaches' Voice lo dice chiaramente: su una gara sola gli expected goals «possono dare una visione distorta». Una squadra può dominare con tre xG e perdere lo stesso 3-0 contro un avversario che ha segnato presto e poi ha difeso il vantaggio, e né il conteggio dei tiri né la riga degli xG sbagliano nel raccontarlo. E le frazioni di gol non si segnano. Un totale di 1,0 xG non dà diritto a nessun gol: è una media su molte ripetizioni immaginarie dello stesso insieme di occasioni, e in parecchie di quelle ripetizioni non segna nessuno.

Quanto tempo serve perché un dato di xG voglia dire qualcosa

La risposta onesta è: più di una partita, meno di una stagione, e dipende. Il test più accurato lo ha condotto American Soccer Analysis nel luglio 2022, su 14.608 gare dei cinque maggiori campionati europei dal 2017-18 in poi e 2.516 partite di MLS dal 2018, escluse le stagioni della pandemia del 2020. La conclusione principale: «il rapporto di xG è il miglior predittore dei punti futuri in qualsiasi momento della stagione».

Il dettaglio conta più del titolo. Il rapporto di xG supera come predittore il semplice rapporto dei gol soltanto dopo circa otto partite nei cinque maggiori campionati europei e circa sette in MLS. Nello studio originale del 2015, costruito sui dati 2012-14, quella soglia era di quattro partite. Da allora la distanza fra gli expected goals e le misure più semplici si è ridotta: il rapporto dei tiri nello specchio e quello dei tiri totali oggi sono molto più vicini all'xG di quanto non fossero. Chi continua a ripetere la formula del 2015, secondo cui l'xG domina ogni altra metrica, sta citando uno sport più vecchio. I cinque maggiori campionati europei, per inciso, si sono rivelati molto più prevedibili della MLS su ogni misura testata.

La guida pratica di David Sumpter è la cosa più utile che la letteratura offra a un lettore normale. Su una o due partite gli expected goals non dicono quasi nulla oltre a quello che dice già il risultato. Su tre-sei partite valgono qualcosa solo se lo schema si ripete. Fra le sette e le sedici partite c'è il punto ideale, la finestra in cui una contraddizione fra gli xG di una squadra e i suoi gol veri merita davvero di essere indagata. Oltre le sedici partite i gol veri diventano il numero più affidabile e l'xG conta meno per giudicare la stagione. Le medie mobili su una decina di gare sono quelle che prevedono meglio.

È sempre Sumpter ad aver prodotto il risultato più umiliante del settore. Un modello costruito soltanto su un essere umano che guarda il calcio e giudica se qualcosa fosse una grande occasione ha raggiunto un R quadro di 0,159, pari a quello di un modello di xG complesso e a molti parametri. La sua conclusione va tenuta vicina: «gli expected goals non sono l'equazione magica del calcio». Guardare le partite conta ancora qualcosa.

Battere il modello, e tornarci lentamente incontro

Giocatori e squadre segnano più dei loro expected goals in continuazione, e non c'è niente di misterioso. Il Manchester City nel 2021-22 ha fatto 99 gol in campionato da circa 91 xG. Di Erling Haaland, nel periodo fra Bundesliga e Champions League, si riporta che abbia segnato 74 gol esclusi i rigori da 57,76 npxG, all'incirca il 28 per cento in più di quanto avrebbe ricavato dalle stesse occasioni un finalizzatore medio: la prova più forte mai raccolta che la finalizzazione d'élite sia un'abilità vera e ripetibile. Poi, nel 2023-24, lo stesso giocatore ha reso circa 1,3 gol sotto le attese. Niente di lui era peggiorato.

È la regressione verso la media, e viene regolarmente letta male, come una previsione di declino o come una punizione per aver reso troppo. Non è né l'una né l'altra cosa. È quello che succede quando una serie breve di lanci di monete truccate continua a girare. I dati sulla persistenza, riportati da analisi secondarie, lo dicono in concreto: la correlazione da un anno all'altro dei gol meno xG è intorno a 0,12, cioè quasi nulla, mentre una misura della selezione dei tiri - tiri in più rispetto agli attesi, in rapporto ai tiri attesi - si attesta intorno a 0,63. Arrivare di nuovo, e ancora, nella posizione da 0,8 xG è l'abilità che dura. Trasformare l'occasione da 0,8 a un ritmo più alto di tutti gli altri, stagione dopo stagione, è molto più difficile da dimostrare.

Il titolo del Leicester City nel 2015-16 è il caso di studio a cui tutti ricorrono e che quasi tutti raccontano male. Le Foxes vinsero il campionato con 23 vittorie, 12 pareggi e 3 sconfitte, ma erano intorno al quarto posto per differenza reti attesa; con quel metro, le prime tre sarebbero state Arsenal, Manchester City e Tottenham. Fecero registrare anche la miglior percentuale realizzativa sui tiri della stagione, il 13,0 per cento. Che lo si chiami finalizzazione, fortuna o un sistema tattico costruito per generare proprio il tipo di occasioni che il modello sottovaluta, la risposta onesta è che lo scarto fra gol e xG di una sola stagione non è in grado di separare quelle spiegazioni.

Ed è il problema più profondo dell'idea stessa di leggere quello scarto. Gol meno xG mescola in un unico numero indistinto l'abilità di finalizzazione, il rendimento del portiere dall'altra parte, la fortuna vera e il puro errore del modello. La ricerca pubblicata sulle distorsioni dei modelli di expected goals ha mostrato che il bias del modello contamina direttamente le stime dell'abilità di finalizzazione. Lo scarto è una domanda, non una risposta.

Per questo i calciatori che liquidano la metrica hanno di solito ragione a metà. Morgan Rogers, allora all'Aston Villa, ha detto a Jamie Redknapp su Sky Sports nel gennaio 2026: «Penso che l'xG sia una gran quantità di sciocchezze». All'epoca aveva sette gol da 4,21 xG. «Sembra un reato: io segno e l'xG mi sminuisce». Sul fatto di aver segnato più del modello aveva ragione. Aveva torto su che cosa il modello avesse sostenuto: non ha mai previsto che avrebbe segnato 4,21 gol, ha detto che tiri come i suoi, storicamente, sono finiti in rete più o meno con quella frequenza. Il registro giusto lo ha trovato Sean Dyche dopo che l'Everton aveva perso 1-0 in casa contro il Fulham, nell'agosto 2023, creando 2,73 xG contro 1,50. «Uno dei nostri analisti ha detto che il nostro xG, in cui non credo poi molto ma resta un punto di riferimento, era intorno a tre, che in Premier League è tanto». E poi la parte assennata: «Non si giudica un'intera prestazione sull'xG... è un indicatore in più, ti dà un'idea».

Dove l'xG si rompe, e i numeri nati per rattopparlo

Le ribattute sono il difetto che qualunque lettore può cogliere da solo in un weekend qualsiasi. I tiri sono modellati come eventi indipendenti, quindi una mischia in area - parata, ribattuta, respinta, ribattuta - accumula expected goals tiro dopo tiro. Wyscout lo ammette nel proprio glossario: una sequenza di conclusioni ravvicinate «potrebbe teoricamente produrre un valore di xG maggiore di 1», dentro un'azione in cui fisicamente c'era spazio per un solo gol. Una correzione proposta in letteratura è scontare ogni conclusione successiva per la probabilità che si presenti: una ribattuta che vale 0,8 ma che arriva solo una volta su quattro, perché l'occasione precedente di solito entra, contribuisce per 0,8 moltiplicato 0,25, cioè 0,2. Non tutti i fornitori applicano una correzione del genere, e non date per scontato che l'xG di un'azione si fermi a 1,0.

Gli expected goals valutano soltanto i tiri effettivamente calciati. Il passaggio più pericoloso di una partita - il traversone all'indietro dal fondo su cui nessuno si è buttato, il tre contro uno finito con un controllo lungo - vale esattamente zero. È per questa zona cieca che esistono i modelli di non-shot xG e di valore del possesso: per ogni azione si prende l'xG del tiro, se c'è stato, altrimenti il miglior xG che era disponibile. Una squadra il cui non-shot xG corre molto più avanti del suo xG è una squadra che arriva in buone posizioni e si rifiuta di calciare da lì.

Anche i totali di squadra mettono a confronto cose diverse. Un blocco basso comprime deliberatamente le zone di maggior valore e costringe a calciare da fuori o da posizioni angolate, tentativi che valgono ben meno di 0,05 l'uno. Un xG concesso basso può quindi voler dire «difende basso» e non «difende bene». Una squadra da contropiede tira molto meno, ma tira contro una difesa sguarnita e in inferiorità numerica, quindi ogni conclusione vale di più. Confrontare l'xG grezzo o l'xGD di una squadra di possesso con quelli di un blocco basso significa confrontare due prodotti diversi.

I modelli standard ignorano di proposito chi tira. Rispondono alla domanda su quanto spesso viene trasformata un'occasione come questa, mai su quanto spesso la trasformi quel giocatore lì. Inserire il finalizzatore dentro al modello renderebbe impossibile usare il modello per giudicare il finalizzatore. E con una trentina di tiri in una stagione e un esito binario ogni volta, il gol meno xG di un singolo giocatore porta con sé un'incertezza enorme. Va preso come una segnalazione, non come un verdetto.

Esiste una famiglia di numeri vicini nata per coprire queste lacune, e non vanno confusi tra loro. L'npxG toglie i rigori. L'xGA è l'expected goals dei tiri che una squadra ha subito, e l'xGD è l'xG meno l'xGA. Gli expected assist misurano la probabilità che un passaggio riuscito diventi un assist da gol, tenendo conto del tipo di passaggio, della sua lunghezza e del punto in cui arriva. E gli expected goals on target - xGOT, o xG post-tiro - sono quelli che più spesso vengono confusi con l'xG. Gli expected goals coprono tutto ciò che accade fino all'istante dell'impatto; l'xGOT copre tutto quello che viene dopo, combinando la qualità di base dell'occasione con il punto dello specchio in cui il pallone è davvero finito. Esiste solo per i tiri nello specchio, quindi una conclusione fuori ha un xG e nessun xGOT. Harry Kane nel 2019-20 aveva 10,9 xG e 14,5 xGOT: la sola precisione nel piazzare il pallone valeva circa tre gol e mezzo. Dean Henderson quella stessa stagione ha affrontato 39,4 xGOT e ne ha subiti 32, quindi ne ha evitati circa sette. La differenza fra i due valori viene talvolta pubblicata come Shooting Goals Added.

Chi pubblica gli xG, e perché due fonti non coincidono mai

Ogni fornitore addestra il proprio modello sui propri dati evento, con le proprie definizioni, le proprie variabili e i propri pesi. La conseguenza, nella formula asciutta su cui la letteratura si è assestata, è che i valori di fornitori diversi «non sono necessariamente confrontabili in modo diretto». Le ragioni strutturali sono già state elencate: l'XGBoost di Opta su quasi un milione di tiri e più di venti variabili, dopo l'abbandono dell'etichetta soggettiva di big chance nel 2022; i fermo immagine di StatsBomb con tutti i giocatori inquadrati e l'altezza del pallone; gli otto parametri di Wyscout, giudizio umano sulla pericolosità compreso; la rete neurale di Understat. Persino la costante dei rigori cambia: 0,76, 0,78 o 0,79 a seconda del fornitore. Sullo stesso tiro la divergenza segnalata di solito è nell'ordine di 0,05-0,10 xG.

L'effetto su scala stagionale non è banale. Son Heung-min nel 2021-22 ha segnato 23 gol in Premier League e ha diviso la Scarpa d'Oro con Mohamed Salah, primo giocatore asiatico a vincerla, e nessuno di quei gol è arrivato dal dischetto: il che ne fa un caso di studio naturale sulla finalizzazione. I suoi expected goals di quella stagione sono pubblicati come 13,95 in un posto e come circa 16,0 in un altro. Stessi 23 gol, stessi tiri, due verdetti sensibilmente diversi su quanto ci fosse di finalizzazione e quanto di qualità delle occasioni. Scegliete un fornitore e restateci.

Quanto a dove vivono questi numeri: Opta e Stats Perform sono lo standard aziendale dietro alla maggior parte dei club e delle emittenti. Hudl StatsBomb vende i dati più ricchi e pubblica anche un open data set gratuito che copre competizioni femminili, nazionali maschili e alcune stagioni storiche. Wyscout, anch'essa di Hudl, è lo standard video del mondo dello scouting, con la videoteca di partite più ampia. Understat è la principale fonte davvero gratuita di xG e npxG di qualità a livello di singolo tiro, e copre i cinque maggiori campionati europei più la Premier League russa fino al 2014-15. Per una consultazione veloce, FotMob riporta gli xG in tempo reale, e li pubblicano anche Squawka, SofaScore e StatMuse.

Un consiglio ormai classico è però scaduto, e la maggior parte degli articoli non se n'è accorta. Il 20 gennaio 2026 Stats Perform ha rescisso l'accordo sui dati con FBref e ha imposto la rimozione immediata di ogni statistica avanzata che forniva: expected goals, passaggi progressivi, azioni che generano tiri, tutto. Ad annunciare il cambiamento è stato il presidente di Sports Reference, Sean Forman; Stats Perform ha dichiarato che FBref aveva violato i termini dell'accordo, senza specificare in che modo. Il sito ha mantenuto risultati, gol, assist e presenze, e l'archivio avanzato ha smesso di aggiornarsi. La rescissione è arrivata otto giorni dopo la nomina di Stats Perform a distributore esclusivo dei dati per le scommesse e dei diritti di streaming della FIFA per il Mondiale 2026, cosa che ha alimentato parecchie speculazioni sul movente commerciale. FBref si è detta «particolarmente amareggiata per l'enorme passo indietro che questo comporta nell'accesso» ai dati avanzati del calcio femminile. Se la cosa non verrà ribaltata, Understat è il posto in cui deve guardare un lettore senza budget.

Ed è l'ultima cosa che vale la pena capire sugli expected goals. Non sono un fatto pubblico del calcio, come il risultato o il numero di spettatori. Sono un prodotto, costruito da una manciata di aziende a partire da dati proprietari, con metodi che possono rivedere - e che hanno rivisto - con conseguenze reali su come viene ricordato un tiro calciato anni fa. Vanno letti per quello che sono: una stima ben fondata di quanto spesso occasioni come queste sono finite in rete, e il miglior punto di partenza disponibile per la domanda su che cosa succederà dopo. Che cosa succederà dopo, però, va ancora simulato. E va ancora guardato.

Simula la stessa partita quante volte vuoi

Un modello di xG fa una cosa sola: prende una situazione di gioco e la trasforma in una probabilità. È lo stesso meccanismo su cui gira il simulatore, applicato però a un livello più alto: invece di pesare l'angolo di tiro e la distanza dalla porta, pesa la forza delle due squadre e il fattore campo, e da quel numero estrae un risultato. Un'occasione da 0,30 finisce in rete tre volte su dieci; una squadra data favorita al sessanta per cento perde quattro partite su dieci. Lo scarto tra il numero di partenza e il tabellino che compare sullo schermo è esattamente lo scarto di cui parla tutto l'articolo.

Il vantaggio di provarlo è che puoi fare quello che con una partita vera non riesci: ripeterla. Simuli lo stesso incontro cinque volte e ne escono cinque tabellini diversi, tutti compatibili con lo stesso livello di gioco. Simuli una stagione intera e vedi quanti punti separano la classifica che davi per scontata da quella che esce davvero. Dopo qualche giro, «hanno meritato di vincere» smette di sembrare una consolazione e comincia a sembrare quello che è: la descrizione di una probabilità che quel giorno non si è avverata.

"L'xG non racconta quello che è successo: mette un prezzo a quello che, di solito, succede."

• Simula più volte la stessa partita tra due squadre e conta quante volte esce ciascun risultato: è la differenza tra probabilità e tabellino, vista dal vivo.
• Gioca una stagione completa e confronta la classifica finale con quella che davi per scontata a settembre, giornata dopo giornata.
• Cambia il risultato di una partita e guarda l'intera classifica ricalcolarsi: un gol di scarto sposta molto più di quanto suggerisca il numero.
• Costruisci un tabellone a eliminazione diretta e simula i turni: novanta minuti restano il campione più piccolo che il calcio conosca.

"Nessuno vince un campionato grazie all'xG, ma quasi nessuno lo vince a lungo contro l'xG."