Warum das aktuelle Scoring nicht reicht

Der Ball rollt, das Spiel ist vorbei, und die Tabellenführer feiern. Doch hinter den Zahlen steckt ein Rätsel, das viele Analysten immer noch nicht knacken. Hier kommt das expected goals modell ins Spiel, das den Unterschied zwischen Glück und Können quantifiziert.

Was genau ist expected goals?

Kurz gesagt: Eine mathematische Schätzung, wie viele Tore ein Team in einer Situation erwarten sollte. Der Algorithmus berücksichtigt Schusswinkel, Distanz, Kopfball- oder Fußschuss, Gegenpressing und sogar Wetterbedingungen. Ergebnis? Ein Wert, der die Qualität der Chancen besser abbildet als das bloße Torergebnis.

Die Basisvariablen im Detail

Schussdistanz – je näher, desto höher die Wahrscheinlichkeit. Schusswinkel – ein 5-Grad-Winkel ist fast ein Garantietreffer, ein 45-Grad-Winkel eher ein Wunschtraum. Kopfball vs. Fußschuss – unterschiedliche Erfolgsquoten. Und nicht zu vergessen: Die Position des Torwarts, die Verteidigungslinie und die Geschwindigkeit des Balls.

Wie man das Modell praktisch anwendet

Hier ist der Deal: Man sammelt sämtliche Schussdaten eines Spiels, füttert sie in das xG-Tool und erhält pro Team einen Wert zwischen 0 und 1,0 pro Schuss. Summiert man diese, entsteht das erwartete Torvolumen. Wenn ein Team 2,5 xG erzielt, aber nur ein Tor schießt, ist die Abschlussquote miserabel – umgekehrt ein gutes Zeichen, wenn 1,2 xG zu 3 Toren führt.

Ein Beispiel aus der Bundesliga

Letzte Saison: Ein Mittelfeldspieler schoss aus 25 Metern, 30 Grad Winkel, mit starkem Gegenwind. Das Modell setzte dafür 0,12 xG an. Der Schuss ging zum Glück rein – ein Glückstreffer, der das Gesamtergebnis verzerrt. Ohne das xG-Framework würde man das als brillanten Schuss werten, obwohl die Chance statistisch kaum erfolgsversprechend war.

Warum das Modell unverzichtbar ist

Weil es die subjektive Bewertung von Analysten und Fans ausblendet und stattdessen harte Zahlen liefert. Trainer können Trainingsschwerpunkte setzen, Scoutings können objektiver entscheiden, und Buchmacher haben eine fundiertere Basis für Quoten.

Grenzen und Kritik

Man darf nicht vergessen, dass xG keine 100-Prozent-Genauigkeit verspricht. Es ignoriert das mentale Element, die Momentaufnahme des Spielers und das pure Glück. Doch das ist kein Grund, das Modell zu verwerfen – es ist ein Werkzeug, kein Allheilmittel.

Wie du sofort loslegen kannst

Hier ist die Praxis: Lade die neuesten Spieldaten von der offiziellen Liga-API, importiere sie in ein Python-Notebook, nutze das open-source-Package „xG-Framework” und setze deine erste Analyse auf. Und wenn du tiefer einsteigen willst, schau dir den expected goals modell an, um zu verstehen, welche Parameter deine Modelle wirklich beeinflussen.

Und hier kommt das eigentliche Fazit: Ignoriere das expected goals modell nicht, wenn du im modernen Fußball mitreden willst – es ist das neue Maßband für jede echte Leistungsbewertung. Jetzt einfach das Tool öffnen und loslegen.