Wat Expected Goals Écht Meet (en Wat Niet)

Elk schot in het voetbal heeft een kans om een doelpunt te worden, en die kans is precies wat expected goals, of xG, in een getal probeert te vangen. Een tikkertje van twee meter voor een leeg doel kan een xG van 0,9 hebben. Een speculatief schot van dertig meter, vanuit een scherpe hoek met een verdediger die de ruimte al dichtdrukt, is misschien maar 0,03 waard. Tel alle schoten van een team of speler op over een wedstrijd, een seizoen, of een hele carrière, en je krijgt een totaal dat ongeveer laat zien hoeveel doelpunten die kwaliteit aan schoten had moeten opleveren.

Het model achter dit getal analyseert duizenden schoten uit het verleden en stelt voor elk nieuw schot dezelfde simpele vraag: van alle schoten die vanaf deze afstand, onder deze hoek, onder deze druk, met dit type voorzet werden genomen, hoeveel gingen erin? Afstand en hoek tot het doel doen het meeste werk. Of het schot een kopbal was of met de voet gemaakt is, telt mee. Of de bal kwam van een terugleg, een voorzet, of een steekpass verandert het getal. Druk van de verdediging, de positie van de keeper, en of het een-op-een tegen de keeper was, verschuiven het verder, afhankelijk van hoe gedetailleerd het model is.

Wat het model niet voorspelt

Wat xG niet is, is een voorspelling voor dat specifieke schot. Erling Haaland maakt kansen van 0,9 xG niet in 90 procent van de gevallen af omdat hij Erling Haaland is; het model weet niet wie schiet. Het weet alleen hoe het schot er geometrisch uitzag. Dit is het meest voorkomende misverstand over de statistiek, en het is de moeite waard om erbij stil te staan, want het verklaart de meeste discussies erover.

Het verklaart ook waarom sommige spelers structureel meer scoren dan hun xG suggereert. Een spits die zijn verwachte totaal meerdere seizoenen op rij overtreft, doet waarschijnlijk iets wat het model niet kan zien: uitzonderlijke plaatsing, ongewone koelbloedigheid, of simpelweg zo goed zijn in afronden dat gemiddelde conversiepercentages niet op hem van toepassing zijn. Eén goede maand bewijst weinig. Meerdere seizoenen van overperformance beginnen op een echte vaardigheid te lijken in plaats van toeval.

Het nut van optellen over wedstrijden

Het getal is het nuttigst in optelling, over een reeks wedstrijden in plaats van één enkele. Een team kan met 1-0 verliezen terwijl het 2,4 xG produceert tegen 0,3 van de tegenstander, en dat vertelt je iets wat een 1-0-uitslag alleen niet kan: dat het proces goed was, ook al was het resultaat dat niet. Trainers worden ontslagen na resultaten die volgens xG gewoon pech waren, en andere trainers overleven resultaten die volgens xG geflatteerd waren. Geen van beide observaties verandert de eindstand, maar beide veranderen hoe je de komende wedstrijden zou moeten lezen.

Waar xG verkeerd wordt gebruikt

De statistiek wordt verkeerd gebruikt zodra mensen het als een oordeel behandelen in plaats van een beschrijving. "Team A verdiende te winnen omdat hun xG hoger was" gaat voorbij aan alles wat er echt op het veld gebeurde: een keeper die de wedstrijd van zijn leven keept, een team dat achterin gaat staan en op de counter loert, een rode kaart die de tweede helft omgooit. xG beschrijft schotkwaliteit. Het beschrijft geen speelplannen, en het weet niet dat een team de laatste twintig minuten met tien man speelde, tenzij daar specifiek voor gecorrigeerd wordt, wat de meeste publieke modellen niet doen.

Er zijn ook echte grenzen aan de onderliggende data. Verschillende aanbieders bouwen hun modellen op verschillende schotsamples en invoervariabelen, en daarom zie je soms twee websites het oneens over de xG van dezelfde wedstrijd. Geen van beide liegt; ze wegen afstand, type voorzet en druk gewoon anders. Geen van beide houdt goed rekening met een schot dat een fractie van een seconde na een been van een verdediger vertrekt, of een terugspringende bal die op een rare hoogte komt. Het model leest geometrie. Het kijkt niet naar de wedstrijd.

Zorgvuldig gebruik en afgeleide maatstaven

Zorgvuldig gebruikt is xG een van de betere manieren om te scheiden wat een team echt deed van wat de eindstand zegt dat er gebeurde. Onzorgvuldig gebruikt wordt het gewoon weer een getal dat mensen aanhalen om een discussie te winnen waarvan ze de uitkomst al hadden besloten. Voor spitsen die veel strafschoppen nemen, is non-penalty expected goals (npxG) het bruikbaardere getal, dat de bijna-zekere waarde van een penalty uit het totaal haalt. En dit alles zegt nog niets over de keeper aan de andere kant van het schot, waar PSxG juist voor is gebouwd.

xG is ook de grondstof voor andere maatstaven. Deel het door het aantal schoten en je krijgt schotkwaliteit, haal de totalen van beide ploegen door een simulatie en je krijgt expected points, en vergelijk een van beide met de op resultaten gebaseerde Elo-rating om te zien waar prestatie en resultaat uit elkaar lopen.

xG is de standaardmaat voor een spits: wie steeds kansen met een hoge xG krijgt, beweegt goed, ook in een periode zonder goals, en wie ver boven zijn xG scoort, werkt uitzonderlijk af of heeft geluk.

Is xG een betrouwbare voorspeller van de wedstrijduitslag?

Niet op zichzelf, en niet voor één wedstrijd. xG meet de kwaliteit van gecreëerde en weggegeven kansen, niet wie er wint. Een team kan een overtuigend xG-overwicht van 2,8 tegen 0,7 neerzetten en toch verliezen door een dode spelsituatie diep in blessuretijd, omdat één wedstrijd een te kleine steekproef is om schotkwaliteit betrouwbaar in een resultaat te vertalen. Over een reeks wedstrijden correleert het xG-verschil echter veel sterker met punten dan de meeste andere losse statistieken die publiek beschikbaar zijn, en daarom behandelen analisten een aanhoudende kloof tussen het xG van een team en de werkelijke resultaten als een signaal dat onderzoek verdient, niet als ruis dat je negeert.

Hoe wordt xG berekend?

Een xG-model analyseert duizenden schoten uit het verleden en vraagt voor elk nieuw schot hoeveel vergelijkbare schoten erin gingen. Afstand en hoek tot het doel doen het meeste werk. Ook telt mee of het een kopbal was, of de bal kwam van een terugleg, voorzet of steekpass, en hoeveel druk de verdediging gaf. Gedetailleerdere modellen nemen ook de positie van de keeper mee.

Waarom scoren sommige spitsen structureel boven hun xG?

Het xG-model weet niet wie er schiet; het kijkt alleen naar hoe het schot er geometrisch uitzag. Een spits die zijn verwachte totaal meerdere seizoenen op rij overtreft, doet waarschijnlijk iets wat het model niet ziet: uitzonderlijke plaatsing, ongewone koelbloedigheid of simpelweg uitzonderlijk goed afronden. Eén goede maand bewijst weinig, maar meerdere seizoenen beginnen op een echte vaardigheid te lijken.

Waarom verschilt de xG per website?

Verschillende aanbieders bouwen hun xG-modellen op verschillende schotsamples en invoervariabelen. Daardoor zijn twee websites het soms oneens over de xG van dezelfde wedstrijd. Geen van beide liegt: ze wegen afstand, type voorzet en druk gewoon anders. Geen enkel model houdt goed rekening met een schot dat via een been van een verdediger vertrekt. Het model leest geometrie en kijkt niet naar de wedstrijd.