„Das war eine 100-prozentige!“ „Das muss Tor sein“, das sind typische Aussagen, die wir von TV-Kommentatoren oder Freunden hören, wenn wir uns ein Fussballspiel anschauen.
Doch wer entscheidet, wie hoch die Wahrscheinlichkeit eines Tors ist? Und kann das überhaupt berechnet werden? Ja, es kann mit hochkomplexen Formeln berechnet werden, aber hier möchten wir euch nicht die Formel erklären, sondern den Wert xG (Expected Goals) vorstellen.
Expected Goals xG
Anhand welcher Faktoren wird die Wahrscheinlichkeit bestimmt?
Wie kann es benutzt werden und auf was muss geachtet werden?
xG steht für „Expected Goals“ (auf Deutsch „erwartete Tore“). Es ist eine Kennzahl, die die Qualität einer Torchance im Spiel analysiert. Die Kennzahl liegt zwischen 0 und 1, d.h. dass ein Torschuss mit einem xG-Wert von 0.10 eine 10% Chance auf ein Tor hat.
Dieser Wert wird anhand von historischen Daten und komplexen, mathematischen Modellen berechnet. Aber einfach zusammengefasst, wird eine heutiger Torschuss analysiert und verglichen mit „identischen“ Torschüssen aus der Vergangenheit und wie viele dieser Schüsse in Tore umgewandelt wurden.
Ob ein Torschuss ähnlich ist, wird anhand folgender Faktoren berechnet: Position beim Abschluss, Distanz zum Tor, Winkel zum Tor, mit welchem Körperteil wird geschossen (Kopf oder Fuss), mit welcher Geschwindigkeit läuft der Spieler zum Ball und wie wurde der vorherige Pass gespielt wurde.
Auf dem Markt gibt es unterschiedliche Anbieter und jeder berechnet den Wert auf andere Weise bzw. nutzt die Faktoren unterschiedlich. Einige Anbieter berücksichtigen zusätzlich noch die Anzahl Verteidiger zwischen Spieler und Tor. Statsbomb hat vor Kurzem auch die Schusshöhe eingeführt. Jedoch variiert der Wert zwischen den Datenanbietern nicht enorm.
Nehmen wir den Elfmeter als Beispiel, da dieser „Torschuss“ immer gleich ist. Ein Elfmeter hat einen xG-Wert von 0.77 und bedeutet, dass anhand der historischen Daten im Schnitt drei von vier Elfmeter verwandelt werden.
Unten noch ein Beispiel aus der Bundesliga. Die Torwahrscheinlichkeit von Thiago Alcantara lag bei 53%, somit ist dies ein xG-Wert von 0.53. Hätte jedoch Lewandowski nicht an Thiago abgespielt, wäre seine Torwahrscheinlichkeit nur bei 19%, somit einen xG Wert von 0.19.
Der Unterschied ist klar: Thiago kann ohne Druck, von 11 Meter zentral auf ein fast leeres Tor schiessen. Hingegen hatte Lewandowski den schlechteren Winkel und zusätzlich Verteidiger um sich, somit war der xG-Wert darum auch signifikant tiefer.
Wie kann man Expected Goals in der Analyse nutzen?
Schauen wir uns anhand eines ganz einfachen Beispiels an, wie man xG in der Spieleranalyse nutzen kann. Unten seht ihr eine Liste mit Stürmern der Schweizer Super League 2019/2020 sortiert nach Anzahl „Expected Goals“ (Datenanbieter: Wyscout). In der letzten Spalte sehen wir die Differenz zwischen den erwarteten Toren anhand der xG-Werte und der reellen Anzahl geschossenen Toren. (Wir haben die geschossenen Elfmeter nicht entfernt, um das Beispiel besser zu veranschaulichen).
Wir sehen das Nsamé anhand der xG-Werte „nur“ knapp 22 Tore hätte schiessen sollen, aber tatsächlich 32 Tore geschossen hatt. Somit 10 mehr als erwartet. Das heisst, dass Nsamé „overperfomed“ hat aber nun entsteht die Frage: Wieso?
Hatte er die letzte Saison nur Glück und wie war seine Performance in den letzten Jahren?
Ist er ein überdurchschnittlicher Knipser?
Sind die Torhüter in der Schweiz schlechter als der Durchschnitt?
Den wie bei allen Daten muss man sie im Kontext analysieren und in diesem Fall auch mit Video- und/oder Live-Scouting kombinieren, um die Gründe seiner Overperformance zu verstehen.
Was aber ein hoher xG-Wert bestätigt, ist das der Spieler aus aussichtsreichen Positionen aufs Tor schiesst bzw. sich gut positioniert.
Ähnlich kann man auch ganze Teams analysieren und wie effizient die Mannschaft während der Saison vor dem Tor war. Schauen wir hier hier die letzte Saison der Schweizer Super League an.
Super League
Hier fällt sofort aus, dass Sion, der FCZ und Xamax eine hohe Underperformance hatten und eigentlich anhand der xG-Werte 10 resp. 14 zusätzliche hätten schiessen sollen.
Für einen Trainer und seinen Staff sind dies interessante Kennzahlen, denn sie bedeuten, dass man gute Torchancen kreiert aber sie nicht genügend verwandelt. Und wie bei der Spieleranalyse ist es hier wichtig zu verstehen, wieso dies der Fall ist? Ist der letzte Pass nicht ideal? Sind unsere Angreifer nicht kaltschnäuzig vor dem Tor? Wie kann das ein Trainer verbessern?
Übrigens kann man auch die Defensive einer Mannschaft analysieren, indem man xGA (Expected Goal Against) analysiert. Das heisst, wir schauen uns die Qualität der Torchance an, die gegen uns erspielt werden.
Auf was muss bei Expected Goals geachtet werden?
Wie vorhin erwähnt, ist es wichtig, dass wir Daten immer im Kontext analysieren. Auch xG ist nicht perfekt und es ist wichtig einige Einschränkungen zu kennen, die die Analyse beeinträchtigen könnten:
• Der xG-Wert berücksichtigt den Schützen nicht, sondern beruht immer auf dem Durchschnitt. Natürlich werden Messi, Ronaldo oder Lewandowski fast jede Saison die Daten übertrumpfen, da sie nicht zum Durchschnitt gehören.
• Die Qualität des Passes wird nicht berücksichtigt, wenn zum Beispiel ein Angreifer in idealer Position steht und eine freie Schussbahn hat, der Ball jedoch abgefälscht wird oder der Passgeber spielt einen hüfthohen Pass, so ist der xG zwar sehr hoch, die Wahrscheinlichkeit eines Tores in der Praxis jedoch um ein Vielfaches geringer.
• Vorhin habe ich erwähnt, dass das Modell auf historischen Daten und die Wahrscheinlichkeit mit identischen Situationen vergleicht. Im Fussball ist jede Aktion unterschiedlich.
• Ausserdem fehlt der Kontext zum Spiel. Ein Spieler, der in der Verlängerung oder Nachspielzeit mit letzter Kraft ein 30 Meter-Solo hinlegt und schlussendlich nur noch den Torhüter vor sich hat, hat den gleichen xG wie ein fitter und hochkonzentrierter Spieler, der in der 10. Minute glücklich alleine vor dem Torhüter steht.
Fazit:
Der xG-Wert sollte als unterstützende Information für Entscheidungen genutzt werden. Es sollte unsere Beobachtungen unterstützen oder widerlegen und nicht eine definitive Antwort zu einem Spieler oder Mannschaft geben.
Blog von www.footballytics.ch Über Data Analytics Themen im Fussball - improve the game - change the ǝɯɐƃ
Teilen Sie diesen Beitrag
Comments