KI Bundesliga Prognose xG – Expected Goals als Prognosefundament

Einleitung

Wer sich heute mit datenbasierter Fußballanalyse beschäftigt, kommt an einem Begriff nicht vorbei: Expected Goals, kurz xG. Diese Metrik hat in den letzten Jahren die Art revolutioniert, wie Spiele bewertet und Prognosen erstellt werden. Was einst ein Werkzeug für Datenspezialisten war, ist längst in den Mainstream gewandert und prägt die Diskussion über Leistung und Potenzial von Mannschaften.

Expected Goals messen nicht, was passiert ist, sondern was hätte passieren sollen. Wenn eine Mannschaft aus zehn hochkarätigen Chancen nur zwei Tore erzielt, sagt die xG-Metrik: Da ist mehr drin gewesen. Wenn eine andere Mannschaft aus zwei harmlosen Halbchancen dreimal trifft, warnt xG: Das wird so nicht weitergehen. Diese Fähigkeit, zwischen Können und Glück zu unterscheiden, macht Expected Goals so wertvoll für Prognosen.

Dieser Artikel erklärt, was Expected Goals genau sind, wie sie berechnet werden und warum sie zum Fundament moderner KI-Prognosen geworden sind. Er zeigt die praktische Anwendung für die Bundesliga und diskutiert sowohl die Stärken als auch die Grenzen dieser Metrik. Am Ende steht ein realistisches Bild dessen, was xG-basierte Analysen leisten können und was nicht.

Die Bedeutung von xG für Prognosen kann kaum überschätzt werden. Während klassische Statistiken wie Tore und Punkte den Zufall nicht herausfiltern, bietet xG einen stabileren Blick auf die tatsächliche Spielstärke. Wer versteht, wie diese Metrik funktioniert, gewinnt einen Vorsprung im Verständnis dessen, was auf dem Platz wirklich geschieht.

In der Bundesliga haben Expected Goals längst Einzug gehalten. Trainer nutzen sie zur Spielanalyse, Scouts zur Spielerbewertung, Journalisten zur Kommentierung. Die TV-Übertragungen zeigen xG-Werte nach dem Spiel, und kein ernsthafter Fußballdiskurs kommt mehr ohne diese Metrik aus. Für jeden, der sich mit Prognosen beschäftigt, ist ein solides Verständnis von xG unverzichtbar.

Was sind Expected Goals genau?

Expected Goals ist eine Wahrscheinlichkeitsmetrik. Sie drückt aus, wie wahrscheinlich es ist, dass ein bestimmter Schuss in ein Tor resultiert. Ein Elfmeter hat einen xG-Wert von etwa 0,76, weil statistisch gesehen etwa 76 Prozent aller Elfmeter verwandelt werden. Ein Fernschuss aus 30 Metern hat vielleicht einen xG-Wert von 0,02, weil nur zwei von hundert solcher Schüsse im Tor landen.

Die Summe aller xG-Werte eines Teams in einem Spiel ergibt die Expected Goals für diese Partie. Wenn eine Mannschaft Chancen mit xG-Werten von 0,5, 0,3, 0,2 und 0,1 kreiert, liegt ihr Gesamt-xG bei 1,1. Das bedeutet: Im statistischen Mittel hätte diese Mannschaft etwa ein Tor erzielen sollen. Ob sie tatsächlich null, eins oder drei Tore geschossen hat, steht auf einem anderen Blatt.

Die Idee hinter xG ist nicht neu. Analytiker haben schon lange versucht, die Qualität von Torchancen zu bewerten. Aber erst mit der Verfügbarkeit detaillierter Schussdaten und der Rechenkapazität moderner Computer wurde es möglich, präzise Modelle zu entwickeln. Die ersten öffentlich zugänglichen xG-Modelle entstanden um 2012, und seitdem hat sich die Methodik stetig weiterentwickelt.

Der Ursprung von xG liegt in einer einfachen Beobachtung: Nicht alle Schüsse sind gleich. Ein Kopfball aus fünf Metern nach einer Flanke ist eine völlig andere Angelegenheit als ein Distanzschuss in die Torwartarme. Die traditionelle Statistik zählt beide als einen Schuss, was wenig aussagt. xG gewichtet sie nach ihrer tatsächlichen Torwahrscheinlichkeit und liefert damit eine viel genauere Einschätzung der Spielleistung.

Die Mathematik hinter xG

Die Berechnung von Expected Goals basiert auf statistischen Modellen, die historische Schussdaten auswerten. Für jeden Schuss werden verschiedene Variablen erfasst und mit der Information verknüpft, ob er zu einem Tor geführt hat oder nicht. Aus diesen Daten lernt das Modell, welche Faktoren die Torwahrscheinlichkeit beeinflussen.

Die wichtigsten Variablen sind räumlicher Natur. Die Distanz zum Tor ist der offensichtlichste Faktor: Je weiter weg, desto unwahrscheinlicher das Tor. Der Winkel zum Tor spielt ebenfalls eine Rolle, weil ein spitzer Winkel weniger Zielfläche bietet. Die Position des Schusses innerhalb des Strafraums, außerhalb, zentral oder seitlich, macht einen erheblichen Unterschied.

Über die räumlichen Faktoren hinaus berücksichtigen fortgeschrittene Modelle weitere Variablen. Die Art des Schusses, Kopfball, Volley, direkter Schuss, beeinflusst die Trefferwahrscheinlichkeit. Die Spielsituation ist relevant: Schüsse nach Flanken haben andere Erfolgsquoten als solche nach Dribblings. Die Anzahl und Position von Verteidigern zwischen Ball und Tor kann einbezogen werden, ebenso wie die Geschwindigkeit des Angriffs oder die Frage, ob der Schütze unter Druck stand.

Die mathematische Grundlage ist typischerweise eine logistische Regression oder ein komplexeres Machine-Learning-Modell. Die Eingabewerte sind die beschriebenen Variablen, die Ausgabe ist eine Wahrscheinlichkeit zwischen null und eins. Diese Wahrscheinlichkeit ist der xG-Wert des Schusses. Die Summe aller Schuss-xG-Werte ergibt die Expected Goals des Teams.

Die Qualität eines xG-Modells hängt von der Datenbasis und der Modellkomplexität ab. Einfache Modelle nutzen nur Distanz und Winkel, fortgeschrittene beziehen ein Dutzend oder mehr Variablen ein. Die besten Modelle arbeiten mit Tracking-Daten, die die Positionen aller Spieler auf dem Feld erfassen. Diese detaillierten Informationen ermöglichen präzisere Vorhersagen, sind aber nicht für alle Ligen und Spiele verfügbar.

xG vs. tatsächliche Tore

Das Verhältnis zwischen Expected Goals und tatsächlich erzielten Toren sagt viel über ein Team aus. Mannschaften, die mehr Tore erzielen, als ihr xG-Wert erwarten lässt, nennt man Überperformer. Mannschaften, die weniger Tore erzielen, sind Unterperformer. Beide Kategorien sind für Prognosen relevant, aber aus unterschiedlichen Gründen.

Überperformance kann verschiedene Ursachen haben. Ein herausragender Stürmer mit außergewöhnlicher Abschlussstärke kann seine Chancen besser verwerten als der Durchschnitt. Ein Team mit hoher individueller Qualität im Angriff übertrifft möglicherweise systematisch die xG-Erwartungen. In diesen Fällen ist die Überperformance nachhaltig und kein Grund zur Warnung.

Häufiger allerdings ist Überperformance das Ergebnis von Glück. Ein Ball, der von der Latte ins Tor springt statt daneben. Ein Torwart, der patzt. Ein Verteidiger, der den Ball ins eigene Netz lenkt. Solche Ereignisse erhöhen die Torausbeute, ohne die zugrundeliegende Spielstärke zu verändern. Und was durch Glück entsteht, verschwindet auch wieder durch Pech. Die Regression zum Mittelwert ist ein statistisches Naturgesetz.

Unterperformance folgt derselben Logik, nur umgekehrt. Ein Team, das weniger Tore erzielt, als sein xG erwarten lässt, ist möglicherweise einfach unglücklich. Pfostentrefter, Paraden des Torwarts, knappe Abseitsentscheidungen, all das kann die Torausbeute drücken, ohne die Chancenqualität zu beeinträchtigen. Für Prognostiker ist ein unterperformendes Team oft interessanter als die Tabelle suggeriert.

Die praktische Implikation ist klar: Achte nicht nur auf die Tore, achte auf die xG. Ein Team mit 20 Toren aus 25 xG ist wahrscheinlich stärker als eines mit 20 Toren aus 15 xG, auch wenn die Tabelle das nicht zeigt. Die Zukunft orientiert sich eher an der Chancenqualität als an der vergangenen Chancenverwertung.

xG in der KI-Prognose

Moderne KI-Prognosemodelle für Fußball setzen Expected Goals als zentralen Input ein. Der Grund ist einfach: xG ist ein stabilerer Indikator für Spielstärke als Tore oder Punkte. Wer auf xG-Basis prognostiziert, filtert einen Teil des Zufalls heraus und kommt näher an die wahre Leistungsfähigkeit der Teams.

Die Integration von xG in Prognosemodelle erfolgt auf verschiedenen Wegen. Der direkteste Ansatz nutzt die xG-Werte der letzten Spiele als Features für die Vorhersage des nächsten Spiels. Wie viele Expected Goals hat Team A in den letzten fünf Heimspielen kreiert? Wie viele hat Team B auswärts zugelassen? Aus diesen Werten lässt sich eine Erwartung für das kommende Spiel ableiten.

Fortgeschrittene Modelle arbeiten differenzierter. Sie unterscheiden zwischen offensivem und defensivem xG, zwischen Heim- und Auswärtsspielen, zwischen Leistungen gegen starke und schwache Gegner. Sie berücksichtigen den Saisonverlauf, die Kaderverfügbarkeit, externe Faktoren. Das xG ist dabei nicht der einzige Input, aber ein besonders wichtiger, weil es so viel über die tatsächliche Spielqualität aussagt.

Die Gewichtung von xG gegenüber tatsächlichen Toren ist eine Schlüsselentscheidung im Modelldesign. Ein Modell, das ausschließlich auf xG setzt, ignoriert die individuelle Abschlussstärke und Torwartqualität. Ein Modell, das nur auf Tore schaut, ist anfällig für zufällige Schwankungen. Die besten Ansätze kombinieren beide Informationen in einem ausgewogenen Verhältnis und lernen aus den Daten, welche Gewichtung optimal ist.

Die Frage des Zeitfensters ist ebenfalls relevant. Wie weit sollte man zurückschauen? Die letzten drei Spiele geben ein aktuelles, aber volatiles Bild. Die letzten zwanzig Spiele liefern ein stabileres Bild, reflektieren aber möglicherweise nicht die aktuelle Form. Die meisten Modelle experimentieren mit verschiedenen Zeitfenstern und finden oft, dass eine Kombination aus kurz- und langfristigen Daten am besten funktioniert.

Die Prognosekraft von xG-basierten Modellen ist empirisch gut belegt. Studien zeigen, dass Expected Goals zukünftige Tore besser vorhersagen als vergangene Tore. Wer wissen will, wie viele Tore ein Team im nächsten Spiel schießen wird, fährt mit den xG-Werten der letzten Wochen besser als mit den tatsächlichen Torstatistiken. Dieser Vorteil ist bei kurzfristigen Prognosen am größten und verschwindet bei längeren Zeithorizonten, weil über viele Spiele hinweg die Zufallsschwankungen ausgleichen.

Expected Goals Against (xGA)

Was für die Offensive gilt, gilt auch für die Defensive. Expected Goals Against, kurz xGA, misst die Qualität der Chancen, die ein Team zulässt. Ein niedriger xGA-Wert bedeutet, dass die Gegner nur zu wenigen und minderwertigen Abschlüssen kommen. Ein hoher xGA-Wert deutet auf Probleme in der Defensive hin, selbst wenn der Torwart die Bälle hält.

Die Interpretation von xGA ist analog zu xG. Ein Team, das mehr Gegentore kassiert, als sein xGA erwarten lässt, hat möglicherweise Pech oder einen schwachen Torwart. Ein Team, das weniger Gegentore kassiert, profitiert vielleicht von glücklichen Umständen oder einem überragenden Schlussmann. In beiden Fällen ist die Regression zum Mittelwert wahrscheinlich.

Die Torwartleistung lässt sich über den Vergleich von xGA und tatsächlichen Gegentoren bewerten. Ein Torwart, der von seinem Team zehn xGA zugelassen bekommt, aber nur acht Tore kassiert, hat zwei Tore gerettet. Diese Zahl, oft als Goals Saved Above Expected bezeichnet, quantifiziert den Mehrwert des Keepers über den Durchschnitt hinaus. Umgekehrt gilt: Ein Torwart mit negativem GSAE kostet sein Team Punkte.

Für Prognosen ist xGA ebenso wertvoll wie xG. Die Differenz zwischen xG und xGA, die sogenannte xG-Differenz, ist einer der besten Indikatoren für die Gesamtstärke eines Teams. Mannschaften mit hoher positiver xG-Differenz sind langfristig erfolgreich, unabhängig davon, was die aktuelle Tabelle sagt. Mannschaften mit negativer xG-Differenz stehen auf wackligen Beinen.

xG-Daten der Bundesliga-Teams interpretieren

Die Anwendung von xG auf die Bundesliga offenbart interessante Muster. Manche Teams performen konstant nah an ihren xG-Erwartungen, andere weichen systematisch ab. Diese Unterschiede zu verstehen, hilft bei der Einschätzung künftiger Spiele.

Die Topteams der Liga, allen voran Bayern München, zeigen typischerweise hohe xG-Werte. Das ist keine Überraschung, denn Dominanz äußert sich in Chancenqualität. Interessanter ist die Frage, ob diese Teams ihre xG-Werte auch in Tore umsetzen. Eine systematische Überperformance über viele Spiele hinweg deutet auf individuelle Klasse hin. Eine starke Schwankung um den Erwartungswert zeigt, dass auch die Besten vom Zufall abhängig sind.

Die xG-Differenz, also die Differenz zwischen kreiertem xG und zugelassenem xG, ist einer der besten Indikatoren für die Gesamtstärke einer Mannschaft. Ein Team mit einer xG-Differenz von plus 1,5 pro Spiel dominiert seine Gegner, unabhängig davon, ob diese Dominanz sich immer in Punkten niederschlägt. Langfristig folgen die Punkte den Expected Goals, nicht umgekehrt.

Die Mittelklasse der Liga bietet oft die interessantesten Einsichten. Hier finden sich Teams mit hohem xG, aber niedriger Torausbeute, also Kandidaten für eine positive Entwicklung. Und es finden sich Teams, die über ihren Verhältnissen punkten und anfällig für einen Einbruch sind. Diese Einschätzungen sind keine Garantien, aber sie liefern eine datenbasierte Grundlage für Prognosen.

Der Abstiegskampf ist aus xG-Perspektive besonders aufschlussreich. Manchmal zeigt die Metrik, dass ein Tabellenletzter gar nicht so schlecht spielt, wie die Punkteausbeute vermuten lässt. Die Chancen sind da, nur die Tore fehlen. In solchen Fällen ist die Rettung wahrscheinlicher, als der Blick auf die Tabelle suggeriert. Umgekehrt kann ein Team mit ordentlicher Punkteausbeute, aber schwachen xG-Werten als Wackelkandidat identifiziert werden. Die xG-Analyse erlaubt einen Blick unter die Oberfläche der Tabelle.

Teams mit xG-Schulden und xG-Guthaben

Der Vergleich zwischen xG und tatsächlichen Toren über den Saisonverlauf offenbart Schulden und Guthaben. Ein Team, das zehn Tore weniger geschossen hat, als sein xG erwarten ließ, hat gewissermaßen Schulden beim Fußballgott. Ein Team, das fünf Tore mehr geschossen hat, hat ein Guthaben, das irgendwann aufgebraucht sein könnte.

Die Regression zum Mittelwert ist der Mechanismus, der Schulden eintreibt und Guthaben aufzehrt. Ein Stürmer, der zehn Großchancen hintereinander vergeben hat, wird nicht ewig weiter vergeben. Irgendwann normalisiert sich seine Trefferquote, und die Tore kommen. Umgekehrt gilt für den Spieler, der aus harmlosen Halbchancen drei Traumtore erzielt hat: Die nächsten gehen wahrscheinlich nicht rein.

Für Prognosen ist dieses Wissen wertvoll. Ein Team mit hohen xG-Schulden ist ein Kandidat für eine Aufholjagd. Nicht weil Magie im Spiel ist, sondern weil die Statistik langfristig zu ihrem Recht kommt. Ein Team mit hohem xG-Guthaben ist ein Kandidat für einen Rückfall. Die Frage ist nur, wann die Regression einsetzt, und das lässt sich nicht exakt vorhersagen.

Die Wettimplikationen sind offensichtlich. Wenn die Quoten eines Buchmachers die aktuelle Tabelle reflektieren, aber nicht die xG-Daten, kann eine Diskrepanz entstehen. Ein Team, das laut Tabelle schwach ist, aber laut xG ordentlich spielt, ist möglicherweise unterbewertet. Diese Chancen sind nicht garantiert, aber sie bieten einen systematischen Ansatz, der über Bauchgefühl hinausgeht.

Grenzen des xG-Modells

So wertvoll Expected Goals sind, so wichtig ist das Verständnis ihrer Grenzen. Kein Modell ist perfekt, und xG macht da keine Ausnahme. Wer die Schwächen kennt, kann die Stärken besser nutzen.

Die erste Grenze liegt in der Datenqualität. Nicht alle xG-Modelle sind gleich, und nicht alle Daten sind gleich gut. Ein Modell ohne Tracking-Daten, das nur Schussposition kennt, ist weniger präzise als eines, das die Positionen aller Verteidiger einbezieht. Wer xG-Werte aus verschiedenen Quellen vergleicht, stellt oft erhebliche Unterschiede fest. Diese Diskrepanzen sollten zur Vorsicht mahnen und daran erinnern, dass xG eine Schätzung ist, keine exakte Messung.

Die zweite Grenze betrifft die individuelle Abschlussstärke. xG arbeitet mit Durchschnittswerten: Wie oft trifft der durchschnittliche Spieler aus dieser Position? Aber nicht alle Spieler sind durchschnittlich. Ein Weltklassestürmer verwandelt Chancen zuverlässiger als ein Ersatzspieler. xG kann diese Unterschiede nur begrenzt erfassen, weil die individuelle Stichprobe zu klein ist für belastbare Aussagen. Manche Modelle versuchen, spielerspezifische Anpassungen vorzunehmen, aber die Datenbasis ist oft zu dünn.

Die Torwartleistung ist ein verwandtes Problem. Manche Torhüter sind besser als andere, und diese Unterschiede wirken sich auf die Gegentorwahrscheinlichkeit aus. Ein xG-Modell, das den Torwart nicht berücksichtigt, unterschätzt die defensive Stärke von Teams mit Weltklassekeepern. Neuere Modelle versuchen, Torwartqualität einzubeziehen, aber auch hier sind die individuellen Stichproben klein.

Psychologische Faktoren bleiben ebenfalls außen vor. Die Bedeutung eines Spiels, der Druck der Situation, die Motivation der Spieler, all das beeinflusst die Chancenverwertung und wird von xG nicht erfasst. Ein Elfmeter im Champions-League-Finale ist nicht dasselbe wie einer im Testspiel, auch wenn beide denselben xG-Wert haben. Die mentale Stärke eines Teams zeigt sich oft gerade in den entscheidenden Momenten.

Die Spielsituation zum Zeitpunkt des Schusses ist ein weiterer blinder Fleck. War das Team in Führung oder in Rückstand? Spielte der Gegner mit einem Mann weniger? War es die 5. oder die 90. Minute? All diese Kontextfaktoren können die Wahrscheinlichkeit beeinflussen, dass ein Schuss zum Tor führt, werden aber von einfachen xG-Modellen oft ignoriert.

Schließlich sagt xG nichts über das, was nicht passiert. Ein Team, das den Ball 90 Minuten lang zirkulieren lässt, ohne zu einem Abschluss zu kommen, hat null xG, aber das beschreibt die Spielqualität nicht vollständig. Die Fähigkeit, überhaupt in Schussposition zu kommen, ist wertvoll und wird von xG nur indirekt erfasst. Ergänzende Metriken wie Expected Threat oder Possession Value versuchen, diese Lücke zu schließen.

xG-basierte Entscheidungen treffen

Die praktische Anwendung von xG erfordert eine Integration in den eigenen Analyseprozess. Wie nutzt man die Metrik sinnvoll, ohne ihr blind zu vertrauen?

Der erste Schritt ist die regelmäßige Beobachtung der xG-Daten. Wer wissen will, wie ein Team wirklich spielt, sollte nicht nur die Tore, sondern auch die Expected Goals verfolgen. Viele Statistikportale bieten diese Informationen kostenlos an. Der Aufwand ist gering, der Erkenntnisgewinn erheblich. Gewöhne dir an, nach jedem Spieltag nicht nur auf die Ergebnisse zu schauen, sondern auch auf die xG-Werte.

Der zweite Schritt ist der Vergleich zwischen xG und Realität. Erzielt ein Team mehr oder weniger Tore, als sein xG erwarten lässt? Wie sieht es defensiv aus? Diese Abweichungen sind der Schlüssel zur Einschätzung, ob ein Team über oder unter seinen Möglichkeiten punktet. Ein Team mit fünfzehn Toren aus zehn xG ist ein Kandidat für eine Korrektur nach unten, ein Team mit zehn Toren aus fünfzehn xG für eine Korrektur nach oben.

Der dritte Schritt ist die Suche nach Diskrepanzen zwischen öffentlicher Wahrnehmung und xG-Daten. Wenn ein Team in der Tabelle auf Platz zwölf steht, aber laut xG-Differenz zu den besten acht der Liga gehört, ist das ein Warnsignal. Entweder stimmt etwas mit der Chancenverwertung nicht, oder das Team hat strukturelle Probleme, die xG nicht erfasst. In jedem Fall lohnt eine genauere Analyse.

Die Beobachtung über Zeit ist wichtiger als der Einzelspielwert. Ein Team kann in einem Spiel einen xG-Wert von 0,5 haben und trotzdem 3:0 gewinnen. Das sagt wenig aus. Erst die Akkumulation über viele Spiele hinweg zeigt, ob ein Muster vorliegt. Wer vorschnell aus einem Spieltag Schlüsse zieht, verrennt sich leicht.

Der vierte Schritt ist die Demut. xG ist ein Werkzeug, keine Kristallkugel. Es verbessert die Entscheidungsqualität im Durchschnitt, garantiert aber keine Treffer im Einzelfall. Wer das versteht, nutzt xG als Teil eines umfassenden Analyseprozesses, nicht als alleinige Grundlage. Die Kombination mit anderen Informationen, mit dem eigenen Spielverständnis, mit dem Wissen über Kontextfaktoren, führt zu besseren Einschätzungen als jede einzelne Metrik für sich.

Die Lernkurve ist steil, aber lohnend. Wer einige Wochen lang xG-Daten beobachtet und mit den tatsächlichen Ergebnissen vergleicht, entwickelt ein Gefühl dafür, was die Zahlen bedeuten. Dieses intuitive Verständnis ergänzt die reine Datenanalyse und macht die Prognosen robuster.

Am Ende steht die Erkenntnis: Expected Goals haben die Fußballanalyse verändert und werden es weiter tun. Wer diese Metrik versteht und sinnvoll einsetzt, hat einen Vorsprung gegenüber denen, die nur auf Tore und Tabellen schauen. Aber auch xG ist nur ein Teil des Bildes, und das vollständige Bild wird nie ganz sichtbar sein. Das ist das Wesen des Fußballs, und genau das macht ihn so faszinierend.