Ett lag vinner 1-0. Resultatet antyder en jämn match, kanske en defensiv batalj med få chanser. Men tänk om det förlorande laget hade 23 skott, träffade ribban tre gånger och missade ett öppet mål från sex meter? Tänk om vinnaren gjorde mål på sitt enda försök – ett spekulativt distansskott som tog en styrning förbi målvakten? Resultatet säger en sak. Verkligheten säger en annan.
Det är därför expected goals finns. xG skär igenom bruset av vad som faktiskt hände för att avslöja vad som borde ha hänt baserat på kvaliteten på skapade chanser. Det är den enskilt viktigaste statistiska innovationen inom fotbollsanalys under det senaste decenniet, och den har fundamentalt förändrat hur smarta spelare utvärderar matcher, lag och bettingmarknader.
Expected goals tilldelar ett sannolikhetsvärde till varje skott baserat på historisk data. En straff kan vara värd 0,76 xG – ungefär 76% chans att göra mål. En nick från kanten av sexmetersstrecket kan vara 0,45 xG. Ett distansskott med en försvarare som täcker kan vara bara 0,03 xG. Summera alla xG-värden från en match och du får varje lags totala expected goals – ett mått på vad resultatet borde ha varit om avslutningarna matchade historiska genomsnitt.
Traditionell statistik ljuger konstant. Gjorda mål belönar tur lika mycket som kvalitet. Ett lag som rider på en het svit av kliniska avslut ser världsklass ut tills regressionen slår till. En sida som skapar utmärkta chanser men misslyckas konvertera ser medioker ut tills deras tur vänder. xG ser igenom dessa illusioner. Det identifierar lag som överpresterar sina underliggande siffror – redo för ett fall – och lag som underpresterar – redo för förbättring.
För spelare är denna insikt ovärderlig. När ett lag har vunnit fyra raka matcher men deras xG säger att de har blivit utspelade i tre av dem, har marknaden ofta inte hunnit ikapp. När ett kämpande lag har förlorat upprepade gånger trots att de genererat överlägsen xG, finns ofta värde i deras återhämtning. Det här är exakt den analys som driver våra målförutsägelser – att se bortom resultat för att hitta vad datan faktiskt antyder om målsannolikhet.
Den här artikeln förklarar allt du behöver förstå om expected goals. Du kommer lära dig vad xG mäter, hur det beräknas, varför det spelar mer roll än traditionell statistik, och avgörande – hur du tillämpar det i din bettinganalys. Vi kommer också täcka begränsningarna – xG är inte perfekt, och att veta när man ska lita på det kontra när man ska ifrågasätta det skiljer sofistikerad analys från blind statistikdyrkan.
Om du vill ha predictions som inkluderar xG-analys istället för att bara jaga senaste resultat, gå med i vår gratis Telegram-kanal där statistisk kontext driver varje val vi delar.
Oavsett om du är ny på expected goals eller vill fördjupa din förståelse, kommer det som följer att förändra hur du ser på fotboll och utvärderar bettingmöjligheter.
Vad är Expected Goals (xG)?
Expected goals – förkortat xG – är ett mått som mäter kvaliteten på en målchans baserat på flera faktorer, och sedan tilldelar den ett värde mellan 0 och 1. Det värdet representerar sannolikheten att en genomsnittlig spelare gör mål från exakt den situationen. En straff kan ha ett xG på 0,76, vilket betyder att den genomsnittliga spelaren sätter den 76% av gångerna. En tap-in från tre meter kan vara 0,92 xG. En spekulativ volley från 30 meter kanske bara får 0,02 xG.
Kraften i xG ligger i aggregering. Summera alla xG-värden från ett lags skott i en match och du får deras totala expected goals – vad de “borde” ha gjort om avslutningarna matchade historiska genomsnitt. När ett lag skapar chanser värda 2,5 xG men bara gör ett mål, har de underpresterat sina chanser. När de gör tre på 0,8 xG, har de överpresterat. Ingen av situationerna är hållbar.
Detta koncept delas in i två tillämpningar. xG For (xGF) mäter kvaliteten på chanser ett lag skapar – deras offensiva hot. xG Against (xGA) mäter kvaliteten på chanser de släpper till – deras defensiva sårbarhet. Ett lag med hög xGF och låg xGA är genuint dominant, oavsett faktisk målskillnad. Ett lag med låg xGF och hög xGA är i trubbel, oavsett vad deras poängsumma för närvarande antyder.
Den viktiga insikten är enkel: mål är brusiga, xG är stabilt. En anfallare kan avsluta över eller under sitt xG under perioder av tio, femton, till och med tjugo matcher. Men över en säsong regredierar de flesta spelare och lag mot sina underliggande siffror. xG fångar den hållbara verkligheten under den volatila ytan av faktiska resultat.
Vad xG avslöjar som resultatet döljer
Varje fotbollsfan har sett en match där resultatet kändes fel. Ett lag dominerade men förlorade. Det andra gjorde mål på två halvdana chanser och vann ändå. Resultatet går in i rekordböckerna, tabellen förändras, och alla går vidare. Men den underliggande sanningen består: resultat ljuger, xG gör det inte.
Sheffield Uniteds säsong 2020/21 i Premier League ger det skarpaste exemplet. De slutade sist med bara 23 poäng – en katastrofal kampanj oavsett hur man mäter. Men deras xG-data berättade en intressant historia. Under stora delar av tidiga säsongen genererade de rimliga chanser medan de var brutalt kliniska mot sig själva. Deras xG-differens var inte elitmässig, men den var inte 23-poäng-dålig heller. Det som dödade dem var avslutningarna – deras egna anfallare missade klara lägen medan motståndarna begravde allt. De underpresterade dramatiskt mot sitt xG, och när regressionen borde ha hjälpt dem var deras självförtroende krossat och nedflyttningen var oundviklig.
Brighton under Graham Potter illustrerade det motsatta fenomenet. Under tre konsekutiva säsonger genererade de xG-summor som borde ha placerat dem bekvämt i mittenskiktet eller högre. Deras faktiska avslutningar kom regelbundet till korta. Fans blev frustrerade av att se dominanta prestationer ge ett mål eller inget. Ändå behöll Potter sitt jobb eftersom den underliggande datan visade att processen fungerade – de skapade chanser som så småningom skulle konverteras. Visst nog, när avslutningarna klickade under Roberto De Zerbi, sköt Brighton upp i europeisk konkurrens. xG var alltid där; resultaten kom ikapp till slut.
Liverpool 2021/22 demonstrerade xG-dominans översatt till resultat. De genererade elit-xGF-siffror genom obarmhärtiga anfallsmönster – Salah, Mané och Jota utgjorde ett konstant hot. Deras xGA var lika imponerande under den höga pressen. När xG-generering och konvertering stämmer överens får du en titelutmaning. Deras underliggande siffror antydde att de var ett av de två bästa lagen i ligan, och poängtabellen bekräftade det.
Det här är vad xG avslöjar: den hållbara sanningen om lagkvalitet. Bra avslutningssviter tar slut. Dåliga avslutningssviter tar slut. Regression drar alla mot deras underliggande skapandenivåer. Spelare som bara ser senaste resultat missar dessa dynamiker helt.
Hur beräknas xG?
Varje dataleverantör har sin egen xG-modell, men kärnmetodiken är konsekvent. De analyserar hundratusentals historiska skott, identifierar faktorerna som påverkade om varje skott resulterade i mål, och bygger sedan statistiska modeller som förutspår sannolikheten att ett nytt skott går in.
- Avstånd till mål är den mest fundamentala faktorn. Ett skott från sex meter är exponentiellt mer sannolikt att gå in än ett från trettio meter. Förhållandet är inte linjärt – det finns en dramatisk nedgång när avståndet ökar bortom straffområdet.
- Vinkel till mål spelar stor roll. Ett skott rakt framför mål har hela målet tillgängligt. Ett skott från en snäv vinkel nära mållinjen har minimalt mål synligt. Spetsiga vinklar minskar dramatiskt xG även på nära håll.
- Kroppsdel som används påverkar sannolikheten. Nickade skott konverteras i lägre takt än skott med foten, även från identiska positioner. Detta reflekterar svårigheten att rikta nickar precist. Skott med den svagare foten har också lägre xG än dominanta foten i de flesta modeller.
- Skottyp och situation ger kontext. Är det en direkt frispark? En volley? En en-mot-en? Varje situation har olika historiska konverteringsgrader. En straff är en straff – ungefär 0,76 xG oavsett vem som tar den.
- Defensivt tryck finns med i mer sofistikerade modeller. Ett skott med en försvarare som blockerar linjen är mindre sannolikt att gå in än ett identiskt skott med fri väg mot mål. Vissa modeller inkluderar även målvaktens positionering.
Dataleverantörer som Opta (ägs av Stats Perform), StatsBomb och Wyscout har var och en proprietära modeller med lite olika viktningar. StatsBombs modell är känd för att inkludera mer detaljerad information om defensiv positionering. FBref publicerar StatsBomb xG gratis, vilket gör det till den mest tillgängliga högkvalitativa källan. De mindre skillnaderna mellan leverantörer spelar mindre roll än att förstå vad xG fundamentalt representerar – en sannolikhetsuppskattning baserad på skottkvalitet.
Hur man hittar och läser xG-data
Att förstå xG konceptuellt är en sak. Att faktiskt hitta och tolka det kräver att veta var man ska leta och vad siffrorna betyder i kontext.
Match-nivå xG berättar vem som förtjänade att vinna en specifik match. När du ser “Manchester United 1-0 Fulham (0,4 xG – 1,8 xG)” – ett verkligt exempel från senaste säsongerna – vet du omedelbart att resultatet smickrade United. De blev utspelade på skapade chanser och stal en vinst. Detta betyder inte att resultatet var “fel” – fotboll belönar avslutningar, inte bara skapande – men det signalerar att United faktiskt inte var det bättre laget den dagen.
Säsongs-nivå xG ger mer pålitlig insikt. Ett lag med 65 xGF och 40 xGA efter 30 matcher skapar bevisligen mer än de släpper till, oavsett deras faktiska målskillnad. Över stora urval korrelerar xG-skillnader starkt med intjänade poäng. Litet urval xG kan vara brusigt; säsongslång xG är meningsfullt.
Per-90-statistik normaliserar för speltid. När man jämför spelare, vilseleder råa xG-summor om en spelare har spelat dubbelt så mycket som en annan. xG per 90 minuter ger en rättvis jämförelse – vem genererar eller bidrar till bättre chanser när de faktiskt är på planen?
xG-kartor visualiserar skottdata spatialt. Du kommer stöta på dessa ofta på sociala medier och analyssajter. Varje skott visas som en prick eller cirkel på en plangrafik, dimensionerad efter xG-värde. Större cirklar betyder högre kvalitet på chanserna. En karta täckt av små prickar utanför boxen berättar en annan historia än en som visar några stora cirklar inuti sexmetersområdet – även om total xG är liknande.
Var du hittar gratis xG-statistik
FBref (fbref.com) publicerar omfattande StatsBomb xG-data för stora ligor helt gratis. Du kan komma åt lag-xG, spelar-xG och per-90-mätvärden över Europas toppdivisioner. Detta är den bästa gratisresursen för seriös analys.
Understat (understat.com) tillhandahåller xG för de fem största europeiska ligorna plus Ryssland, med match-för-match-nedbrytningar och individuell skottdata. Deras modell skiljer sig något från StatsBomb men förblir högkvalitativ.
Fotmob (app och webbplats) visar xG i sin matchtäckning, vilket gör det enkelt att kolla expected goals tillsammans med liveresultat. Användbart för snabb referens under matcher.
Använda xG för fotbollsbetting
xG förvandlas från intressant statistik till lönsamt verktyg när du kopplar det till bettingmarknader. Kärntillämpningen är enkel: identifiera var faktiska resultat avviker från underliggande kvalitet, och spela sedan på regression innan spelbolagen justerar.
Ett lag som har förlorat tre raka men genererat överlägsen xG i alla tre matcherna är inte ett lag i kris – de är ett lag som är redo för en korrigering. Spelbolag sätter ofta odds baserat tungt på senaste resultat. När resultat misrepresenterar sann kvalitet finns värde för spelare som ser förbi resultatet.
Omvänt är en sida som rider på en vinstsvit med tunna xG-marginaler sårbar. De bankar resultat som deras chanseskapande inte stödjer. Så småningom – ibland brutalt – kommer regressionen. Att spela emot dessa lag innan marknaden korrigerar erbjuder möjligheter att identifiera värde på bettingmarknader.
För över/under-marknader ger xG direkt insikt. Två lag som i genomsnitt genererar 2,8 xGF per match som möts borde producera mål, oavsett vad deras faktiska senaste resultat visar. En match där båda lagen genererar låg xGF men resultaten har varit målrika representerar falsk inflation – over kan vara överprissatt.
Samma logik gäller för BLGM-analys. Lag med hög xGF tenderar att göra mål oavsett motståndare. Lag med hög xGA tenderar att släppa in. När hög xGF möter hög xGA blir BLGM statistiskt troligt – även om senaste nollorna antyder annat. Läs vår guide om vad BLGM betyder och hur du använder det för mer om denna marknad.
Kopplingen mellan xG och expected value är direkt. xG hjälper dig uppskatta sann sannolikhet mer exakt än resultat ensamt. Mer exakta sannolikhetsuppskattningar innebär bättre identifiering av positiva expected value-spel. Det är precis därför våra datadrivna matchförutsägelser inkorporerar xG tillsammans med andra mätvärden – det avslöjar vad som är hållbart kontra vad som är tur.
Förstår du sambandet mellan odds och sannolikhet? Läs vår guide om implied probability och hur spelbolag sätter odds för att komplettera din xG-analys.
När Expected Goals vilseleder dig
xG är kraftfullt men inte ofelbart. Att behandla det som sanning leder till misstag lika säkert som att ignorera det helt. Att förstå dess begränsningar gör dig till en bättre analytiker.
- Avslutningsskicklighet varierar. xG antar att en genomsnittlig avslutare tar varje skott. Men Erling Haaland är inte genomsnittlig. Det är inte Mohamed Salah heller. Elitavslutare överpresterar konsekvent sitt xG eftersom de konverterar chanser som de flesta spelare missar. När ett lag bygger kring en genuint klinisk anfallare bör deras faktiska mål överstiga xG – och det är hållbart, inte tur. På samma sätt kommer en dålig avslutare konsekvent underprestera xG. Modellen tar inte hänsyn till vem som trycker av.
- Fasta situationer är inkonsekvent. Vissa lag har utmärkta fasta situationer som genererar högre konverteringsgrader än xG-modeller förutspår. Andra är hopplösa på hörnor trots att de genererar rimlig xG. Modellen behandlar alla fasta situationer likartat när lagspecifik coachning skapar genuin variation.
- Urvalsstorlek spelar fortfarande roll. En enskild matchs xG-differens är knappt meningsfull. Ett fem-matchers-urval är suggestivt. En hel säsong är pålitlig. Att dra slutsatser från små urval leder till övermodiga förutsägelser. Ett lag som “underpresterar sitt xG” över tre matcher kan helt enkelt uppleva normal varians.
- Matchsituation förändrar beteende. Ett lag som försvarar en 1-0-ledning släpper till lågkvalitativa chanser medvetet – de sitter djupt, blockerar skott, tvingar motståndare att skjuta från distans. Deras låga xGA i dessa situationer reflekterar strategi, inte defensiv kvalitet. På samma sätt tar ett jagande lag lågprocent-skott i desperation. Kontext formar xG på sätt som råa siffror inte alltid fångar.
- Stora chanser missade eller gjorda snedvrider uppfattningen. Ett öppet mål missat påverkar dramatiskt matchens xG. Skottet kan vara värt 0,85 xG, vilket betyder att 15% av gångerna går det inte in. Missen känns som en skandal, men den är inte statistiskt upprörande. Övervikta inte enskilda ögonblick även när xG bekräftar din frustration.
Använd xG som en input bland flera. Det berättar något värdefullt om chanskvalitet som resultat inte gör. Det berättar inte allt. För fler vanliga fallgropar, läs vår guide om vanliga misstag att undvika med matematisk betting.
Vill du tillämpa xG-analys i praktiken? Utforska våra dagliga speltips där xG är en av flera faktorer vi väger in. Eller gå med i vår Telegram-kanal för direkta uppdateringar.
Vanliga frågor
Expected goals har blivit mainstream, men frågor om dess tillämpning och tolkning förblir vanliga. Svaren nedan tar upp vad huvudinnehållet inte täcker på djupet.