Expected Goals (xG): Cosa Sono e Come Usarli nelle Scommesse

Se c’è una metrica che negli ultimi dieci anni ha cambiato il modo di parlare di calcio, sono gli expected goals. Abbreviati in xG, sono passati dai fogli di calcolo degli analisti alle telecronache del lunedì sera, spesso citati a sproposito. Ma dietro il termine alla moda c’è un concetto statistico solido, e per chi si occupa di scommesse algoritmiche rappresentano uno strumento potente — a patto di capire cosa misurano davvero e cosa no.

Questa guida spiega il funzionamento degli xG senza dare per scontato che tu li conosca già, mostra dove trovarli gratuitamente e come integrarli nei tuoi modelli previsionali.

Cosa misurano davvero gli expected goals

Un expected goal è la probabilità che un tiro diventi gol, calcolata in base alle caratteristiche di quel tiro specifico. Se un giocatore calcia dal dischetto del rigore, il suo tiro ha un xG di circa 0,76 — cioè, storicamente, il 76% dei rigori viene segnato. Se calcia da 30 metri con un difensore davanti, il suo xG potrebbe essere 0,03. La somma degli xG di tutti i tiri di una squadra in una partita dà il totale degli expected goals della squadra per quel match.

Il punto cruciale è che gli xG misurano la qualità delle occasioni create, non i gol effettivamente segnati. Una squadra che crea occasioni per 2,5 xG ma segna solo un gol ha avuto sfortuna (o un attaccante in giornata no). Una squadra che segna tre gol con 0,8 xG ha avuto fortuna (o un portiere avversario disastroso). Nel breve periodo, la differenza tra xG e gol reali è rumore; nel lungo periodo, i gol tendono a convergere verso gli xG. Questa proprietà di regressione verso la media è ciò che rende gli xG così utili per le scommesse.

I modelli di xG più sofisticati considerano decine di variabili per ogni tiro: la distanza dalla porta, l’angolo, la parte del corpo usata, la velocità di gioco nell’azione precedente, la posizione del portiere, il numero di difensori tra il tiratore e la porta. I modelli più semplici si basano solo su distanza e angolo. La differenza di accuratezza tra modelli base e modelli avanzati esiste, ma è meno drammatica di quanto si pensi: anche un modello con sole tre variabili cattura la maggior parte della varianza nelle probabilità di gol.

Dove trovare dati xG gratuiti e affidabili

Il mercato dei dati xG si è evoluto rapidamente. Dieci anni fa era territorio esclusivo di pochi provider come Opta (ora Stats Perform), con costi proibitivi per il singolo analista. Oggi esistono diverse fonti gratuite di qualità sufficiente per costruire modelli di scommesse.

FBref (fbref.com) è probabilmente la fonte gratuita più completa. Fornisce dati xG calcolati da StatsBomb per i principali campionati europei, con dettagli a livello di partita e di giocatore. Puoi scaricare tabelle con xG, xG assist (xA), tiri, tiri in porta e decine di altre metriche per ogni squadra e ogni giocatore della stagione in corso e delle stagioni passate.

Understat (understat.com) offre dati xG con un proprio modello proprietario per sei campionati — Serie A, Premier League, La Liga, Bundesliga, Ligue 1 e Russian Premier League. Il vantaggio è l’interfaccia pulita e la possibilità di visualizzare le mappe dei tiri partita per partita. Lo svantaggio è che il modello non è documentato nel dettaglio, quindi non sai esattamente come viene calcolato ogni xG.

FootyStats (footystats.org) fornisce statistiche aggregate che includono xG per campionato e per squadra, con funzionalità di filtro per partite in casa e in trasferta. Non ha il dettaglio tiro per tiro come FBref, ma è utile per analisi rapide.

Per chi vuole automatizzare la raccolta dati, esistono librerie come worldfootballR (in R) e soccerdata (in Python) che permettono di scaricare dati da FBref e altre fonti in formato strutturato, pronti per l’analisi. L’approccio programmatico è più efficiente se aggiorni il tuo modello regolarmente, perché eviti il copia-incolla manuale dai siti web.

Una nota importante: i valori xG variano leggermente tra provider diversi perché ciascuno usa il proprio modello. Gli xG di StatsBomb (usati da FBref) non coincidono esattamente con quelli di Understat o di Opta. Queste differenze sono generalmente piccole — nell’ordine di 0,1-0,3 xG per partita — ma è buona pratica scegliere un provider e usarlo coerentemente nel tempo, piuttosto che mescolare fonti diverse.

Come integrare gli xG nei modelli di scommesse

Il modo più diretto di usare gli xG è come sostituto dei gol reali nel calcolo dei parametri del modello di Poisson o Dixon-Coles. Invece di calcolare la forza d’attacco di una squadra basandoti sui gol segnati, la calcoli basandoti sugli xG prodotti. La logica è che gli xG sono un indicatore più stabile della vera capacità offensiva di una squadra, meno influenzato dalla fortuna e dalla qualità del portiere avversario.

In pratica, se il Milan ha segnato 18 gol nelle prime 12 partite ma ha accumulato 22,3 xG, il modello basato su xG assegna al Milan un attacco più forte di quello che i gol reali suggeriscono. Viceversa, se una squadra ha segnato 15 gol con soli 10,2 xG, il modello xG segnala che sta sovra-performando rispetto alla qualità delle sue occasioni — una situazione che tende a correggersi nel tempo. Questa capacità predittiva è il motivo principale per cui gli xG sono diventati centrali nell’analisi calcistica.

Un approccio più sofisticato è creare un parametro misto che combina gol reali e xG con un peso relativo. Per esempio: gol aggiustati = 0,6 × xG + 0,4 × gol reali. Il peso da assegnare agli xG rispetto ai gol dipende dal momento della stagione — a inizio campionato gli xG sono più informativi (perché il campione è piccolo e i gol reali sono più rumorosi), mentre a stagione avanzata i gol reali recuperano terreno. Non esiste una formula universale per i pesi ottimali; la pratica migliore è calibrarli tramite backtesting sui dati storici del campionato specifico.

xG e mercati specifici: over/under e gol totali

Gli expected goals sono particolarmente utili per i mercati legati ai gol totali. Se due squadre hanno una media xG combinata di 3,2 per partita ma una media gol reale di 2,4, il mercato over 2.5 potrebbe essere sottovalutato dai bookmaker che si basano prevalentemente sui risultati effettivi. Il disallineamento tra xG e gol reali crea opportunità di value bet — temporanee, perché i bookmaker professionisti usano anch’essi gli xG, ma non tutti i mercati vengono aggiornati con la stessa velocità.

Un altro uso interessante è l’analisi della differenza tra xG e gol a livello di squadra singola. Una squadra che costantemente sotto-performa i propri xG potrebbe avere un problema strutturale nella finalizzazione — un attaccante poco efficiente, per esempio — oppure potrebbe semplicemente attraversare un periodo di sfortuna. Distinguere tra le due situazioni richiede un campione sufficiente di partite (almeno 15-20) e un’analisi qualitativa che guardi oltre i numeri: chi tira, da dove, in quale contesto tattico.

Gli xG difensivi (gol attesi concessi) sono altrettanto importanti ma spesso trascurati. Una squadra che subisce pochi gol ma concede molti xG sta beneficiando di portiere in stato di grazia o di avversari poco precisi — due fattori che tenderanno a normalizzarsi. Quando costruisci un modello per il mercato under, non guardare solo i gol subiti ma confrontali con gli xG concessi: la discrepanza ti dice quanto della solidità difensiva è reale e quanto è fortuna.

Il pericolo dell’xG come oroscopo

C’è un rischio concreto nell’usare gli xG: trasformarli in un feticcio. Negli ultimi anni, una parte della comunità analitica ha iniziato a trattare gli xG come la verità rivelata, ignorando che sono pur sempre il prodotto di un modello con le sue assunzioni e i suoi limiti. Un xG di 0,15 assegnato a un tiro dal limite dell’area non tiene conto del fatto che chi calcia sia un centrocampista qualunque o un calciatore di rigore con anni di esperienza in quella situazione specifica.

I modelli xG standard non catturano la qualità individuale del tiratore (anche se alcuni modelli avanzati, come quelli di StatsBomb, stanno iniziando a farlo). Non catturano il contesto psicologico — un rigore al 90esimo in una finale ha un xG identico a un rigore al 20esimo di una partita insignificante, ma la pressione è radicalmente diversa. Non catturano nemmeno la costruzione dell’azione precedente al tiro, se non in modo approssimativo.

Il modo corretto di usare gli xG è come un segnale tra tanti, non come il segnale definitivo. Sono eccellenti per identificare squadre che sovra-performano o sotto-performano le aspettative, per calibrare modelli previsionali e per filtrare il rumore dai risultati effettivi. Ma non sono un sostituto dell’analisi completa, così come un termometro non sostituisce una visita medica. Chi usa gli xG con consapevolezza dei loro limiti ha un vantaggio su chi li ignora del tutto e su chi li venera acriticamente. La via di mezzo, come spesso accade, è quella che funziona.