Expected Goals (xG): come usarli per le scommesse calcio

C'è stato un momento, negli ultimi dieci anni, in cui il dibattito calcistico è cambiato per sempre. Quel momento coincide con l'ingresso degli Expected Goals — gli xG — nel vocabolario di analisti, allenatori, commentatori e, naturalmente, scommettitori. Ciò che era nato come strumento accademico è diventato una delle metriche più discusse e più fraintese del calcio moderno. E proprio perché è spesso fraintesa, chi la capisce davvero ha un vantaggio competitivo significativo nelle scommesse.

In questa guida analizzeremo gli Expected Goals dalla base: cosa misurano, come vengono calcolati, dove trovare i dati e — soprattutto — come integrarli in modo concreto nell'analisi delle partite a fini di scommessa.

Cosa sono gli Expected Goals

Gli Expected Goals rappresentano la qualità delle occasioni da gol create e subite da una squadra. Ogni tiro effettuato durante una partita riceve un valore xG compreso tra 0 e 1, che indica la probabilità che quel tiro si trasformi in gol, basata su dati storici di tiri simili.

Un rigore, ad esempio, ha un valore xG di circa 0.76 — il che significa che, storicamente, il 76% dei rigori viene trasformato in rete. Un tiro dalla distanza, fuori area, con il difensore a un metro, potrebbe avere un valore xG di 0.03 — solo il 3% di probabilità di gol. Un tiro a tu per tu con il portiere da sei metri, dopo un passaggio filtrante che taglia la difesa, potrebbe valere 0.40 o più.

La somma dei valori xG di tutti i tiri di una squadra in una partita produce il totale xG della partita. Se una squadra accumula 2.3 xG e ne segna uno, ha sottoperformato rispetto a quanto le sue occasioni meritavano. Se segna quattro gol con 1.5 xG, ha sovraperformato — un risultato probabilmente insostenibile nel lungo periodo. Questa è la potenza della metrica: separa la prestazione dal risultato, il merito dalla fortuna, la qualità del gioco dal tabellino.

Per le scommesse, questa distinzione è fondamentale. Il risultato di una singola partita è influenzato da variabili casuali — un palo, una deviazione, un errore del portiere. Gli xG catturano la prestazione sottostante, quella che tende a ripetersi nel tempo. Una squadra che genera costantemente xG elevati ma segna poco è destinata, con alta probabilità, a iniziare a segnare di più. Una squadra che vince partite con xG bassi sta vivendo un periodo fortunato che prima o poi si correggerà.

Come vengono calcolati gli xG

Il calcolo degli xG si basa su modelli di machine learning addestrati su enormi database di tiri — centinaia di migliaia di eventi raccolti nei principali campionati mondiali nel corso degli anni. Il modello analizza ogni tiro considerando variabili come la posizione sul campo da cui è stato effettuato, l'angolo rispetto alla porta, la distanza, la parte del corpo utilizzata (piede, testa), il tipo di azione che ha preceduto il tiro (cross, passaggio filtrante, rimbalzo, calcio piazzato), la posizione e il numero di difensori tra il tiratore e la porta, e la velocità dell'azione.

Ogni provider di dati — e ne esistono diversi — ha il proprio modello xG, il che significa che i valori possono differire leggermente. StatsBomb, Opta, Understat e FBref utilizzano metodologie proprietarie con variabili e pesi diversi. Questa diversità non è un problema: i modelli convergono nelle tendenze di lungo periodo, anche se possono discostarsi sui singoli eventi. La differenza tra un modello che assegna 0.35 xG a un tiro e uno che ne assegna 0.30 è irrilevante nel contesto di un'analisi stagionale.

Ciò che conta è la coerenza nell'utilizzo: scegliere un provider e usarlo sistematicamente, senza mescolare dati da fonti diverse nella stessa analisi. FBref, che utilizza i dati StatsBomb ed è gratuito, è il punto di riferimento per la maggior parte degli analisti non professionisti. Understat copre i cinque principali campionati europei ed è anch'esso accessibile senza costi. Per chi cerca dati più granulari, StatsBomb offre dataset avanzati che includono anche il contesto tattico delle azioni.

Dove trovare i dati xG

L'accessibilità dei dati xG è migliorata enormemente negli ultimi anni. Fino al 2018-2019, le metriche avanzate erano appannaggio quasi esclusivo dei club professionistici e delle società di analisi. Oggi chiunque con una connessione internet può accedere a dati xG dettagliati e aggiornati.

FBref è la risorsa più completa e gratuita disponibile. Per ogni squadra e ogni campionato coperto, fornisce gli xG totali creati e subiti, i dati per partita, le differenze tra xG e gol effettivi e i trend stagionali. La navigazione è intuitiva e i dati vengono aggiornati entro poche ore dalla conclusione delle partite.

Understat si concentra sui top 5 campionati europei e offre visualizzazioni particolarmente utili per le scommesse: la mappa dei tiri di ogni partita, il confronto tra xG e gol per squadra e i dati per giocatore. La funzione di simulazione, che stima le probabilità di risultato basandosi sugli xG della partita, è uno strumento direttamente applicabile al betting.

Infogol è un'altra piattaforma che merita attenzione, specificamente progettata per collegare gli xG alle scommesse. Offre previsioni pre-partita basate su modelli xG e confronti con le quote dei bookmaker, rendendo il passaggio dall'analisi alla decisione di scommessa più immediato.

Come usare gli xG per le scommesse: applicazioni pratiche

La teoria sugli xG è affascinante, ma lo scommettitore ha bisogno di applicazioni concrete. Ecco i tre utilizzi più efficaci nel contesto del betting sul calcio.

Il primo è l'identificazione di squadre sopravvalutate e sottovalutate. Se una squadra è terza in classifica ma i suoi xG la posizionano ottava, sta giocando al di sopra delle sue possibilità reali. Le quote per le sue partite future saranno probabilmente troppo basse — il bookmaker si basa in parte sui risultati effettivi, e quei risultati sono gonfiati dalla fortuna. Scommettere contro questa squadra, quando le quote lo giustificano, è un'applicazione diretta del principio della regressione verso la media.

Il ragionamento inverso è altrettanto valido. Una squadra che lotta per la salvezza ma genera xG da metà classifica è probabilmente sottovalutata dal mercato. I suoi risultati miglioreranno con alta probabilità, e le quote attuali non riflettono questo potenziale. Puntare sulla sua vittoria o sui mercati correlati prima che il mercato si corregga può generare valore significativo.

Il secondo utilizzo riguarda il mercato Over/Under. Gli xG sono particolarmente predittivi per questo mercato perché misurano direttamente la produzione offensiva. Se due squadre hanno xG combinati costantemente superiori a 3.0 nelle ultime partite, l'Over 2.5 ha una base statistica solida. Se invece gli xG combinati sono stabilmente sotto 2.0, l'Under è la scelta supportata dai dati. Il confronto tra xG combinati e quota offerta per l'Over/Under è uno degli strumenti più potenti a disposizione dello scommettitore analitico.

Il terzo utilizzo è l'analisi degli scontri diretti. Anziché guardare solo il risultato storico tra due squadre, si analizzano gli xG delle partite precedenti. Una squadra che ha perso 1-0 l'ultimo scontro diretto ma ha prodotto 2.5 xG contro i 0.8 dell'avversario ha dominato la partita ed è stata punita dalla sfortuna. In un nuovo incontro, i dati suggeriscono che la superiorità di gioco dovrebbe tradursi in risultato — un'informazione che il semplice storico dei risultati non cattura. Gli xG sono parte integrante di una buona analisi delle statistiche calcio.

I limiti degli xG che ogni scommettitore deve conoscere

Gli xG sono uno strumento potente ma non infallibile, e conoscerne i limiti è altrettanto importante quanto saperne sfruttare i punti di forza.

Il primo limite è che i modelli xG standard non catturano la qualità del tiratore. Un tiro da posizione identica ha lo stesso valore xG sia che venga calciato da un attaccante di livello mondiale sia da un difensore centrale. Alcuni modelli avanzati stanno iniziando a incorporare questo fattore, ma la maggior parte dei dati pubblicamente disponibili non lo fa. Questo significa che le squadre con tiratori d'élite tendono a sovraperformare sistematicamente i propri xG, e questa sovraperformance non è necessariamente fortuna — è abilità.

Il secondo limite riguarda le situazioni tattiche non catturate. Un contropiede tre contro uno produce un tiro con xG elevato, ma il modello non distingue tra un contropiede nato da una pressione alta organizzata e uno nato da un errore casuale del portiere avversario. Il primo è ripetibile, il secondo no. L'analisi xG va sempre integrata con l'osservazione qualitativa delle partite per contestualizzare i numeri.

Il terzo limite è la dimensione del campione. Gli xG diventano affidabili dopo un numero sufficiente di partite — almeno 10-15 per avere un'indicazione utile, idealmente 20 o più per una valutazione robusta. Usare gli xG di due o tre partite per trarre conclusioni è metodologicamente scorretto e può portare a scommesse basate su rumore statistico anziché su segnali reali.

Quello che gli xG non vi diranno mai — e che vale oro

C'è un utilizzo degli xG che raramente viene discusso ma che può essere il più prezioso di tutti: misurare sé stessi. Tenendo traccia delle proprie scommesse e confrontandole con gli xG pre-partita, è possibile costruire un feedback loop che migliora progressivamente la qualità delle analisi.

Se dopo 100 scommesse sull'Over 2.5 si scopre che le partite selezionate avevano xG medi combinati di 3.2, ma il tasso di successo è stato solo del 45%, qualcosa nell'analisi non funziona — forse si stanno ignorando fattori difensivi o tattici che gli xG non catturano. Se invece gli xG medi sono 2.1 ma il tasso di successo è del 60%, si sta sovraperformando per fortuna e il risultato non è sostenibile.

Gli xG, in questo senso, funzionano come uno specchio quantitativo. Non giudicano, non predicono con certezza, non sostituiscono il pensiero critico. Ma mostrano, con la fredda oggettività dei numeri, dove la propria analisi è solida e dove è fragile. Chi ha il coraggio di guardarsi in quello specchio regolarmente — e la disciplina di agire su ciò che vede — ha un vantaggio che nessun modello statistico potrà mai replicare: la capacità di migliorare nel tempo. Analizza i gol attesi sulla nostra piattaforma.