Expected Goals (xG) Gebruiken bij Voetbalwedden

Laden...

Expected goals is een term die je tegenwoordig overal tegenkomt — van televisieuitzendingen tot Twitter-discussies, van clubanalyses tot weddenschapsfora. Maar ondanks de populariteit begrijpen verrassend weinig wedders hoe xG écht werkt en, belangrijker nog, hoe je het effectief kunt inzetten bij het plaatsen van weddenschappen. Het verschil tussen iemand die xG oppervlakkig kent en iemand die het daadwerkelijk toepast, is vaak het verschil tussen verlies en winst op de lange termijn.

Het concept achter xG is in essentie eenvoudig: elke schotkans in een voetbalwedstrijd krijgt een waarde tussen 0 en 1, gebaseerd op hoe waarschijnlijk het is dat die kans tot een doelpunt leidt. Een penalty heeft een xG van ongeveer 0.76 — historisch gezien worden driekwart van alle strafschoppen benut. Een kopbal vanuit een scherpe hoek op twintig meter heeft misschien een xG van 0.02 — slechts twee van de honderd vergelijkbare pogingen gaan erin. Door alle kansen van een team in een wedstrijd op te tellen, krijg je het totale xG: een inschatting van hoeveel doelpunten het team had mogen verwachten.

Wat xG zo waardevol maakt voor wedders, is dat het door de ruis van individuele wedstrijden heen kijkt. Een team kan drie wedstrijden op rij met 0-0 gelijkspelen en toch een gemiddeld xG van 2.3 per wedstrijd hebben. Dat team creëert volop kansen maar maakt ze niet af — en dat is informatie waar je als wedder mee kunt werken.

Hoe xG-modellen Worden Gebouwd

Niet elk xG-model is hetzelfde, en dat is belangrijk om te begrijpen. De basis van elk model is een enorme dataset van historische schoten — honderdduizenden pogingen — waarbij voor elk schot het resultaat (goal of geen goal) wordt gekoppeld aan een reeks variabelen. De meest fundamentele variabelen zijn de afstand tot het doel en de hoek ten opzichte van het doel. Een schot van dichtbij, recht voor het doel, heeft logischerwijs een hogere xG dan een schot van afstand onder een scherpe hoek.

Geavanceerdere modellen voegen daar extra variabelen aan toe. StatsBomb, een van de meest gerespecteerde dataproviders, neemt bijvoorbeeld mee of het schot met het hoofd of de voet werd genomen, of de keeper goed gepositioneerd was, hoeveel verdedigers zich tussen de schutter en het doel bevonden en of de kans uit een open aanval, corner of vrije trap ontstond. Hoe meer relevante variabelen een model meeneemt, hoe nauwkeuriger de xG-waarde — maar ook hoe afhankelijker het model wordt van de kwaliteit en beschikbaarheid van de data.

Voor wedders is het niet noodzakelijk om zelf xG-modellen te bouwen. Gratis bronnen zoals FBref, Understat en Fotmob bieden xG-data voor de grote Europese competities. Het is wel nuttig om te weten welk model een bron gebruikt, omdat de uitkomsten kunnen variëren. Een wedstrijd die volgens Understat een xG van 1.8-0.7 had, kan bij StatsBomb uitkomen op 2.1-0.9. Die verschillen zijn normaal en weerspiegelen de keuzes die elk model maakt over welke variabelen worden meegenomen.

xG versus Werkelijke Doelpunten: Waar de Waarde Zit

Het hart van xG-gebaseerd wedden is de vergelijking tussen verwachte en werkelijke doelpunten. Wanneer een team structureel meer scoort dan zijn xG aangeeft, noemen we dat outperformance. Als het structureel minder scoort, is er sprake van underperformance. Beide scenario’s bieden kansen voor de alerte wedder.

Outperformance is op termijn bijna altijd onhoudbaar. Een aanvaller die seizoen na seizoen boven zijn xG scoort — denk aan spelers als Lionel Messi — is de uitzondering, niet de regel. Op teamniveau is consistente outperformance nog zeldzamer. Als een team na tien wedstrijden twaalf doelpunten heeft gescoord bij een cumulatief xG van 8.5, is de kans groot dat de productiviteit afneemt. De bookmaker baseert zijn odds deels op de werkelijke resultaten, wat betekent dat het team waarschijnlijk te hoog wordt ingeschat. Dat is je kans om tegen te wedden.

Underperformance werkt omgekeerd. Een team met goede xG-waarden maar weinig doelpunten wordt door de markt onderschat. De kansen zijn er, de afwerking ontbreekt tijdelijk, en statistisch gezien is het een kwestie van tijd voordat de doelpunten komen. Op dat team wedden voordat de markt bijtrekt, is de essentie van value betting met xG.

Hier zit wel een belangrijke nuance. Niet alle underperformance is tijdelijk. Als een team structureel lage afwerkingskwaliteit heeft — doordat de spitsen simpelweg niet goed genoeg zijn — dan is de underperformance geen pech maar realiteit. Het is daarom essentieel om xG-data te combineren met kennis van de spelersgroep.

Praktische Toepassing per Markt

xG is niet voor elke weddenschapsmarkt even bruikbaar. De grootste waarde biedt het bij over/under weddenschappen en BTTS-markten, omdat xG direct iets zegt over het aantal verwachte doelpunten. Als twee teams samen een verwacht xG van 3.5 per wedstrijd genereren over de laatste zes wedstrijden, dan is een over 2.5 weddenschap statistisch gezien aantrekkelijk — mits de odds dat weerspiegelen.

Bij 1X2-weddenschappen is xG eveneens nuttig, maar iets indirecter. Je vergelijkt het xG van het thuisteam met het xGA (expected goals against) van het uitteam en vice versa. Als het thuisteam een aanvallend xG van 1.9 heeft en het uitteam een xGA van 2.1 toestaat, dan wijst alles op een productieve wedstrijd voor de thuisploeg. Maar of dat tot een overwinning leidt, hangt ook af van de verdedigende prestaties, en daar heb je de omgekeerde analyse voor nodig.

Bij correct score weddenschappen — de markt met de hoogste variantie — kan xG worden gecombineerd met het Poisson-model dat we eerder bespraken. De verwachte xG-waarden voor elk team fungeren als input voor de Poisson-verdeling, die vervolgens kansen berekent voor elke mogelijke uitslag. Het resultaat is niet perfect, maar het is aanzienlijk beter dan raden. De combinatie van xG-data en Poisson-statistiek is het dichtst dat een amateurwedder kan komen bij de modellen die professionele bookmakers gebruiken.

Veelgemaakte Fouten bij het Gebruik van xG

De meest voorkomende fout is het baseren van conclusies op te weinig data. Eén wedstrijd zegt niets over de werkelijke xG-capaciteit van een team. Zelfs drie wedstrijden zijn onvoldoende. De vuistregel is dat je minimaal acht tot tien wedstrijden nodig hebt voordat xG-trends betrouwbaar worden. Aan het begin van een seizoen is xG-data dus vrijwel onbruikbaar voor het lopende seizoen — gebruik dan de data van het voorgaande seizoen, gecorrigeerd voor transfers en trainerswissels.

Een tweede fout is het negeren van de tegenstander. Een xG van 2.5 tegen de slechtste verdediging van de competitie is niet hetzelfde als een xG van 2.5 tegen de beste. Kijk altijd naar de context: tegen wie werden die kansen gecreëerd? Was het een uitwedstrijd tegen de koploper of een thuiswedstrijd tegen de hekkensluiter? Zonder die context zijn de cijfers misleidend.

De derde fout is misschien de gevaarlijkste: het verwarren van xG met een garantie. Een team met een xG van 2.0 scoort niet in elke wedstrijd twee doelpunten — het scoort gemiddeld twee doelpunten over een groot aantal vergelijkbare wedstrijden. In een individuele wedstrijd kan het resultaat 0 zijn, of 5. xG geeft je een statistisch voordeel, geen zekerheid. Wie dat onderscheid niet maakt, overschat zijn weddenschappen en zet te veel in op individuele wedstrijden.

xG en de Bookmaker: Een Wapenwedloop

Het zou naïef zijn om te denken dat bookmakers niet met xG werken. Integendeel — de grote bettingbedrijven hebben teams van data-analisten die modellen gebruiken die vele malen geavanceerder zijn dan wat een individuele wedder kan bouwen. Ze hebben toegang tot tracking-data die niet publiek beschikbaar is, ze verwerken informatie sneller en ze passen hun odds continu aan.

Betekent dit dat xG nutteloos is voor de gewone wedder? Absoluut niet. De bookmaker moet odds zetten voor honderden wedstrijden per week, in tientallen competities. Dat creëert onvermijdelijk inefficiënties, vooral in kleinere competities en bij minder populaire markten. Een wedder die zich specialiseert in de Eredivisie of de Belgische Pro League en de xG-data grondig analyseert, kan patronen vinden die de bookmaker over het hoofd ziet of niet de moeite waard vindt om te corrigeren.

Bovendien reageren odds niet alleen op modellen maar ook op het wedgedrag van het publiek. Als een groot aantal recreatieve wedders op een populair team inzet, verschuiven de odds om het risico van de bookmaker te spreiden — zelfs als de werkelijke kansen dat niet rechtvaardigen. Dat is waar de xG-wedder zijn voordeel vindt: door te wedden op basis van data in plaats van populariteit, neem je een positie in die tegengesteld is aan de massa. En op de lange termijn wint de data.

Een Realistisch Verwachtingspatroon

Wie begint met xG-gebaseerd wedden, moet realistische verwachtingen hebben. Je zult niet elke week winnen. Je zult periodes van verlies doormaken die langer duren dan je comfortabel vindt. De edge die xG je geeft is klein — misschien twee tot vijf procent per weddenschap — en die edge wordt pas zichtbaar over honderd of meer weddenschappen.

Maar dat is precies hoe professioneel wedden werkt. Het gaat niet om de individuele wedstrijd, maar om het proces. Als je consistent weddenschappen plaatst met een positieve verwachte waarde, dan zal de wiskunde op termijn in je voordeel werken. xG is het kompas dat je in de juiste richting wijst — maar je moet bereid zijn om lang genoeg te lopen om de bestemming te bereiken.