Expected Goals (xG): Come Usarli nelle Scommesse sul Calcio

Gli expected goals, o xG, sono diventati una delle metriche più citate nel calcio moderno. Commentatori televisivi, analisti tattici e tifosi sui social media li menzionano costantemente, spesso senza una reale comprensione di cosa misurino. Per lo scommettitore, però, gli xG rappresentano qualcosa di più di un termine alla moda: sono uno strumento analitico potente per valutare il rendimento reale di una squadra al di là dei risultati apparenti.

Il concetto alla base è intuitivo: non tutte le occasioni da gol sono uguali. Un tiro da dentro l’area piccola dopo un cross basso ha una probabilità molto più alta di trasformarsi in gol rispetto a un tiro dalla distanza con il portiere ben posizionato. Gli xG assegnano a ogni tiro un valore numerico che rappresenta la probabilità storica che quel tipo di tiro si traduca in rete. Sommando tutti i valori di xG di una squadra in una partita si ottiene il numero di gol che ci si sarebbe “aspettati” in base alla qualità delle occasioni create.

Come si calcolano gli expected goals

I modelli di xG si basano su enormi database di tiri storici, analizzati attraverso algoritmi di machine learning. Per ogni tiro, il modello considera una serie di variabili: la posizione sul campo da cui viene effettuato, l’angolo di tiro rispetto alla porta, la distanza dal portiere, il tipo di azione che ha preceduto il tiro (gioco aperto, calcio piazzato, contropiede), la parte del corpo utilizzata e la situazione difensiva al momento del tiro.

Ogni combinazione di queste variabili produce un valore di xG compreso tra 0 e 1. Un rigore ha un xG di circa 0,76, il che significa che storicamente il 76% dei rigori viene convertito in gol. Un tiro dalla linea di fondo con angolo chiuso potrebbe avere un xG di 0,02, cioè una probabilità del 2%. Un tiro da dentro l’area di rigore, in posizione centrale e senza marcatura stretta, potrebbe valere 0,35-0,45.

Non tutti i modelli di xG sono uguali. Alcuni considerano più variabili di altri, e la qualità del database sottostante varia significativamente. I modelli più avanzati, come quelli utilizzati da StatsBomb o Opta, includono informazioni sulla posizione dei difensori al momento del tiro, la velocità del pallone e il tipo di assist. Modelli più semplici si limitano a posizione e angolo di tiro. Per lo scommettitore, è importante sapere quale fonte di xG si sta utilizzando e quanto sia affidabile.

Dove trovare i dati xG

L’accessibilità dei dati xG è migliorata enormemente negli ultimi anni. Diverse piattaforme offrono dati gratuiti o a basso costo che permettono allo scommettitore di integrare questa metrica nelle proprie analisi. Understat è una delle fonti gratuite più popolari, con dati xG per i principali campionati europei aggiornati partita per partita. FBref, alimentato dai dati Opta, offre una copertura ancora più ampia e dettagliata.

Per chi è disposto a investire, piattaforme come FootyStats Premium, InStat e WyScout forniscono dati xG con un livello di dettaglio superiore, incluse le mappe dei tiri, i valori di xG per singola azione e le metriche di xG per giocatore. Questo tipo di granularità permette analisi più sofisticate, come valutare se l’assenza di un giocatore specifico ridurrà significativamente il potenziale offensivo di una squadra.

Il confronto tra le fonti è utile per verificare la coerenza dei dati. Se tre diversi provider assegnano alla stessa squadra valori di xG simili, la stima è probabilmente affidabile. Se le discrepanze sono significative, bisogna capire da cosa dipendono e quale modello sia più appropriato per il tipo di analisi che si sta conducendo. La trasparenza metodologica della fonte è un indicatore importante: i provider che spiegano come funziona il loro modello sono generalmente più affidabili di quelli che trattano gli xG come una scatola nera.

Applicazione pratica: xG per il mercato 1X2

L’uso più diretto degli xG nelle scommesse è l’identificazione di squadre sovraperformanti o sottoperformanti rispetto alla qualità delle loro occasioni. Una squadra che ha segnato 20 gol in 15 partite ma ha generato xG per soli 14 sta probabilmente attraversando una fase di sovraperformance offensiva. Statisticamente, questa discrepanza tende a correggersi: i gol futuri si avvicineranno alla media degli xG prodotti, non resteranno al livello attuale.

Lo stesso ragionamento si applica in difesa. Una squadra che ha subito pochi gol ma ha concesso xG elevati sta beneficiando di una combinazione di fortuna e prestazioni eccezionali del portiere. Quando questa fase favorevole termina, ed è statisticamente inevitabile che termini, i gol subiti aumenteranno. Scommettere contro queste squadre, in particolare in partite dove il mercato non ha ancora incorporato la regressione verso la media, può generare valore.

Per applicare questo approccio in modo sistematico, conviene calcolare due differenziali per ogni squadra: la differenza tra gol segnati e xG prodotti, e la differenza tra gol subiti e xG concessi. Squadre con differenziali fortemente positivi in attacco (segnano molto più di quanto gli xG suggeriscano) sono candidate a un calo di rendimento. Squadre con differenziali fortemente negativi (segnano molto meno degli xG) sono candidate a un miglioramento. Questi differenziali, incrociati con le quote disponibili, possono rivelare scommesse a valore positivo che l’analisi tradizionale basata sui soli risultati non coglierebbe.

xG per il mercato Over/Under

Gli expected goals trovano un’applicazione naturale nel mercato Over/Under. La somma degli xG prodotti e concessi da entrambe le squadre fornisce una stima del numero totale di gol attesi nella partita, che può essere direttamente confrontata con le linee offerte dal bookmaker.

Se una squadra produce mediamente 1,6 xG per partita e l’avversaria ne produce 1,3, il totale xG atteso è di 2,9. Ma non basta sommare: bisogna considerare anche gli xG concessi. Se la prima squadra concede mediamente 1,1 xG e la seconda 1,5, il quadro si completa. Il valore atteso dei gol della squadra di casa sarà influenzato sia dalla sua capacità offensiva sia dalla debolezza difensiva avversaria, e viceversa.

Un approccio più raffinato utilizza la distribuzione di Poisson applicata agli xG attesi per calcolare la probabilità di ogni possibile risultato della partita. Se il modello stima 1,8 gol attesi per la squadra di casa e 1,2 per quella ospite, si possono calcolare le probabilità di 0-0, 1-0, 1-1 e così via, e da queste derivare la probabilità esatta di Over o Under per qualsiasi soglia. Questo tipo di analisi richiede un foglio di calcolo o un semplice script, ma il vantaggio informativo che produce è significativo.

I limiti degli xG che ogni scommettitore deve conoscere

Gli xG sono uno strumento potente, ma non infallibile. Il primo limite è che misurano la qualità delle occasioni create, non la qualità della finalizzazione. Un attaccante d’élite come Haaland converte una percentuale di tiri superiore alla media storica, e questo non è un caso statistico ma un’abilità reale. Per queste squadre, la sovraperformance rispetto agli xG potrebbe essere parzialmente sostenibile, non semplicemente frutto di fortuna.

Il secondo limite riguarda i campioni statistici. A inizio stagione, con poche partite giocate, i dati xG di una squadra sono volatili e poco affidabili. Servono almeno dieci-quindici partite prima che gli xG cumulativi forniscano un’indicazione robusta del vero livello di una squadra. Scommettere pesantemente su discrepanze tra xG e gol dopo sole cinque giornate è prematuro.

Il terzo limite è che gli xG non catturano tutto ciò che influenza il risultato di una partita. Le espulsioni, i rigori dubbi, le condizioni meteo estreme e i fattori psicologici non sono inclusi nei modelli. Gli xG descrivono ciò che è successo sul campo in termini di occasioni da gol, ma il calcio è un gioco dove anche ciò che non si vede nei dati può essere determinante.

xG come bussola, non come mappa

Il modo più sano di considerare gli xG è come uno strumento di orientamento, non come una verità assoluta. Offrono una prospettiva complementare a quella tradizionale, permettendo di guardare oltre i risultati e valutare la qualità delle prestazioni sottostanti. Ma non sostituiscono l’analisi tattica, la conoscenza del contesto e il giudizio dello scommettitore.

L’errore più comune è trattare gli xG come un oracolo: se il modello dice che una squadra meriterebbe più punti di quanti ne abbia, allora il mercato sta sbagliando e bisogna scommettere di conseguenza. In realtà, il mercato è già consapevole degli xG, i bookmaker li usano da anni nei propri modelli, e le discrepanze evidenti vengono rapidamente corrette. Il valore per lo scommettitore emerge quando si combinano gli xG con informazioni che il modello non cattura: il cambio di allenatore che ha modificato l’approccio tattico, l’infortunio del portiere titolare, il calendario congestionato che favorirà le rotazioni.

Chi utilizza gli xG come un pezzo del puzzle piuttosto che come l’intero puzzle sviluppa un approccio analitico più robusto e meno vulnerabile alle trappole della semplificazione. Il dato numerico senza interpretazione è solo un numero. Il numero contestualizzato, integrato e confrontato con il mercato diventa informazione. E nel betting, l’informazione ben utilizzata è l’unico vantaggio sostenibile nel tempo.