Expected Goals in Voetbalweddenschappen: xG als Wedtool

De statistiek die de profs daadwerkelijk gebruiken

xG trekt zich niets aan van de hoogtepunten. Een schitterend doelpunt van dertig meter telt in de expected goals-berekening als een kans van misschien 3%. Een inkopper van twee meter die de keeper pakt, telde als 0.75 xG — ondanks dat er niet gescoord werd. Dat is het punt: expected goals meten niet wat er gebeurde, maar wat er had moeten gebeuren op basis van de kwaliteit van de kansen.

Voor wedders is dat onderscheid fundamenteel. Uitslagen liegen. Een team dat 4-0 wint, kan op basis van de kansenverdeling net zo goed 2-1 hebben gewonnen — of zelfs hebben verloren. xG snijdt door die ruis heen en toont de onderliggende prestatie: hoeveel doelpunten had een team moeten scoren, en hoeveel had het moeten incasseren? Die informatie is onmisbaar voor wie verder wil kijken dan de uitslag van afgelopen weekend.

Wat dit artikel biedt: hoe xG wordt berekend, hoe je het inzet bij het vinden van waarde op de wedmarkt, waar je de data vindt, en waar de grenzen van het model liggen.

Wat expected goals meten — en wat niet

Elk schot krijgt een kans toegewezen. De som is xG. Dat is de kern van het model, in twee zinnen samengevat.

De kans die aan een schot wordt toegekend, is gebaseerd op een reeks factoren: de afstand tot het doel, de hoek ten opzichte van het doel, het type lichaamsdeel waarmee geschoten wordt (voet, hoofd), de snelheid van de aanval, en of de keeper uit positie is. Een strafschop krijgt doorgaans een xG-waarde van rond de 0.76 tot 0.79, afhankelijk van het gebruikte model — historisch gezien wordt 76 tot 79% van de penalty’s benut. Een schot van buiten het strafschopgebied met een verdediger in de baan krijgt misschien 0.04.

Die individuele waarden worden opgeteld tot het totale xG van een team in een wedstrijd. Als Ajax in een wedstrijd vijftien schoten lost met een totale xG van 2.3, betekent dat dat een gemiddeld team met die kansenverdeling 2.3 doelpunten zou hebben gescoord. Scoorde Ajax er drie, dan presteerde het boven verwachting. Scoorde het er één, dan had het pech — of een slechte afwerking.

Hoe xG wordt berekend

De berekening achter xG is gebaseerd op grote datasets van historische schoten. Statistische modellen — doorgaans logistische regressie of machine learning — analyseren honderdduizenden schoten uit professionele competities en bepalen voor elke combinatie van factoren hoe groot de kans op een doelpunt is. Die modellen worden continu verfijnd naarmate er meer data beschikbaar komt.

Er zijn meerdere xG-modellen in omloop, en ze zijn niet identiek. Het model van Opta — dat door veel bookmakers en mediapartijen wordt gebruikt — hanteert andere variabelen dan het model van StatsBomb, dat meer contextfactoren meeneemt zoals de positie van verdedigers en de patronen in de aanval. FBref publiceert xG-data op basis van het StatsBomb-model; sites als Understat gebruiken hun eigen berekeningen.

Wat xG niet meet, is minstens zo belangrijk als wat het wel meet. xG houdt geen rekening met de kwaliteit van de individuele schutter boven of onder het gemiddelde. Lionel Messi heeft een hogere conversieratio dan de gemiddelde speler — hij scoort vaker uit vergelijkbare posities. xG vangt dat niet, omdat het model gebaseerd is op gemiddelden. Dat is geen fout; het is een bewuste keuze die het model objectief houdt maar tegelijkertijd individuele klasse negeert.

Ook tactische context wordt beperkt meegenomen. Een team dat bewust diep verdedigt en tegenaanvallen speelt, genereert mogelijk weinig schoten maar van hoge kwaliteit — weinig xG in totaal, maar hoge xG per schot. Het omgekeerde geldt voor een team dat vanuit balbezit speelt en veel laagwaardige schoten van afstand afvuurt. De xG-totalen van die twee teams kunnen vergelijkbaar zijn, maar de onderliggende profielen zijn fundamenteel anders.

xG gebruiken om wedwaarde te vinden

Wanneer werkelijke doelpunten afwijken van verwachte doelpunten, ontstaan er kansen. Dat is het mechanisme dat xG relevant maakt voor wedders.

Het principe is regression to the mean — terugkeer naar het gemiddelde. Een team dat structureel meer scoort dan zijn xG suggereert, presteert boven verwachting. Die overperformance is op de lange termijn niet houdbaar, tenzij het team beschikt over buitengewone individuele kwaliteit in de afwerking. De markt — en de bookmaker — baseert de odds vaak op recente resultaten, niet op de onderliggende xG. Dat verschil creëert waarde.

Een concreet voorbeeld. Stel dat FC Utrecht in de eerste tien wedstrijden van het seizoen 18 doelpunten heeft gescoord, maar een totale xG van 12.5 heeft geproduceerd. Het team scoort 44% boven verwachting. De bookmaker ziet de achttien doelpunten en prijst de totalen-markt dienovereenkomstig: over 2.5 doelpunten bij Utrecht-wedstrijden staat op een lage quotering. Maar als de doelpuntenproductie terugvalt naar het xG-niveau — en dat doet het in de meeste gevallen — is die lage quotering op de over niet gerechtvaardigd. De under wordt waarde.

Het omgekeerde werkt ook. Een team dat structureel minder scoort dan zijn xG — door pech, slechte afwerking of een keeper in topvorm bij de tegenstander — wordt door de markt ondergewaardeerd. De resultaten zijn matig, maar de kansencreatie is solide. Dat is het type team waar de moneyline of de handicap meer waarde biedt dan de recente uitslagen suggereren.

Bij defensieve xG geldt dezelfde logica. Een team met een lage xGA (expected goals against) dat toch veel doelpunten incasseert, heeft waarschijnlijk pech gehad of een keeper die onder zijn niveau presteert. Op termijn zal het aantal geïncasseerde doelpunten dalen. Omgekeerd is een team met een hoge xGA dat weinig incasseert afhankelijk van keepersgeluk dat niet eindeloos duurt.

De praktische werkwijze: vergelijk voor elke weddenschap de xG-cijfers van beide teams over de laatste zes tot tien wedstrijden met hun werkelijke doelpuntentotalen. Grote afwijkingen — meer dan 20% — signaleren potentiële misprijzingen op de markt. Niet elke afwijking is waarde, maar het is een startpunt voor verdere analyse.

Waar je xG-data vindt

Gratis data bestaan — je moet alleen de juiste sites bookmarken. De drempel om met xG te werken is lager dan de meeste wedders denken.

FBref (fbref.com) is de meest uitgebreide gratis bron voor xG-data. De site biedt expected goals per team, per wedstrijd en per speler, gebaseerd op het StatsBomb-model. De dekking omvat de vijf grote Europese competities, de Eredivisie, en tientallen andere leagues. Voor de meeste wedders is FBref de enige bron die je nodig hebt.

Understat (understat.com) biedt een alternatief xG-model met iets andere methodologie. De interface is visueler dan FBref en maakt het eenvoudig om xG-trends per team over het seizoen te volgen. De dekking is beperkter — alleen de top vijf competities — maar voor wie zich op die leagues richt, is het een waardevolle aanvulling.

Voor de Eredivisie specifiek biedt de KNVB via de Eredivisie-website basisstatistieken, maar geen uitgebreide xG-data. FBref is hier de betere optie. Wie dieper wil graven, kan betaalde services als StatsBomb IQ of Opta overwegen, maar voor de gemiddelde wedder is de gratis data ruim voldoende.

Een praktische tip: maak een wekelijks ritueel van het checken van de xG-tabellen. Vijf minuten per week om de xG-stand van de Eredivisie of je favoriete competitie bij te werken, geeft je een informatievoorsprong die de meerderheid van de wedders niet heeft.

De grenzen van expected goals

xG is een instrument, geen glazen bol. Wie het model behandelt als absolute waarheid, maakt dezelfde fout als wie het negeert.

De eerste beperking is steekproefgrootte. Na drie wedstrijden is de xG-data van een team vrijwel betekenisloos — de variantie is te groot. Na tien wedstrijden beginnen patronen zich af te tekenen. Na twintig wedstrijden is de data betrouwbaar genoeg om conclusies aan te verbinden. Wie na twee speelrondes zijn wedstrategie baseert op xG, bouwt op drijfzand.

De tweede beperking is contextonafhankelijkheid. xG houdt geen rekening met wedstrijdsituaties die het spelbeeld fundamenteel veranderen. Een team dat na twintig minuten met 3-0 voorstaat, schakelt vaak over op balbezit zonder urgentie — de xG voor de rest van de wedstrijd zegt dan weinig over de werkelijke kwaliteit. Rode kaarten, extreme weersomstandigheden en tactische verschuivingen tijdens de wedstrijd worden niet meegenomen.

De derde beperking is de reeds genoemde individuele kwaliteit. Een team met meerdere bovengemiddelde afwerkers — denk aan een ploeg als het Paris Saint-Germain van de afgelopen jaren — kan structureel boven zijn xG presteren zonder dat dit op regressie duidt. Dat zijn uitzonderingen, maar ze bestaan, en het blindelings toepassen van regression to the mean op elke situatie is een oversimplificatie.

De verstandige benadering is xG als een van meerdere inputs te gebruiken, niet als de enige. Combineer het met vormanalyse, blessuremeldingen, tactische context en je eigen wedstrijdkennis. xG vertelt je iets belangrijks over de onderliggende prestatie van een team — maar het vertelt je niet alles. Wie dat onderscheid respecteert, haalt er het meeste uit.