AI 1. Bundesliga Tipps xG: Expected Goals verstehen und nutzen

Ladevorgang...

Es gibt Statistiken, die den Fußball verändert haben. Der Ballbesitz war so eine Kennzahl, die plötzlich in jeder Übertragung auftauchte und lebhafte Diskussionen auslöste. Dann kamen die Laufkilometer, die Passquoten, die gewonnenen Zweikämpfe. Doch keine dieser Metriken hat die Art, wie wir Fußball analysieren, so grundlegend verändert wie die Expected Goals. Kurz xG genannt, haben sich die erwarteten Tore in den letzten Jahren vom Nischenthema für Statistiknerds zur Standardkennzahl entwickelt, die in TV-Übertragungen eingeblendet wird, in Sportapps erscheint und in praktisch jedem ernstzunehmenden KI-System für Fußballprognosen eine zentrale Rolle spielt.

Die Geschichte der Expected Goals beginnt nicht in Deutschland, aber sie hat hier eine besondere Bedeutung erlangt. Pioniere wie Egil Olsen, der legendäre Trainer der norwegischen Nationalmannschaft in den 1990er Jahren, experimentierten bereits früh mit ähnlichen Konzepten. Olsen teilte das Spielfeld in Zonen ein und bewertete Schüsse nach ihrer Position. Seine Teams waren darauf trainiert, aus den statistisch günstigsten Positionen abzuschließen. Was damals als exzentrisch galt, ist heute Standard.

Wer heute KI-basierte Bundesliga-Tipps verstehen möchte, kommt an Expected Goals nicht vorbei. Die Metrik ist zum Herzstück moderner Fußballanalyse geworden, und das aus gutem Grund. Sie beantwortet eine Frage, die sich jeder Fußballfan schon einmal gestellt hat: Wer hatte eigentlich die besseren Chancen? Das Endergebnis verrät das nicht immer. Ein Team kann haushoch überlegen sein und trotzdem verlieren. Ein anderes Team kann mit dem Rücken zur Wand stehen und durch einen glücklichen Treffer gewinnen. Die Expected Goals versuchen, diese Diskrepanz zwischen Leistung und Ergebnis messbar zu machen.

Was Expected Goals wirklich bedeuten

Stell dir vor, du sitzt im Stadion und siehst, wie ein Stürmer allein vor dem Torwart auftaucht. Aus fünf Metern, zentraler Position, kein Verteidiger im Weg. Jeder würde sagen: Das muss er machen. Das ist doch eine hundertprozentige Chance. Aber ist sie das wirklich? Die Antwort ist: Nein, ist sie nicht. Selbst aus bester Position werden Chancen vergeben. Der Schuss geht daneben, der Torwart pariert, der Ball springt vom Pfosten. Die Expected Goals quantifizieren genau das. Sie sagen dir, wie wahrscheinlich es ist, dass ein Schuss aus einer bestimmten Position zu einem Tor führt.

Der xG-Wert liegt immer zwischen 0 und 1. Ein Wert von 0.25 bedeutet, dass statistisch gesehen 25 von 100 Schüssen aus dieser Position und unter diesen Umständen zu einem Tor führen. Ein Wert von 0.77 bedeutet 77 Prozent Erfolgswahrscheinlichkeit. Das ist übrigens der typische Wert eines Elfmeters. Selbst vom Punkt, ohne Gegenspieler, nur gegen den Torwart, ist ein Treffer keine sichere Sache. Drei von vier Elfmetern werden verwandelt, einer nicht. Die hundertprozentige Chance gibt es im Fußball nicht, und Expected Goals machen das messbar.

Die Berechnung dieser Werte basiert auf historischen Daten. Mathematiker und Datenwissenschaftler haben Zehntausende von Schüssen ausgewertet und analysiert, unter welchen Bedingungen wie oft ein Tor fiel. Dabei spielen verschiedene Faktoren eine Rolle: die Distanz zum Tor, der Winkel zum Tor, ob es ein Kopfball oder ein Schuss mit dem Fuß war, wie viele Verteidiger zwischen Ball und Tor standen, wie schnell sich der Schütze bewegte und unter welchem Druck er stand. All diese Variablen fließen in die Berechnung ein.

Die Komplexität moderner xG-Modelle geht weit über diese Grundfaktoren hinaus. Fortgeschrittene Systeme berücksichtigen auch die Art der Vorlage, ob der Pass aus dem offenen Spiel kam, nach einem Eckball, nach einem Konter oder aus einer Standardsituation. Sie beachten, ob der Schütze in Bewegung war oder stand, ob er mit dem starken oder schwachen Fuß abschloss, ob er den Ball direkt nahm oder ihn erst kontrollierte. Je mehr dieser Faktoren einbezogen werden, desto präziser wird die Vorhersage, aber auch desto aufwändiger die Berechnung.

Die Bundesliga nutzt seit der Saison 2021/22 ein besonders ausgefeiltes Modell, das von Sportec Solutions in Kooperation mit Amazon Web Services entwickelt wurde. Dieses Modell berücksichtigt nicht nur die Position des Schützen, wie es bei einfacheren Varianten üblich ist, sondern auch die Bewegungsgeschwindigkeit, den Druck durch Gegenspieler und seit einiger Zeit auch die sogenannte Shot Condition, also Einschränkungen bei der Ausführung des Schusses. Rund 40.000 Torschüsse bilden die historische Grundlage für diese Berechnungen.

Die Integration von xG in KI-Vorhersagemodelle

Jetzt wird es interessant für alle, die wissen wollen, wie KI-basierte Bundesliga-Tipps eigentlich funktionieren. Expected Goals sind nicht einfach nur eine nette Zusatzinformation. Sie sind oft das Fundament, auf dem algorithmische Vorhersagen aufbauen.

Der Grund dafür ist einfach: xG-Werte bilden die tatsächliche Spielqualität besser ab als reine Ergebnisse. Ein Team, das 3:0 gewinnt, hat nicht automatisch besser gespielt als eines, das nur 1:0 gewinnt. Vielleicht hat das erste Team drei Weitschüsse verwandelt, die eigentlich selten reingehen, während das zweite Team zehn hochkarätige Chancen vergeben hat. Wenn du nur auf die Ergebnisse schaust, verpasst du diese Nuance. Wenn du auf xG schaust, siehst du das wahre Bild.

KI-Systeme wie BETSiE von Wettbasis integrieren historische xG-Daten in ihre Berechnungen. Der Algorithmus analysiert jedes Spiel rund 20.000 Mal und bezieht dabei die Expected Goals beider Mannschaften ein. Das Ergebnis sind nicht nur Prognosen für den wahrscheinlichsten Ausgang, sondern auch erwartete xG-Werte für das kommende Spiel. Wenn der Algorithmus etwa einen xG-Wert von 2.5 für das Heimteam und 1.2 für das Auswärtsteam prognostiziert, dann bedeutet das, dass er basierend auf der Qualität der zu erwartenden Chancen einen deutlichen Heimvorteil sieht.

Diese Art der Analyse geht weit über das hinaus, was du mit bloßem Auge siehst. Ein menschlicher Experte kann einschätzen, dass Bayern München gegen einen Aufsteiger wahrscheinlich gewinnt. Aber er kann nicht quantifizieren, wie viele Chancen welcher Qualität wahrscheinlich entstehen werden. Die KI kann das, zumindest näherungsweise, indem sie Muster aus Tausenden von vergangenen Spielen erkennt und auf die aktuelle Situation anwendet.

Der eigentliche Mehrwert von xG für Prognosemodelle liegt in der Glättung von Zufallsergebnissen. Fußball ist ein Sport mit wenigen Toren, und das bedeutet, dass der Zufall eine große Rolle spielt. Ein Team kann über mehrere Spiele hinweg Pech haben und gute Chancen nicht verwerten. Ein anderes Team kann eine Glückssträhne haben und aus wenigen Möglichkeiten viele Tore machen. Die tatsächlichen Ergebnisse schwanken deshalb stark. Die xG-Werte schwanken weniger, weil sie die Qualität der Chancen messen, nicht deren Verwertung. Für KI-Modelle bedeutet das stabilere Eingangsdaten und damit zuverlässigere Prognosen.

Die xG-Tabelle im Vergleich zur echten Tabelle

Einer der faszinierendsten Aspekte von Expected Goals ist die Möglichkeit, alternative Tabellen zu erstellen. Die normale Bundesliga-Tabelle zeigt, wer die meisten Punkte gesammelt hat. Die xG-Tabelle zeigt, wer die meisten Punkte hätte sammeln sollen, wenn die Qualität der Chancen angemessen belohnt worden wäre.

Das Konzept dahinter ist die Erkenntnis, dass Ergebnisse im Fußball starken Schwankungen unterliegen. Ein Team mit einem xG von 2.0 und einem xG Against von 1.0 hätte statistisch gesehen das Spiel deutlich gewinnen müssen. Aber wenn der Stürmer dreimal den Pfosten trifft und der Gegner aus seiner einzigen Halbchance ein Tor macht, verliert das bessere Team. Die xG-Tabelle filtert dieses Rauschen heraus und zeigt die zugrunde liegende Qualität.

Diese Differenz kann erhellend sein. Manchmal stimmen die Tabellen überein. Die Top-Teams wie Bayern München führen sowohl die reguläre als auch die xG-Tabelle an. Das bedeutet, dass sie nicht nur die besten Ergebnisse erzielen, sondern auch die besten Chancen kreieren. Ihre Dominanz ist real und fundiert.

Interessanter wird es, wenn die Tabellen auseinandergehen. Stell dir ein Team vor, das in der echten Tabelle auf Platz 15 steht, aber in der xG-Tabelle auf Platz 8 liegt. Was bedeutet das? Es bedeutet, dass dieses Team eigentlich besser gespielt hat, als die Ergebnisse vermuten lassen. Es hat gute Chancen kreiert, diese aber nicht verwertet. Oder es hat wenige Gegentore kassiert trotz vieler gegnerischer Chancen, vielleicht dank eines starken Torwarts, was langfristig nicht aufrechtzuerhalten ist.

Für KI-basierte Prognosen ist diese Differenz Gold wert. Ein Team, das unter seinem xG-Wert performt, wird statistisch gesehen in Zukunft besser abschneiden. Die Chancenverwertung pendelt sich langfristig auf einen Durchschnitt ein. Wer aktuell Pech hat, wird wahrscheinlich bald mehr Glück haben. Umgekehrt gilt: Ein Team, das über seinem xG-Wert performt, profitiert von einer überdurchschnittlichen Chancenverwertung, die sich langfristig nicht halten lässt. Hier ist eine Korrektur nach unten wahrscheinlich.

Die Saison 2014/15 von Borussia Dortmund ist ein klassisches Beispiel. Nach der Hinrunde stand der BVB auf dem 17. Tabellenplatz mit mageren 15 Punkten. Die xG-Analyse zeigte jedoch, dass Dortmund deutlich mehr Tore hätte schießen müssen und weniger hätte kassieren dürfen. Die erwartete Punktzahl lag weit über der tatsächlichen. Was passierte in der Rückrunde? Der BVB holte auf und beendete die Saison auf dem siebten Platz. Die xG-Werte hatten das Potenzial des Teams besser erfasst als die Tabelle.

Over- und Underperformer in der Bundesliga

Die Frage, wer über oder unter seinem xG-Wert performt, ist für Wettende und Tippspiel-Teilnehmer besonders relevant. Wenn du einen Overperformer identifizierst, also ein Team, das mehr Tore macht, als es basierend auf seinen Chancen sollte, dann weißt du, dass eine Korrektur droht. Wenn du einen Underperformer findest, kannst du auf eine Verbesserung spekulieren.

Diese Logik basiert auf einem statistischen Prinzip namens Regression zur Mitte. Teams, die extrem über oder unter ihrem erwarteten Niveau performen, tendieren dazu, sich langfristig ihrem Durchschnitt anzunähern. Ein Stürmer, der in den ersten fünf Spielen jede Chance verwertet, wird nicht die gesamte Saison so weitermachen. Umgekehrt wird ein Team, das in jedes Spiel mit dem falschen Fuß startet, irgendwann sein Potenzial zeigen. Die xG-Daten helfen, diese Wendepunkte vorherzusehen.

In der aktuellen Bundesliga-Saison lässt sich das konkret beobachten. Teams mit starker offensiver Qualität wie Bayern München zeigen typischerweise hohe xG-Werte pro Spiel. Die aktuellen Daten zeigen, dass Bayern mit einem xG von etwa 2.34 pro Spiel die Liga anführt. Das bedeutet, dass der Rekordmeister nicht nur gewinnt, sondern auch verdient gewinnt, weil er sich regelmäßig die besten Chancen erspielt.

Am anderen Ende des Spektrums finden sich Teams, die offensiv wenig zustande bringen. Die niedrigsten xG-Werte liegen oft bei Aufsteigern oder Abstiegskandidaten, die Schwierigkeiten haben, überhaupt in gefährliche Abschlusspositionen zu kommen. Wenn ein Team nur 1.2 oder 1.3 xG pro Spiel generiert, bedeutet das, dass die Chancen selten sind und oft aus ungünstigen Positionen kommen.

Besonders aufschlussreich ist der Vergleich von xG mit den tatsächlichen Toren auf Spielerebene. Robert Lewandowski ist das beste Beispiel der Bundesliga-Geschichte. In seiner Rekordsaison 2020/21 erzielte er 41 Tore und brach damit den legendären Rekord von Gerd Müller. Sein xG-Wert für die Saison lag jedoch bei etwa 29 Treffern. Das bedeutet, dass Lewandowski seine statistisch zu erwartende Ausbeute um mehr als 40 Prozent übertraf. Das ist ein klares Indiz für außergewöhnliche individuelle Qualität. Ein durchschnittlicher Stürmer mit denselben Chancen hätte deutlich weniger Tore erzielt.

Solche Spieleranalysen sind für Scouts Gold wert. Ein Stürmer, der seinen xG-Wert konstant schlägt, hat echtes Talent. Ein Torjäger, der unter seinem xG bleibt, vergibt möglicherweise zu viele Chancen oder hatte eine Pechsträhne. Die Expected Goals helfen, Substanz von Zufall zu unterscheiden.

Die Anwendung von xG auf verschiedene Wettmärkte

Expected Goals sind nicht nur für den klassischen Drei-Wege-Markt interessant. Sie lassen sich auf verschiedene Wettoptionen anwenden und bieten dabei jeweils unterschiedliche Einblicke.

Beim Über-Unter-Markt für Tore ist xG besonders nützlich. Wenn zwei Teams aufeinandertreffen, kannst du ihre durchschnittlichen xG-Werte addieren und erhältst eine Schätzung, wie viele Tore wahrscheinlich fallen werden. Wenn Team A typischerweise 1.8 xG pro Spiel generiert und Team B 1.5 xG, dann liegt die erwartete Torausbeute bei etwa 3.3 Toren. Das spricht eher für eine Über-2.5-Wette als für Unter. Natürlich ist das eine Vereinfachung, weil die Defensive der Teams ebenfalls eine Rolle spielt, aber es gibt eine erste Orientierung.

Beim Beide-Teams-Treffen-Markt hilft ein Blick auf die xG-Verteilung beider Mannschaften. Wenn beide Teams regelmäßig mehr als 1 xG pro Spiel erzielen und gleichzeitig mehr als 1 xG zulassen, dann ist die Wahrscheinlichkeit hoch, dass beide Seiten treffen. Wenn hingegen ein Team defensiv stark ist und selten mehr als 0.8 xGA pro Spiel zulässt, sinkt diese Wahrscheinlichkeit.

Für Handicap-Wetten liefert die Differenz zwischen den xG-Werten beider Teams einen Anhaltspunkt. Wenn ein klarer Favorit 2.5 xG generiert und der Außenseiter nur 0.8 xG, dann ist ein Sieg mit mehreren Toren Unterschied statistisch wahrscheinlicher als ein knappes Ergebnis.

Erfahrene Wetter nutzen xG auch, um Value-Wetten zu identifizieren. Das Konzept ist einfach: Wenn die aus xG abgeleitete Wahrscheinlichkeit höher ist als die implizite Wahrscheinlichkeit der Wettquote, dann bietet die Wette theoretisch Value. Nehmen wir an, deine xG-Analyse ergibt eine 55-prozentige Siegchance für das Heimteam. Der Buchmacher bietet aber eine Quote von 2.00, was einer impliziten Wahrscheinlichkeit von nur 50 Prozent entspricht. Die Differenz von fünf Prozentpunkten ist dein theoretischer Edge, dein Vorteil.

Die Grenzen von Expected Goals

Bei all dem Lob für xG sollten wir nicht verschweigen, dass die Metrik auch Schwächen hat. Keine statistische Kennzahl ist perfekt, und Expected Goals bilden da keine Ausnahme.

Die Qualität des Schützen wird nicht berücksichtigt. Das ist die größte Kritik an xG-Modellen. Ob Robert Lewandowski oder ein Zweitligaspieler aus fünf Metern zum Abschluss kommt, macht in der Realität einen großen Unterschied. In den meisten xG-Modellen jedoch nicht. Der xG-Wert ist für beide identisch, obwohl Lewandowski die Chance mit höherer Wahrscheinlichkeit verwandelt. Dieses Problem erklärt, warum Top-Stürmer regelmäßig ihre xG-Werte übertreffen. Es ist kein Zufall, es ist Qualität.

Die Qualität des Torwarts wird ebenfalls vernachlässigt. Ein xG-Wert von 0.35 bedeutet, dass ein durchschnittlicher Torwart etwa 65 Prozent der Schüsse aus dieser Position hält. Aber Manuel Neuer ist kein durchschnittlicher Torwart. Die individuelle Klasse im Tor wird in Standard-xG-Modellen nicht abgebildet.

Kontextfaktoren fehlen. xG sagt nichts über die Spielsituation aus. Eine Chance in der 90. Minute bei einem 0:0-Stand fühlt sich anders an als die gleiche Chance beim Stand von 4:0. Der Druck, die Müdigkeit, die taktische Situation, all das beeinflusst die tatsächliche Verwertungsquote, wird aber im xG-Modell nicht erfasst.

Die Stichprobengröße ist ein Problem. xG-Werte sind am aussagekräftigsten, wenn sie über viele Spiele aggregiert werden. Nach fünf Spieltagen können die Werte noch stark schwanken. Ein Team, das in den ersten Spielen zufällig viele leichte Chancen vergibt, hat niedrigere xG-Werte, obwohl es vielleicht gut spielt. Erst nach etwa zehn bis fünfzehn Spielen stabilisieren sich die Zahlen.

Verschiedene Anbieter berechnen xG unterschiedlich. Es gibt kein einheitliches xG-Modell. Forebet, FootyStats, Opta, Understat und andere nutzen jeweils eigene Algorithmen und Datengrundlagen. Die Ergebnisse können deshalb leicht variieren. Ein xG-Wert von 1.5 bei Anbieter A bedeutet nicht exakt dasselbe wie bei Anbieter B.

Die praktische Anwendung für Kicktipp und Sportwetten

Wie nutzt du dieses Wissen jetzt konkret? Hier einige Handlungsempfehlungen, die sich aus der xG-Analyse ableiten lassen.

Zunächst eine grundlegende Unterscheidung: Die Art, wie du xG für Kicktipp nutzt, unterscheidet sich von der Anwendung bei Sportwetten. Bei Kicktipp geht es nicht um Quoten und Value, sondern darum, möglichst oft das richtige Ergebnis zu tippen. Bei Sportwetten hingegen ist die Quote entscheidend, nicht das Ergebnis an sich. Du kannst mit einer falschen Prognose Geld verdienen, wenn die Quote stimmt, und mit einer richtigen Prognose Geld verlieren, wenn die Quote zu schlecht war. Diesen Unterschied zu verstehen ist fundamental.

Wenn du bei Kicktipp spielst, ist der Fokus ein anderer als bei Sportwetten. Bei Kicktipp geht es darum, das wahrscheinlichste Ergebnis zu treffen oder zumindest die richtige Tendenz zu erwischen. Die xG-Analyse hilft dir, Spiele zu identifizieren, in denen das Ergebnis möglicherweise nicht die wahren Kräfteverhältnisse widerspiegelt. Wenn ein Team zuletzt verloren hat, aber hohe xG-Werte hatte, ist eine Formumkehr wahrscheinlich. Das kannst du in deinen Tipps berücksichtigen.

Bei Sportwetten kommt die Value-Suche ins Spiel. Du vergleichst deine xG-basierte Einschätzung mit den Quoten der Buchmacher. Wenn du systematisch Wetten findest, bei denen deine Wahrscheinlichkeit höher ist als die des Buchmachers, hast du langfristig einen Vorteil. Natürlich gewinnt nicht jede einzelne Wette, aber über viele Wetten hinweg sollte sich der Edge auszahlen.

Wichtig ist dabei, die xG-Daten nicht isoliert zu betrachten. Kombiniere sie mit anderen Informationen: der aktuellen Form, den Verletzungen, dem direkten Vergleich, der Heim- oder Auswärtsstärke. Expected Goals sind ein mächtiges Werkzeug, aber sie erzählen nicht die ganze Geschichte.

Und vergiss nicht: Auch die beste Analyse garantiert keinen Erfolg. Fußball bleibt unberechenbar, und das ist auch gut so. Die xG-Analyse gibt dir einen Informationsvorsprung, aber sie eliminiert nicht den Zufall. Ein Außenseiter kann immer noch gewinnen, auch wenn die Statistik dagegen spricht. Das macht den Sport ja so spannend.

Der Blick in die Zukunft

Expected Goals haben den Fußball bereits verändert und werden das weiter tun. Die Metrik wird immer feiner, die Modelle immer ausgefeilter. Neue Varianten wie Post-Shot-xG, das die Qualität des tatsächlichen Schusses einbezieht, oder xP, die erwarteten Punkte, die aus den xG-Werten abgeleitet werden, erweitern das analytische Arsenal.

Die Entwicklung geht in Richtung immer granularerer Daten. Tracking-Systeme erfassen bereits heute die Position aller Spieler mehrmals pro Sekunde. Diese Daten fließen in die nächste Generation von xG-Modellen ein. Statt nur zu wissen, wo der Schütze stand, werden zukünftige Modelle auch wissen, wie sich das gesamte Spielfeld in dem Moment konfigurierte. War der Stürmer freistehend, weil ein cleverer Laufweg die Verteidigung ausgespielt hatte, oder weil die Defensive schlief? Diese Unterscheidung macht einen Unterschied für die Wahrscheinlichkeitsberechnung.

Für KI-basierte Prognosen bedeutet das noch bessere Eingangsdaten. Je präziser die Messung der Spielqualität, desto genauer können Algorithmen die Wahrscheinlichkeiten für zukünftige Spiele berechnen. Wer heute lernt, xG-Daten zu verstehen und zu nutzen, ist für die Zukunft der Fußballanalyse gut gerüstet.

Die Integration von xG in alltägliche Fußballdiskussionen ist bereits in vollem Gange. TV-Kommentatoren erwähnen die Werte regelmäßig, Sportjournalisten nutzen sie in ihren Analysen, und immer mehr Fans verstehen, was die Zahlen bedeuten. Das verändert auch die Art, wie wir über Spiele reden. Statt zu sagen, ein Team hatte Pech, können wir jetzt quantifizieren, wie viel Pech es tatsächlich war. Statt zu behaupten, ein Stürmer sei in Topform, können wir nachprüfen, ob er seine Chancen wirklich besser verwertet oder ob er einfach mehr davon bekommt.

Die klassische Torschuss-Statistik wird nicht verschwinden, aber sie wird zunehmend durch xG ergänzt und manchmal ersetzt. Das ist gut so, denn es macht Fußball nicht weniger aufregend, sondern verständlicher. Wenn Bayern München mit 3:1 gewinnt und die xG-Analyse zeigt, dass sie eigentlich 4:1 hätten gewinnen müssen, dann weißt du, dass die Dominanz real war. Wenn sie nur knapp gewinnen, obwohl sie deutlich weniger Chancen hatten, dann war Glück im Spiel. Diese Unterscheidung zu kennen, macht dich zu einem besseren Analysten und zu einem informierteren Tipper.

Am Ende des Tages geht es bei Expected Goals um eine einfache Frage: Wer hatte die besseren Chancen? Die Antwort ist nicht immer identisch mit der Frage, wer gewonnen hat. Und genau diese Diskrepanz zu verstehen und zu nutzen, das ist die Kunst der modernen Fußballanalyse.