Sportvorhersagen
Ladevorgang...
Ladevorgang...
Wer heute über Fussball spricht, kommt an zwei Buchstaben kaum vorbei: xG. Expected Goals haben sich innerhalb weniger Jahre von einer Nischen-Statistik für Datenfreaks zum Standard-Werkzeug für Analysten, Trainer und Wettende entwickelt. Die TV-Übertragungen blenden die Werte ein, Experten diskutieren sie in Talkshows, und selbst Stammtisch-Gespräche kreisen manchmal um die Frage, ob ein Sieg nun verdient war oder nicht. Doch was steckt wirklich hinter dieser Kennzahl, und wie lässt sie sich für Value-Wetten nutzen?
Die Revolution begann schleichend. Vor zehn Jahren kannten xG-Werte nur eingefleischte Statistik-Enthusiasten und professionelle Scouting-Abteilungen. Heute sind sie Mainstream. Diese Entwicklung ist kein Zufall. Expected Goals bieten etwas, das im Fussball lange fehlte: eine objektive Metrik für Chancenqualität. Nicht mehr nur die Frage, wie viele Schüsse ein Team abgegeben hat, sondern wie gut diese Schüsse waren.
Die Grundidee ist bestechend einfach: Nicht alle Torchancen sind gleich viel wert. Ein Elfmeter bietet bessere Aussichten als ein Fernschuss aus 30 Metern. Ein Kopfball aus fünf Metern zentral vor dem Tor ist vielversprechender als ein spitzwinkliger Abschluss aus dem Winkel. Expected Goals quantifizieren diese Unterschiede. Sie weisen jedem Schuss eine Zahl zwischen null und eins zu, die ausdrückt, wie wahrscheinlich ein Tor ist. Ein xG-Wert von 0,75 bedeutet: In 75 Prozent aller historisch ähnlichen Situationen fiel ein Treffer.
Diese scheinbar simple Idee hat weitreichende Konsequenzen. Sie ermöglicht eine fairere Bewertung von Spielleistungen, unabhängig vom zufälligen Endergebnis. Sie hilft Trainern, die Stärken und Schwächen ihrer Mannschaften zu analysieren. Und für Wettende bietet sie einen Zugang zu Informationen, die traditionelle Statistiken nicht liefern können.
Für KI-gestützte Value-Tipps sind xG-Daten aus mehreren Gründen unverzichtbar. Sie filtern den Zufall aus den Ergebnissen heraus und zeigen die tatsächliche Leistung eines Teams. Sie ermöglichen präzisere Wahrscheinlichkeitsberechnungen als simple Torstatistiken. Und sie helfen dabei, überbewertete oder unterbewertete Mannschaften zu identifizieren. Wer xG versteht und richtig anwendet, hat einen Vorteil gegenüber Wettern, die nur auf Tabellenstände und Ergebnisse schauen.
Die technische Seite: Wie xG berechnet wird
Die Berechnung von Expected Goals ist komplexer, als die elegante Einfachheit des Konzepts vermuten lässt. Hinter jedem xG-Wert stecken Algorithmen, die tausende historische Torchancen analysiert und kategorisiert haben. Diese Algorithmen lernen aus der Vergangenheit, welche Faktoren die Trefferwahrscheinlichkeit beeinflussen, und wenden dieses Wissen auf neue Situationen an.
Das Prinzip ähnelt dem maschinellen Lernen, und tatsächlich nutzen moderne xG-Modelle oft ML-Techniken. Ein neuronales Netz wird mit hunderttausenden Torschüssen trainiert. Für jeden Schuss sind die Umstände bekannt: Position auf dem Feld, Winkel zum Tor, Spielsituation, Ergebnis. Das Netz lernt, welche Kombinationen von Faktoren zu Toren führen und welche nicht. Nach dem Training kann es neue Schüsse bewerten, die es nie zuvor gesehen hat.
Die Distanz zum Tor ist der offensichtlichste Faktor. Je näher der Schütze am Kasten steht, desto höher die Erfolgswahrscheinlichkeit. Das ist intuitiv klar und statistisch belegt. Ein Schuss aus fünf Metern hat einen deutlich höheren xG-Wert als einer aus 20 Metern. Diese Beziehung ist nicht linear. Der Unterschied zwischen fünf und zehn Metern ist grösser als zwischen 20 und 25 Metern, weil ab einer gewissen Entfernung die Trefferwahrscheinlichkeit ohnehin gering ist.
Der Winkel zum Tor spielt eine ähnlich wichtige Rolle. Ein zentraler Abschluss bietet dem Schützen mehr Zielfläche als ein spitzer Winkel aus der Nähe der Seitenlinie. Die geometrische Logik ist einleuchtend: Je mehr Tor der Spieler sieht, desto mehr Optionen hat er für die Platzierung des Balls. Die xG-Modelle berücksichtigen diese Geometrie präzise.
Das Körperteil, mit dem der Abschluss erfolgt, beeinflusst die Wahrscheinlichkeit erheblich. Schüsse mit dem Fuss haben im Durchschnitt höhere Erfolgschancen als Kopfbälle. Das liegt an der besseren Kontrolle und Präzision, die der Fuss bietet. Innerhalb der Kategorie Kopfball gibt es weitere Unterschiede: Ein wuchtiger Kopfball aus kurzer Distanz nach Flanke ist erfolgversprechender als ein Kopfball-Versuch nach Ecke im Getümmel.
Die Spielsituation vor dem Schuss fliesst ebenfalls ein. Entstand die Chance aus einem Konter, bei dem die Abwehr noch nicht sortiert war? Oder aus einem langwierigen Angriff gegen eine formierte Defensive? Konterchancen haben tendenziell höhere xG-Werte, weil der Torwart und die Verteidiger schlechter positioniert sind. Auch die Art des letzten Passes spielt eine Rolle: Nach einem Steilpass entstehen oft bessere Chancen als nach einer Flanke von der Seite.
Moderne xG-Modelle gehen noch weiter. Sie berücksichtigen den Druck durch Gegenspieler, die Position des Torwarts, die Geschwindigkeit des Angreifers, sogar die Frage, ob der Schuss mit dem starken oder schwachen Fuss erfolgte. Je mehr Faktoren einfliessen, desto präziser werden die Werte, aber auch desto komplexer die Berechnung. Unterschiedliche Datenanbieter wie Opta, StatsBomb oder Understat verwenden leicht unterschiedliche Modelle, weshalb die xG-Werte für dasselbe Spiel variieren können.
Datenquellen: Wo man xG-Statistiken findet
Die gute Nachricht für interessierte Wetter: xG-Daten sind heute weitgehend frei zugänglich. Die Zeiten, in denen solche Informationen teuren Profi-Abonnements vorbehalten waren, sind vorbei. Mehrere Plattformen bieten umfassende Statistiken kostenlos an. Diese Demokratisierung der Daten hat die Sportwetten-Landschaft verändert. Wer bereit ist, etwas Zeit zu investieren, kann heute auf Analysen zugreifen, die vor wenigen Jahren nur Profis zur Verfügung standen.
Die Qualität der Datenquellen variiert allerdings. Nicht alle xG-Modelle sind gleich präzise, und unterschiedliche Anbieter kommen zu unterschiedlichen Werten für dasselbe Spiel. Das ist kein Fehler, sondern liegt in der Natur der Sache. Jedes Modell trifft methodische Entscheidungen, die das Ergebnis beeinflussen. Wer mehrere Quellen vergleicht, bekommt ein vollständigeres Bild.
Understat hat sich als Spezialist für Expected Goals etabliert und bietet detaillierte Daten für die grossen europäischen Ligen. Die Bundesliga, Premier League, La Liga, Serie A und Ligue 1 werden komplett abgedeckt. Für jedes Spiel gibt es xG-Werte aufgeschlüsselt nach Mannschaften und einzelnen Chancen. Besonders nützlich sind die Saisonübersichten, die zeigen, welche Teams ihre xG-Werte über- oder unterperformen. Diese Differenz zwischen erwarteten und tatsächlichen Toren ist ein wichtiger Indikator für Value-Wetten.
FBref, betrieben von Sports Reference, bietet eine noch tiefere Datenebene. Die Statistiken stammen von Opta und StatsBomb, zwei der renommiertesten Datenanbieter im Fussball. Neben xG findet man hier Passing-Statistiken, Pressing-Daten, Defensiv-Metriken und vieles mehr. Die Lernkurve ist steiler als bei Understat, aber die Tiefe der Informationen belohnt den Aufwand. Besonders wertvoll sind die Spieler-bezogenen xG-Daten, die zeigen, welche Stürmer ihre Chancen effizient nutzen und welche unter ihrem Niveau bleiben.
Flashscore und ähnliche Livescore-Plattformen haben xG mittlerweile in ihre Echtzeit-Statistiken integriert. Das ist besonders für Live-Wetten relevant. Während des Spiels kann man verfolgen, wie sich die Expected Goals entwickeln, und erkennen, ob eine Mannschaft trotz Rückstand die besseren Chancen kreiert. Diese Information kann für In-Play-Wetten entscheidend sein.
WhoScored kombiniert xG-Daten mit anderen Statistiken und Spielerbewertungen zu einer umfassenden Analyse-Plattform. Die Vorschauen auf kommende Spiele enthalten xG-basierte Prognosen, die als Ausgangspunkt für eigene Analysen dienen können. Die historischen Daten reichen mehrere Saisons zurück, was Trendanalysen ermöglicht.
Die Bundesliga selbst veröffentlicht xG-Daten über ihre offiziellen Kanäle. In Kooperation mit Amazon Web Services wurden die Match Facts entwickelt, die Expected Goals prominent einbeziehen. Diese Daten sind besonders zuverlässig, weil sie direkt von der Liga stammen und mit modernsten Tracking-Systemen erfasst werden.
xG und KI: Warum sie so gut zusammenpassen
Expected Goals und künstliche Intelligenz sind wie füreinander geschaffen. Beide basieren auf derselben Grundlogik: aus grossen Datenmengen Muster extrahieren und Wahrscheinlichkeiten berechnen. Die Kombination potenziert die Stärken beider Ansätze.
Man könnte sagen, dass xG selbst ein Produkt von KI-ähnlichen Methoden ist. Die Berechnung der Expected Goals erfordert die Analyse riesiger Datenmengen und die Erkennung komplexer Muster. Kein Mensch könnte manuell berechnen, wie wahrscheinlich ein bestimmter Schuss ins Tor geht. Das können nur Algorithmen. Insofern ist xG bereits eine Anwendung künstlicher Intelligenz auf den Fussball.
Wenn KI-Systeme für Fussballprognosen nun xG-Daten als Input nutzen, entsteht eine Art Meta-Analyse. Die erste KI-Schicht berechnet die xG-Werte aus den Rohdaten der Schüsse. Die zweite KI-Schicht nimmt diese Werte und berechnet daraus Prognosen für zukünftige Spiele. Jede Schicht fügt Wert hinzu und filtert Rauschen heraus.
KI-Systeme für Fussballprognosen nutzen xG als einen von vielen Inputs. Sie füttern ihre Algorithmen mit historischen xG-Daten, um die offensive und defensive Stärke von Teams zu modellieren. Aus diesen Modellen lassen sich Wahrscheinlichkeiten für kommende Spiele ableiten. Eine Mannschaft mit konstant hohen xG-Werten in der Offensive und niedrigen xG-Werten in der Defensive wird als stark eingestuft, auch wenn die tatsächlichen Ergebnisse durch Zufall verzerrt wurden.
Der entscheidende Vorteil gegenüber traditionellen Statistiken: xG filtert den Zufall. Tore fallen manchmal durch Glück, manchmal durch Pech. Ein abgefälschter Fernschuss, ein gehaltener Elfmeter, ein Pfostentreffer in letzter Minute. Diese Ereignisse beeinflussen Ergebnisse und Tabellen, sagen aber wenig über die wahre Stärke eines Teams aus. xG ignoriert das Rauschen und konzentriert sich auf das Signal: Wie viele und wie gute Chancen kreiert eine Mannschaft?
KI-Modelle können diese bereinigte Leistung besser prognostizieren als rohe Ergebnisdaten. Wenn Team A in den letzten fünf Spielen dreimal verloren hat, aber dabei xG-Werte von 2,5 pro Spiel produzierte, ist es wahrscheinlich besser als die Ergebnisse suggerieren. Die KI erkennt das und passt ihre Prognosen entsprechend an. Buchmacher, die primär auf Ergebnisse schauen, unterschätzen solche Teams möglicherweise. Hier liegt Value.
Die prognostische Kraft von xG ist wissenschaftlich belegt. Studien zeigen, dass xG-Differenz ein besserer Prädiktor für zukünftige Ergebnisse ist als die aktuelle Punktzahl. Teams, die ihre xG-Werte überperformen, tendieren dazu, in der Zukunft schlechter abzuschneiden. Teams, die unterperformen, tendieren zur Regression zum Mittelwert. Diese Muster sind Gold wert für Value-Wetten.
xG-Differenz als Value-Indikator
Die Differenz zwischen Expected Goals und tatsächlichen Toren ist einer der aussagekräftigsten Indikatoren für Value-Wetten. Sie zeigt, welche Teams vom Zufall begünstigt oder benachteiligt wurden und wo eine Korrektur wahrscheinlich ist.
Das Konzept basiert auf einem fundamentalen statistischen Prinzip: der Regression zum Mittelwert. Extreme Werte tendieren dazu, sich über Zeit dem Durchschnitt anzunähern. Ein Team, das weit über seinen xG-Werten abschliesst, wird diese Überperformance wahrscheinlich nicht dauerhaft halten können. Ein Team, das unter seinen xG-Werten bleibt, wird sich vermutlich verbessern. Diese Vorhersage ist nicht perfekt, aber statistisch fundiert.
Für Wettende bietet diese Erkenntnis konkrete Handlungsoptionen. Wenn der Markt die Regression zum Mittelwert nicht einpreist, entsteht Value. Das passiert häufiger, als man denkt. Buchmacher und andere Wetter orientieren sich stark an aktuellen Ergebnissen und Tabellenständen. Die xG-Differenz ist subtiler und wird oft übersehen.
Wenn eine Mannschaft in den ersten zehn Saisonspielen einen xG-Wert von 18 erarbeitet, aber nur 12 Tore geschossen hat, liegt eine Unterperformance vor. Statistisch gesehen sollte dieses Team mehr Tore erzielen, als es tatsächlich tut. Die Gründe können vielfältig sein: schlechte Chancenverwertung des Stürmers, starke gegnerische Torhüter, simples Pech. Aber über längere Zeiträume tendieren die tatsächlichen Tore dazu, sich den erwarteten anzunähern. Ein unterperformendes Team ist oft unterbewertet und bietet Value.
Umgekehrt gilt dasselbe für überperformende Teams. Wer mehr Tore schiesst als die xG-Werte erwarten lassen, profitiert vermutlich von Glück oder überdurchschnittlicher Chancenverwertung. Beides ist nicht nachhaltig. Selbst der beste Stürmer der Welt kann nicht dauerhaft jeden zweiten Schuss verwandeln. Die Regression zum Mittelwert kommt, früher oder später. Überperformende Teams sind oft überbewertet und sollten mit Vorsicht gewettet werden.
Diese Logik lässt sich auch auf die Defensive anwenden. Ein Team, das weniger Gegentore kassiert als die gegnerischen xG-Werte erwarten lassen, hat entweder einen Weltklasse-Torwart oder Glück. Beides sollte kritisch hinterfragt werden. Torwartleistungen schwanken, und Glück ist per Definition nicht von Dauer.
Die praktische Anwendung erfordert Geduld und Disziplin. Die Regression zum Mittelwert ist ein statistisches Gesetz, aber sie hat keinen festen Zeitplan. Ein überperformendes Team kann noch mehrere Wochen weiter überperformen, bevor die Korrektur einsetzt. Value-Wetten auf Basis von xG-Differenzen funktionieren langfristig, nicht bei jeder einzelnen Partie.
Konkrete Anwendungen: xG-basierte Wettstrategien
Die Theorie ist schön, aber wie setzt man xG-Wissen in konkrete Wetten um? Mehrere Strategien haben sich bewährt und lassen sich mit KI-Unterstützung optimieren. Wichtig ist dabei, dass keine Strategie garantierte Gewinne verspricht. Es geht darum, die Wahrscheinlichkeiten zu den eigenen Gunsten zu verschieben und langfristig profitabel zu wetten.
Die praktische Umsetzung erfordert Disziplin und Geduld. xG-basierte Strategien entfalten ihre Wirkung über viele Wetten hinweg, nicht bei einzelnen Spielen. Wer nach drei verlorenen Wetten aufgibt, hat das Prinzip nicht verstanden. Der Erwartungswert zeigt sich erst in der Masse.
Over-Under-Märkte profitieren besonders von xG-Analysen. Wenn beide Teams hohe xG-Werte produzieren, aber ihre Defensive löchrig ist, steigt die Wahrscheinlichkeit für ein torreiches Spiel. Die Addition der erwarteten Tore beider Mannschaften gibt einen Anhaltspunkt für die Over-Under-Linie. Liegt die Buchmacher-Linie deutlich unter diesem Wert, kann Over interessant sein.
BTTS-Wetten, also Wetten darauf, dass beide Teams treffen, lassen sich ebenfalls mit xG fundieren. Eine Mannschaft mit konstant hohen offensiven xG-Werten wird mit hoher Wahrscheinlichkeit treffen. Wenn beide Teams diese Eigenschaft zeigen, ist BTTS Ja eine logische Wette. Die xG-Werte quantifizieren, was Experten oft intuitiv spüren.
Handicap-Wetten erfordern eine Einschätzung der Stärkedifferenz zwischen den Teams. xG-Daten liefern hier objektivere Grundlagen als Tabellenplätze oder Ergebnisse. Ein Favorit, der konstant xG-Werte von über 2,0 produziert, während der Aussenseiter bei 0,8 liegt, hat einen klaren Vorteil. Die Frage ist, ob die Buchmacherquoten diesen Vorteil angemessen widerspiegeln.
Live-Wetten bieten besondere Chancen für xG-affine Wetter. Wenn ein Team nach 60 Minuten zurückliegt, aber deutlich höhere xG-Werte hat als der Gegner, lohnt sich ein Blick auf die Live-Quoten. Der Markt reagiert oft zu stark auf den aktuellen Spielstand und unterschätzt die Wahrscheinlichkeit eines Comebacks. Hier kann schnelles Handeln Value generieren.
Langfristwetten auf Saisonebene profitieren von kumulierten xG-Daten. Meisterschaften, Abstiegskampf, Europa-Plätze: All diese Märkte lassen sich mit xG-Analysen fundieren. Teams, die nach der Hälfte der Saison stark unterperformen, sind Kandidaten für eine Aufholjagd. Teams, die überperformen, könnten einbrechen. Diese Dynamiken sind für Ante-Post-Wetten relevant.
Die Grenzen von xG: Was die Statistik nicht erfasst
So mächtig xG als Analyse-Tool ist, so wichtig ist das Wissen um seine Grenzen. Keine Statistik ist perfekt, und wer die Schwächen kennt, kann sie kompensieren. Blindes Vertrauen in xG-Werte führt genauso in die Irre wie blindes Vertrauen in jede andere Kennzahl.
Das Grundproblem liegt in der Natur statistischer Modelle: Sie vereinfachen die Realität. Ein xG-Modell reduziert die unendliche Komplexität einer Fussball-Situation auf eine einzige Zahl. Dabei geht zwangsläufig Information verloren. Die Kunst liegt darin, zu wissen, welche Information verloren geht und wie man damit umgeht.
Individuelle Spielerqualität wird von Standard-xG-Modellen nicht berücksichtigt. Ein Schuss von Robert Lewandowski aus 12 Metern hat theoretisch denselben xG-Wert wie derselbe Schuss von einem Drittligaspieler. In der Realität ist Lewandowski natürlich gefährlicher. Manche erweiterten Modelle versuchen, Spielerqualität einzubeziehen, aber das ist methodisch anspruchsvoll und führt zu anderen Verzerrungen.
Torwartleistungen sind ähnlich schwer zu erfassen. Ein xG-Wert von 0,5 für einen Schuss berücksichtigt nicht, ob Manuel Neuer oder ein unerfahrener Ersatztorwart zwischen den Pfosten steht. Die Qualität des Torhüters beeinflusst die tatsächliche Erfolgswahrscheinlichkeit erheblich, aber xG ignoriert sie weitgehend. Das führt zu systematischen Verzerrungen, die man kennen sollte.
Psychologische Faktoren spielen im Fussball eine grosse Rolle, lassen sich aber kaum quantifizieren. Derby-Atmosphäre, Drucksituationen, Nervosität vor wichtigen Spielen: All das beeinflusst die Chancenverwertung, taucht aber in keinem xG-Modell auf. Ein Team kann objektiv gute Chancen kreieren, aber unter psychologischem Druck versagen. xG sieht nur die Chancen, nicht den Kontext.
Taktische Anpassungen während des Spiels bleiben unberücksichtigt. Wenn ein Trainer nach der Halbzeit das System umstellt, verändert das die Dynamik des Spiels. Die xG-Werte der ersten Halbzeit sind dann weniger aussagekräftig für die zweite. Dieses Problem ist fundamental: xG basiert auf historischen Daten, aber Fussball entwickelt sich ständig weiter.
Die Stichprobengrösse ist ein unterschätztes Problem. xG-Werte nach drei Spielen sind wenig aussagekräftig, weil der Zufall noch dominiert. Erst nach 15 bis 20 Spielen stabilisieren sich die Muster. Zu Saisonbeginn sollte man xG-Daten mit besonderer Vorsicht interpretieren und sie nicht überbewerten.
xG im Kontext der Gesamtanalyse
Expected Goals sind ein mächtiges Werkzeug, aber sie sollten nie isoliert betrachtet werden. Die beste Analyse kombiniert xG mit anderen Statistiken, qualitativen Einschätzungen und gesundem Menschenverstand. Wer nur auf xG schaut und alles andere ignoriert, verpasst wichtige Informationen.
Der erfahrene Analyst nutzt xG als einen von mehreren Bausteinen. Er betrachtet die Zahlen, aber er fragt auch nach dem Kontext. Warum hat dieses Team so hohe xG-Werte? Liegt es am Spielsystem, an individueller Klasse, oder an besonders schwachen Gegnern? Solche Fragen lassen sich nicht mit Daten allein beantworten. Sie erfordern Fussballwissen und kritisches Denken.
Die Formkurve eines Teams liefert Kontext, den xG allein nicht bieten kann. Eine Mannschaft mit starken xG-Werten, die aber gerade den Trainer gewechselt hat, befindet sich in einer Umbruchphase. Die historischen Daten könnten irreführend sein, weil das Team unter neuer Führung anders spielt. Solche qualitativen Faktoren muss man selbst einschätzen.
Verletzungen und Sperren verändern die Dynamik eines Teams. Wenn der beste Torschütze fehlt, sinkt die Chancenverwertung vermutlich, auch wenn die xG-Werte stabil bleiben. Umgekehrt kann die Rückkehr eines Schlüsselspielers die Leistung sprunghaft verbessern. Die xG-Modelle passen sich an solche Veränderungen erst verzögert an.
Die Motivation der Teams spielt eine Rolle, die keine Statistik erfassen kann. Ein Spiel ohne sportliche Bedeutung folgt anderen Gesetzen als ein Abstiegskrimi. Europapokal-Qualifikation, Meisterrennen, Derbys: Der Kontext beeinflusst, wie sehr sich Teams ins Zeug legen. xG-Werte aus der Vergangenheit sagen wenig über die Intensität des kommenden Spiels aus.
Die Integration von xG in KI-gestützte Value-Tipps ist kein Allheilmittel, aber ein wichtiger Baustein. Expected Goals liefern eine objektivere Grundlage für Prognosen als traditionelle Statistiken. Sie helfen, den Zufall zu filtern und überbewertete oder unterbewertete Teams zu identifizieren. Wer xG versteht und klug anwendet, hat einen Vorteil am Wettmarkt.
Aber dieser Vorteil ist kein Automatismus. Er muss durch Disziplin, kontinuierliches Lernen und kritisches Denken verdient werden. Expected Goals sind ein Werkzeug, und wie bei jedem Werkzeug hängt der Erfolg davon ab, wer es benutzt. Die KI kann Daten verarbeiten und Muster erkennen, aber die finale Entscheidung trifft der Mensch. In dieser Kombination aus maschineller Analyse und menschlichem Urteil liegt das Potenzial für langfristigen Erfolg bei Fussballwetten.
Die Zukunft wird noch mehr Daten bringen. Tracking-Systeme werden präziser, die Modelle komplexer, die Vorhersagen feiner. Expected Goals werden weiterentwickelt, vielleicht durch neue Metriken ergänzt oder ersetzt. Was bleibt, ist das Grundprinzip: Fussball ist ein Spiel der Wahrscheinlichkeiten, und wer diese Wahrscheinlichkeiten besser versteht als andere, hat einen Vorteil. xG hat diese Erkenntnis massentauglich gemacht. Wie man dieses Wissen nutzt, liegt bei jedem Einzelnen.
Am Ende des Tages bleibt Fussball ein Spiel voller Überraschungen. Kein xG-Modell konnte vorhersagen, dass ein Aussenseiter den Favoriten aus dem Pokal wirft, dass ein Torwart den Elfmeter hält, der alles entscheiden sollte, oder dass ein einzelner genialer Moment eine ganze Saison auf den Kopf stellt. Diese Unberechenbarkeit macht den Sport aus. xG und KI können die Wahrscheinlichkeiten schärfen, aber sie können die Magie nicht wegnehmen. Und vielleicht ist das gut so.