Expected Goals (xG) in de Serie A: Geavanceerde Data Toepassen op Uw Weddenschappen
Available in US
Data en technologie transformeren het voetbal — dat is niet langer een voorspelling maar een vaststelling. De manier waarop clubs scouten, trainen en tactiek bepalen draait steeds meer om kwantitatieve analyse, en de Serie A loopt daarin voorop. Expected Goals, of xG, is het instrument dat die transformatie voor wedders toegankelijk maakt. Het is de brug tussen wat u op het veld ziet en wat de data vertellen — en die brug is direct bruikbaar voor uw weddenschappen.
Ik gebruik xG al vijf jaar als kernonderdeel van mijn Serie A-analyse. Het heeft mijn hitrate met ruim drie procentpunten verbeterd — een verschil dat over honderden weddenschappen het onderscheid maakt tussen verlies en winst. In dit artikel leg ik uit wat xG precies is, hoe u het leest, en hoe u het vertaalt naar concrete wedkansen.
Wat is xG en hoe wordt het berekend
Op een vrijdagavond zat ik tegenover een vriend die beweerde dat een spits die tien keer scoort uit vijftien schoten “briljant” is. Ik toonde hem de xG-data: die vijftien schoten hadden een gecumuleerd xG van 11.2 — de spits presteerde dus onder verwachting. Het was een ontnuchterende confrontatie met de werkelijkheid achter de statistieken.
Expected Goals is een statistisch model dat elke schietpoging een waarde toekent op basis van de historische kans dat zo’n schot resulteert in een doelpunt. De factoren die meewegen: de positie op het veld, de afstand tot het doel, de hoek, het type schot (voet of hoofd), of het een open kans was of onder druk, en de positie van de doelman. Een penalty heeft een xG van circa 0.76 — historisch gezien gaan 76 van de 100 penalty’s erin. Een schot van buiten het strafschopgebied, onder druk, heeft typisch een xG van 0.03 tot 0.06.
Het model aggregeert al die individuele kansen tot een xG-totaal per wedstrijd. Als een team in een wedstrijd een xG van 2.1 heeft gegenereerd maar slechts een keer heeft gescoord, heeft het team minder doelpunten gemaakt dan verwacht. Dat verschil — de delta tussen xG en werkelijke goals — is de kern van hoe ik xG gebruik voor wedden. Over een heel seizoen onthult die delta welke clubs geluk hebben gehad en welke pech, en dat onderscheid is direct vertaalbaar naar wedkansen.
Genius Sports, dat de exclusieve datarechten voor de Serie A bezit tot 2028/29, levert de onderliggende data waarop xG-modellen worden gebouwd. Die gecentraliseerde databron garandeert dat de xG-berekeningen voor Serie A-wedstrijden gebaseerd zijn op accurate, officiële informatie — een voordeel ten opzichte van competities met gefragmenteerde dataverzameling.
xG-prestaties per Serie A-club: wie over- en underperformt
Hier wordt xG van een academisch concept naar een praktisch wedgereedschap. Elk seizoen zijn er clubs die structureel meer scoren dan hun xG voorspelt, en clubs die structureel minder scoren. Die afwijkingen zijn voorspelbaar — niet op wedstrijdniveau, maar op seizoensniveau.
Overperformers — clubs die meer scoren dan hun xG — hebben doorgaans een uitzonderlijke afmaker in de selectie. Een spits die consequent boven zijn xG scoort, tilt het hele team boven verwachting. Het probleem: overperformance op individueel niveau is deels skill, deels geluk. De skill-component is stabiel, maar het gelukscomponent regresseert naar het gemiddelde. Mijn regel: als een club na vijftien wedstrijden meer dan 20% boven zijn xG scoort, verwacht ik regressie in de komende tien wedstrijden.
Underperformers bieden de meest directe wedkansen. Een club die minder scoort dan verwacht op basis van de kwaliteit van hun kansen, is niet slechter dan de ranglijst doet vermoeden — ze heeft pech gehad. Als die club op een gegeven moment odds krijgt die reflecteren hoe slecht ze hebben gepresteerd in plaats van hoe goed ze hebben gespeeld, ontstaat value. Dat is het moment waarop ik instap.
De verdedigingskant van xG — expected Goals Against, of xGA — is minstens zo waardevol. Met een gemiddelde toeschouwersopkomst boven de 30.000 dit seizoen en een competitie die steeds aanvallender wordt, zijn de clubs die defensief excelleren des te waardevoller. Een club met een lage xGA creëert minder kansen voor de tegenstander en is structureel beter in het beperken van gevaar. Die defensieve xG-prestatie is stabieler over een seizoen dan de aanvallende xG, wat het een betrouwbaardere voorspeller maakt.
xG vertalen naar wedmogelijkheden: regressie en value
Het concept van regressie naar het gemiddelde is het fundament van xG-gebaseerd wedden. In eenvoudige termen: wat afwijkt van de verwachting, zal op termijn terugkeren naar de verwachting. Een club die ver boven xG scoort, zal minder gaan scoren. Een club die ver onder xG scoort, zal meer gaan scoren. De vraag is niet of het gebeurt, maar wanneer.
Mijn methode: ik bereken wekelijks de cumulatieve xG-delta van elke Serie A-club — het verschil tussen werkelijke doelpunten en verwachte doelpunten. Wanneer die delta een drempelwaarde overschrijdt — meer dan drie goals boven of onder xG na tien wedstrijden — markeer ik de club als regressiekandidaat. De odds van regressiekandidaten weerspiegelen hun recente resultaten, niet hun onderliggende kwaliteit. Dat is de misspricing die ik exploiteer, en het is een van de meest betrouwbare edges die ik in negen jaar analyse heb gevonden.
Een concreet voorbeeld: een middenmoter heeft na twaalf wedstrijden acht punten, een negatief doelsaldo en odds die een degradatiekandidaat weerspiegelen. Maar de xG-data tonen een ander beeld: de club creëert kansen die overeenkomen met een middenmootpositie, maar de afronding is dramatisch slecht. De kans dat die afronding verbetert — door regressie, door een terugkerende geblesseerde spits, door vertrouwen — is groter dan de kans dat het zo slecht blijft. Op dat moment bieden de odds value.
Wat xG niet doet: het voorspelt geen individuele wedstrijden. Het is een seizoenslang instrument dat patronen onthult over tientallen wedstrijden. Wie op basis van de xG van een enkele wedstrijd conclusies trekt, maakt de fout van de kleine steekproef. Mijn vuistregel: minimaal tien wedstrijden aan data voordat ik een xG-gebaseerde positie inneem. Wie de bredere statistische context wil begrijpen vindt in mijn overzicht van Serie A-statistieken de aanvullende cijfers.
Hoe betrouwbaar is xG als voorspeller voor Serie A-wedstrijden?
Op individueel wedstrijdniveau is xG een matige voorspeller — er is te veel variatie in een enkele wedstrijd. Over tien of meer wedstrijden wordt xG echter een van de sterkste voorspellers van toekomstige prestaties, sterker dan de ranglijst of recente resultaten.
Waar vind ik gratis xG-data voor de Serie A?
Platforms als FBref, Understat en Fotmob bieden gratis xG-data voor de Serie A. FBref is het meest uitgebreid met teamstatistieken en speler-xG. Understat biedt visuele xG-kaarten per wedstrijd die het makkelijker maken om patronen te herkennen.
Gemaakt door de redactie van 'Serie a Wedden'.
