Statistik

Was bedeutet xG? Expected Goals einfach erklärt

xG im Fußball verständlich erklärt: Was Expected Goals bedeuten, wie sie berechnet werden und welche Missverständnisse es gibt.

Ein Tor ist nicht gleich ein Tor. Wer Fußball nur nach dem Endergebnis beurteilt, verpasst den größten Teil der Geschichte. Expected Goals — kurz xG — ist die Metrik, die genau dort ansetzt: Sie bewertet nicht, ob ein Schuss im Tor gelandet ist, sondern wie wahrscheinlich das war. In den letzten Jahren hat sich xG vom Insiderbegriff der Analystenszene zum festen Bestandteil jeder ernsthaften Fußballdiskussion entwickelt. Sky blendet den Wert während der Liveübertragung ein, DAZN widmet ihm eigene Grafiken, und auf Social Media streiten sich Fans darüber, ob ihr Team nun über- oder unterperformt.

Was bedeutet xG im Fußball konkret? Im Kern ist es ein statistisches Modell, das jedem Torschuss eine Wahrscheinlichkeit zwischen 0 und 1 zuordnet — basierend auf Faktoren wie Position, Schusswinkel, Spielsituation und der Qualität der Vorlage. Ein Kopfball aus elf Metern nach einer Flanke hat einen anderen xG-Wert als ein Flachschuss aus fünf Metern nach einem Querpass. Die Summe aller xG-Werte einer Mannschaft ergibt ihre erwarteten Tore pro Spiel.

Doch so elegant das klingt — xG wird häufig missverstanden. Manche halten den Wert für eine exakte Prognose, andere verwerfen ihn als akademischen Unsinn. Beides führt in die Irre. Dieser Artikel erklärt, wie xG tatsächlich funktioniert, zeigt drei konkrete Bundesliga-Beispiele und räumt mit den hartnäckigsten Irrtümern auf.

So funktioniert xG: Die Grundidee

Expected Goals misst die Qualität einer Torchance — nicht das Ergebnis. Jeder Schuss im Fußball wird anhand historischer Daten bewertet: Wie oft ist ein vergleichbarer Schuss aus ähnlicher Position, mit ähnlichem Winkel und unter ähnlichen Bedingungen tatsächlich im Tor gelandet? Die Antwort wird als Dezimalzahl zwischen 0 und 1 ausgedrückt. Ein xG-Wert von 0,35 bedeutet: In 35 von 100 vergleichbaren Situationen fällt ein Tor.

Die Berechnung stützt sich auf mehrere Variablen, die von der jeweiligen Datenquelle abhängen. Im Kern fließen typischerweise die Entfernung zum Tor, der Schusswinkel, die Art des Abschlusses — ob Kopfball, Direktschuss oder Volley — sowie die Spielsituation ein: War es ein offener Spielzug, ein Konter, ein Standard? Fortgeschrittene Modelle berücksichtigen zusätzlich die Positionen der Verteidiger und des Torhüters zum Zeitpunkt des Schusses.

Wissenschaftlich untermauert wurde dieser Ansatz unter anderem durch eine Studie von Iapteff et al. (2025), die eine Bayesian-basierte xG-Modellierung mit lediglich sieben Variablen testete — darunter Schusstyp, Position und die Positionen umgebender Gegenspieler. Das Ergebnis: ein AUC-Wert (Area Under the Curve) von 0,781 — ein Maß für die Vorhersagegüte, bei dem 1,0 perfekte Unterscheidung zwischen Tor und kein Tor bedeutet. Zum Vergleich: Das kommerzielle Modell von StatsBomb erreicht mit deutlich mehr Daten einen AUC von 0,801. Vereinfacht gesagt: Das Bayesian-Modell ordnet rund 78 von 100 Schüssen korrekt ein. Das ist bemerkenswert, wenn man bedenkt, dass es mit nur sieben Eingabewerten arbeitet.

Entscheidend ist dabei das Prinzip der großen Zahl. Ein einzelner xG-Wert sagt wenig — er beschreibt eine Wahrscheinlichkeit, kein Schicksal. Erst über viele Schüsse, Spiele und Saisons hinweg entfaltet xG seine Stärke: Teams, die konstant mehr xG produzieren als sie Tore schießen, werden früher oder später einbrechen. Umgekehrt lässt sich bei Teams, die regelmäßig unter ihrem xG bleiben, oft auf Pech oder systematische Schwächen schließen.

Diese Erkenntnis macht xG zu einem starken Analyseinstrument — nicht weil es einzelne Schüsse vorhersagt, sondern weil es Muster sichtbar macht, die dem bloßen Auge entgehen. Wer versteht, wie xG berechnet wird, liest Spielberichte mit anderen Augen.

xG in Aktion: Drei Beispiele aus der Bundesliga

Theorie wird greifbar, wenn man sie auf echte Spiele anwendet. Die Bundesliga liefert dafür regelmäßig Material — drei typische Konstellationen zeigen, was xG in der Praxis verrät und wo der Wert seine Grenzen hat.

Erstes Szenario: das schmeichelhafte Ergebnis. Ein Team gewinnt 1:0, hatte aber laut xG-Modell nur erwartete Tore von 0,4 — während der Gegner auf 2,1 xG kommt. Das klingt nach einer Anomalie, ist in der Bundesliga aber keine Seltenheit. Es bedeutet schlicht, dass der Sieger seinen einzigen Torschuss aus einer statistisch ungünstigen Position verwandelt hat, während die dominante Mannschaft trotz zahlreicher guter Chancen leer ausging. Solche Spiele kommen vor. Wenn sie sich häufen, ist das ein Warnsignal — entweder für einen Torhüter in überragender Form oder für eine Serie, die nicht ewig halten wird.

Zweites Szenario: der xG-Überperformer. Manche Stürmer treffen saisonweise deutlich häufiger, als es ihr xG erwarten lässt. Sie schießen 18 Tore bei einem kumulierten xG von 12,5. Das kann an außergewöhnlicher Abschlussqualität liegen — oder an einer kleinen Stichprobe, die sich über eine volle Saison normalisiert. Eine Studie von Forcher et al. (2025) im Fachjournal Frontiers in Sports and Active Living analysierte 918 Bundesliga-Partien aus drei aufeinanderfolgenden Saisons (2022/23 bis 2024/25) und zeigte, dass xG im Post-Match-Szenario den Ausgang mit 65,6 Prozent Genauigkeit vorhersagt. Das ist solide, lässt aber Raum für individuelle Ausreißer, die sich nicht allein durch Statistik erklären lassen.

Drittes Szenario: die strategische Dominanz. Wenn ein Team Woche für Woche einen xG-Wert von 2,0 oder höher produziert, spricht das für systematische Chancenerarbeitung — unabhängig davon, ob jedes Spiel gewonnen wird. Trainer nutzen genau diese Erkenntnis: Sie bewerten nicht nur Resultate, sondern die Qualität der Torchancen, die ihre Taktik erzeugt. In der Bundesliga lässt sich das besonders gut nachvollziehen, weil Plattformen wie Understat oder FBref die xG-Daten offen zugänglich machen.

Alle drei Szenarien zeigen dasselbe Grundprinzip: xG trennt Ergebnis von Prozess. Wer nur auf die Tabelle schaut, sieht Punkte. Wer xG versteht, sieht die Qualität der Chancen, die zu diesen Punkten geführt haben — oder eben nicht.

Häufige Irrtümer rund um Expected Goals

Die Popularität von xG hat einen Preis: Je öfter der Begriff fällt, desto häufiger wird er falsch verwendet. Drei Missverständnisse sind dabei besonders verbreitet — und besonders hartnäckig.

Der erste Irrtum: xG ist eine Vorhersage für das Endergebnis. Ist es nicht. xG beschreibt die Qualität der Torchancen, die in einem Spiel entstanden sind — rückblickend. Es sagt nicht vorher, wer gewinnt, sondern schätzt ein, wie viele Tore auf Basis der Schusspositionen und -umstände zu erwarten gewesen wären. Das ist ein fundamentaler Unterschied. Wer nach dem Abpfiff sagt, das Team mit dem höheren xG habe das Spiel verdient gewonnen, hat den Punkt verstanden. Wer vor dem Anpfiff behauptet, xG prophezeie den Sieger, verwechselt Analyse mit Wahrsagerei.

Der zweite Irrtum: Jeder Schuss mit einem xG von 0,8 muss ein Tor sein. In Wahrheit bedeutet ein xG-Wert von 0,8 nur, dass in 80 Prozent vergleichbarer Fälle getroffen wird — in den restlichen 20 Prozent eben nicht. Ein verschossener Elfmeter (xG ca. 0,76) ist kein Fehler des Modells, sondern Teil der statistischen Realität. Der Torwart hält, der Schütze schießt drüber, der Ball trifft den Pfosten — all das passiert, und xG bildet genau diese Unsicherheit ab.

Der dritte Irrtum: xG erfasst alles. Tut es nicht. Standard-xG-Modelle bewerten die Situation vor dem Schuss: Position, Winkel, Spielsituation, Art des Abschlusses. Was sie nicht erfassen, ist die Schussplatzierung — also wohin der Ball fliegt, nachdem der Fuß ihn trifft. Dafür gibt es Post-Shot xG, eine eigene Erweiterung. Ebenso wenig berücksichtigen die meisten Modelle den psychologischen Druck eines Derbys, die Windverhältnisse oder die individuelle Tagesform eines Torhüters. xG ist ein Werkzeug mit klar definiertem Anwendungsbereich — wer es für mehr hält, überschätzt es.

Die beste Herangehensweise an xG ist nüchtern: Es ist eine statistische Einordnung, kein Urteil. Wer das akzeptiert, gewinnt ein Instrument, das Fußball greifbarer macht — ohne die Unberechenbarkeit des Spiels zu leugnen.

Fazit

xG ist kein Orakel und kein Allheilmittel. Aber es ist das nützlichste Werkzeug, das die Fußballstatistik in den letzten zehn Jahren hervorgebracht hat. Wer versteht, dass Expected Goals die Qualität von Torchancen bewertet — nicht deren Ergebnis —, kann Spiele differenzierter einordnen als mit dem bloßen Blick auf die Anzeigetafel.

Die drei wichtigsten Erkenntnisse: Erstens basiert xG auf historischen Vergleichsdaten und bildet Wahrscheinlichkeiten ab, keine Gewissheiten. Zweitens entfaltet der Wert seine Stärke erst über viele Spiele, nicht im Einzelfall. Und drittens hat xG klar definierte Grenzen — es ignoriert Schussplatzierung, Tagesform und psychologische Faktoren.

Für Fans bedeutet das: xG macht Diskussionen sachlicher, ohne ihnen die Leidenschaft zu nehmen. Ein Tor ist nicht gleich ein Tor — manche sind erwartbar, andere statistisch unwahrscheinlich. Wer beides erkennt, sieht Fußball mit schärferem Blick.

Quellen