La rivoluzione silenziosa degli expected goals nel betting
Negli ultimi dieci anni, una singola metrica ha cambiato il modo in cui analisti, allenatori e scommettitori guardano al calcio. Gli expected goals, abbreviati in xG, hanno introdotto un linguaggio comune per misurare ciò che il punteggio finale spesso nasconde: la qualità reale delle occasioni create e subite da una squadra. Prima degli xG, il risultato era l’unico verdetto. Dopo gli xG, il risultato è solo una parte della storia.
Per lo scommettitore, questa rivoluzione ha un valore concreto. Il calcio è uno sport a basso punteggio dove la fortuna incide più che in qualsiasi altro sport di squadra. Una squadra può dominare una partita, creare dieci occasioni da gol e perdere 0-1 su un tiro deviato. Il risultato dice sconfitta; gli xG dicono dominio. Chi scommette basandosi solo sui risultati recenti rischia di inseguire il rumore statistico. Chi integra gli xG nella propria analisi riesce a separare il segnale dal rumore e a individuare squadre sopravvalutate o sottovalutate dal mercato.
Questa guida spiega cosa sono gli expected goals, come interpretarli correttamente e, soprattutto, come tradurli in decisioni di scommessa più informate.
Cos’è l’xG: il modello, il calcolo e le fonti dati
L’expected goal è un valore numerico assegnato a ogni tiro effettuato durante una partita, che rappresenta la probabilità che quel tiro si trasformi in gol. Un tiro dalla linea del dischetto del rigore vale circa 0.76-0.79 xG, perché storicamente il 76-79% dei rigori viene segnato secondo i modelli Opta. Un tiro da 30 metri fuori area, con due difensori sulla traiettoria, potrebbe valere 0.03 xG: una probabilità del 3%. La somma degli xG di tutti i tiri di una squadra in una partita restituisce il numero di gol attesi in base alla qualità delle occasioni create.
I modelli di calcolo degli xG considerano diverse variabili per ciascun tiro: la posizione sul campo, l’angolo rispetto alla porta, la distanza, la parte del corpo utilizzata (piede, testa), il tipo di azione che ha generato l’occasione (cross, passaggio filtrante, ribattuta, calcio piazzato) e il numero di difensori tra il tiratore e la porta. I modelli più sofisticati includono anche la velocità del gioco e la posizione del portiere. Ogni provider di dati utilizza un proprio modello, il che spiega perché i valori xG per la stessa partita possono variare leggermente tra una fonte e l’altra.
Le principali fonti gratuite per i dati xG sono FBref, che utilizza il modello di StatsBomb ed è considerato tra i più affidabili, Understat, che copre i cinque maggiori campionati europei con dati aggiornati e facilmente consultabili, e Infogol, che offre visualizzazioni intuitive degli xG per partita e per squadra. Ciascuna piattaforma ha i propri punti di forza: FBref eccelle nella profondità dei dati per giocatore, Understat nella semplicità di navigazione, Infogol nella presentazione visuale. Lo scommettitore serio ne consulta almeno due per avere un quadro più completo.
Una distinzione importante riguarda i tipi di xG disponibili. L’xG standard misura le occasioni create. L’xGA (expected goals against) misura le occasioni concesse, ed è il termometro della solidità difensiva. L’npxG (non-penalty expected goals) esclude i rigori dal calcolo, offrendo una visione più pulita della qualità offensiva in azione aperta. Per le scommesse, l’npxG è spesso più utile dell’xG complessivo, perché i rigori sono eventi ad alta casualità che distorcono il quadro del gioco sviluppato.
Interpretare gli xG: difference, overperformance e underperformance
I numeri xG grezzi raccontano solo una parte della storia. Il vero valore analitico emerge dal confronto tra xG e gol effettivamente segnati, e dalla differenza tra xG creati e xGA subiti. Questi confronti rivelano tendenze che il semplice punteggio nasconde.
L’xG difference è la metrica più sintetica: xG creati meno xGA subiti. Una squadra con +0.8 di xG difference per partita sta creando significativamente più di quanto concede, indipendentemente dal risultato. Nel lungo periodo, questa squadra tenderà a vincere più partite di quelle che perde. Una squadra con xG difference negativo, al contrario, sta vivendo al di sopra dei propri mezzi se i risultati sono positivi: il mercato potrebbe sopravvalutarla.
L’overperformance si verifica quando una squadra segna sistematicamente più gol dei propri xG. Se il Torino produce 1.2 xG a partita ma segna 1.6, sta convertendo le occasioni con un’efficienza superiore alla media storica. Questo può dipendere da un singolo attaccante in forma straordinaria, da una serie di gol fortunati o da una qualità tecnica realmente superiore nella finalizzazione. Il punto chiave per lo scommettitore è che l’overperformance raramente è sostenibile nel tempo. I modelli mostrano che, nel giro di 10-15 partite, il rendimento tende a riallinearsi con gli xG. Scommettere contro una squadra che sta sovraperformando può offrire valore, perché il mercato tende a prezzare i risultati recenti più degli xG sottostanti.
L’underperformance è lo specchio opposto: una squadra crea molto ma finalizza poco. Una formazione con 1.8 xG medi e solo 1.1 gol segnati è un candidato forte per un miglioramento dei risultati nelle partite successive. Il mercato, guardando ai risultati deludenti, potrebbe offrire quote più alte del dovuto sulla vittoria di questa squadra. Qui si nascondono alcune delle value bet più affidabili basate sugli xG.
Lo stesso ragionamento si applica alla difesa. Una squadra che subisce 0.8 gol a partita con 1.3 xGA sta beneficiando di una combinazione di portiere in stato di grazia e fortune difensive. Quando la regressione verso la media si manifesterà, i gol subiti saliranno. L’under sulla squadra avversaria potrebbe non essere più la scommessa ovvia che il risultato recente suggerisce.
Come usare gli xG per scommettere sul calcio
La traduzione degli xG in decisioni di scommessa segue un percorso logico. Il primo passo è confrontare gli xG delle due squadre per la partita in esame, tenendo conto del fattore casa e del rendimento recente. Se la squadra di casa produce 1.7 xG medi in casa e la squadra ospite concede 1.5 xGA in trasferta, puoi stimare un xG atteso per la squadra di casa intorno a 1.6. Lo stesso calcolo per la squadra ospite, usando i suoi xG in trasferta e l’xGA casalingo dell’avversario, completa il quadro.
Con gli xG attesi per ciascuna squadra, puoi derivare probabilità per diversi mercati. Per l’Over/Under, la somma degli xG attesi indica il numero di gol previsto: se è 2.8, l’Over 2.5 ha una probabilità superiore al 55%. Per il BTTS, se entrambe le squadre hanno xG attesi superiori a 1.0, la probabilità di Goal è elevata. Per il 1X2, l’xG difference tra le due squadre suggerisce quale esito è più probabile e con quale margine.
Il secondo passo è confrontare queste probabilità con le quote offerte dal bookmaker. Se la tua analisi basata sugli xG stima una probabilità del 58% per l’Over 2.5, e il bookmaker offre una quota di 1.85 (probabilità implicita 54%), hai un potenziale margine del 4%. Non è enorme, ma su centinaia di scommesse la differenza si accumula.
Un’applicazione particolarmente efficace riguarda le squadre in fase di correzione. Se una squadra ha perso tre partite consecutive ma i suoi xG restano costantemente superiori a quelli dell’avversario, il mercato potrebbe sovrastimare la crisi. Le quote sulla sua vittoria nel prossimo match saranno probabilmente più generose del dovuto, perché il mercato reagisce ai risultati più che ai dati sottostanti. Questo è il terreno dove gli xG offrono il vantaggio competitivo più marcato.
L’xG come bussola, non come GPS
Gli expected goals sono lo strumento analitico più potente a disposizione dello scommettitore moderno, ma hanno limiti che vanno riconosciuti. I modelli xG non catturano variabili come la motivazione, la pressione ambientale, i cambi tattici a partita in corso o l’impatto psicologico di un derby. Un modello ti dice che una squadra avrebbe dovuto segnare 1.8 gol; non ti dice se quei giocatori avevano la testa altrove perché in trattativa di mercato o demotivati da una stagione già compromessa.
I modelli diversi producono valori diversi. Lo xG di StatsBomb, quello di Opta e quello di Understat possono divergere anche del 10-15% sulla stessa partita. Usare un solo modello come verità assoluta è un errore; confrontare più fonti e ragionare sulle differenze è l’approccio corretto.
L’xG è una bussola che indica la direzione generale. Ti dice dove guardare, quali squadre stanno giocando meglio o peggio di quanto i risultati suggeriscano, quali partite hanno un profilo statistico interessante per determinati mercati. Ma la decisione finale richiede l’integrazione con l’analisi qualitativa: contesto, formazioni, condizioni. Chi tratta gli xG come un oracolo infallibile verrà punito dalla complessità del calcio. Chi li usa come uno strumento tra molti, il più importante ma non l’unico, avrà un vantaggio reale e misurabile.