Daten & Statistiken
Warum zwei xG-Modelle für dasselbe Spiel verschiedene Werte zeigen
Wenn in zwei Analysen für dasselbe Spiel xG-Werte von 1,4 und 2,1 stehen, ist nicht automatisch eine der Angaben falsch. Der Grund: xG ist keine direkte Messung wie der Spielstand. xG ist die Ausgabe eines Modells. Jeder Anbieter legt selbst fest, welche Daten einfließen, wie Chancen bewertet werden und welche historischen Abschlüsse als Vergleich dienen.
Deshalb darfst du xG-Werte verschiedener Quellen nur vorsichtig vergleichen. Notwendig sind mindestens die Quelle, die Datenbasis, der Zeitraum und die verwendete Modellversion.
xG beschreibt eine modellierte Torwahrscheinlichkeit
xG steht für „expected goals“, also erwartete Tore. Das Modell weist einem Schuss eine Wahrscheinlichkeit zwischen 0 und 1 zu. Der Wert beschreibt, wie häufig ein vergleichbarer Abschluss unter ähnlichen Bedingungen zu einem Tor geführt hat.
Ein einzelner Schuss kann also beispielsweise mit einer Torwahrscheinlichkeit bewertet werden. Addiert man die Wahrscheinlichkeiten aller Abschlüsse eines Teams, entsteht der xG-Wert dieser Mannschaft.
Die DFL beschreibt ihr xGoals-Modell genau so: Jedem Torschuss wird eine Torerzielungs-Wahrscheinlichkeit zwischen 0 und 1 zugewiesen. Die Berechnung erfolgt nach jedem Torschuss in Echtzeit. Die Summe aller Torwahrscheinlichkeiten ergibt den xGoals-Wert eines Teams.
Wichtig ist die Formulierung „vergleichbarer Abschluss“. Das Modell misst nicht nachträglich, wie gefährlich eine Chance objektiv war. Es ordnet den Schuss anhand seiner eigenen Regeln ein. Zwei Modelle können deshalb dieselbe Szene unterschiedlich bewerten.
Wenn du Begriffe wie xG, Wahrscheinlichkeit oder Modellwert nachschlagen möchtest, findest du passende Erklärungen im Sportwetten-Lexikon beim Eintrag xG. Für den allgemeinen Umgang mit Zahlen hilft außerdem Zahlen verstehen.
Warum die Datenbasis den Wert verändert
Der wichtigste Unterschied liegt oft in der Frage, welche Informationen das Modell überhaupt kennt.
Sportec Solutions nutzt Ereignis- und Positionsdaten. Ereignisdaten beschreiben zum Beispiel, dass ein Schuss aus einer bestimmten Position abgegeben wurde. Positionsdaten zeigen zusätzlich, wo sich der Schütze, der Torwart und die Gegenspieler in diesem Moment befinden und wie sie sich bewegen.
Die DFL nennt für ihr xGoals-Modell unter anderem diese Faktoren:
- Schusswinkel
- Entfernung zum Tor
- Laufgeschwindigkeit des Schützen
- Deckung durch Gegenspieler
- Position des Torwarts
- Gegenspieler zwischen Ball und Tor
Der Algorithmus vergleicht einen Schuss mit über 40.000 ähnlichen Versuchen aus der offiziellen Bundesliga-Datenbank. Anschließend wird die Trefferquote mit einer „Boosted Regression“ berechnet.
Andere Anbieter arbeiten nur mit Ereignisdaten. Sie können dann möglicherweise Schussposition, Winkel oder Schussart berücksichtigen, aber nicht dieselbe Menge an Informationen zur Bewegung und Position der übrigen Spieler.
Genau daraus entstehen unterschiedliche Werte: Sportec Solutions nutzt Ereignis- UND Positionsdaten; andere Anbieter arbeiten nur mit Ereignisdaten.
Ein Modell kann eine Chance deshalb höher bewerten, wenn der Torwart weit aus seinem Tor heraussteht. Ein anderes Modell sieht vielleicht nur die Entfernung und den Winkel. Umgekehrt kann ein Abschluss bei einem Modell weniger wert sein, wenn der Schütze unter starkem Druck steht und mehrere Gegenspieler den Weg zum Tor versperren.
Vier typische Gründe für abweichende xG-Werte
1. Ereignisdaten oder Positionsdaten
Ein ereignisbasiertes Modell arbeitet mit den Informationen rund um den Abschluss. Ein positionsbasiertes Modell kann zusätzlich die Stellung und Bewegung mehrerer Spieler einbeziehen.
Das betrifft besonders Situationen, in denen kleine Details wichtig sind: Ein Schütze läuft in den Ball, der Torwart steht nicht mittig oder ein Verteidiger befindet sich genau zwischen Ball und Tor. Fehlen diese Informationen, muss das Modell die Situation anders einordnen.
2. Andere Trainingsstichprobe und Modellversion
Ein Modell wird mit historischen Daten trainiert. Die Trainingsstichprobe ist die Auswahl der früheren Abschlüsse, aus denen das Modell seine Zusammenhänge ableitet.
Anbieter können unterschiedliche Wettbewerbe, Zeiträume und Datenmengen verwenden. Auch eine neue Modellversion kann Faktoren anders gewichten als eine ältere Version. Selbst wenn beide Modelle dieselbe Szene und dieselbe Datenart erhalten, müssen die Ergebnisse daher nicht übereinstimmen.
Die DFL beschreibt, dass ihr Algorithmus einen Schuss mit über 40.000 ähnlichen Versuchen aus der offiziellen Bundesliga-Datenbank vergleicht. Diese Datenbasis ist nicht automatisch identisch mit der historischen Datenbank eines anderen Anbieters.
3. Andere Gewichtung von Torwart und Gegenspielern
Zwei Modelle können dieselben Faktoren verwenden, ihnen aber unterschiedliches Gewicht geben.
Die Position des Torwarts kann für ein Modell sehr wichtig sein. Ein anderes Modell bewertet sie möglicherweise schwächer. Gleiches gilt für den Druck durch Gegenspieler oder die Zahl der Verteidiger zwischen Ball und Tor.
Damit ist nicht nur entscheidend, ob ein Faktor vorkommt. Entscheidend ist auch, wie stark er die berechnete Wahrscheinlichkeit verändert.
4. Unterschiedlicher Umgang mit Sonderfällen
Nicht jeder Abschluss ist eindeutig. Abgefälschte Schüsse, geblockte Bälle und Nachschüsse können unterschiedlich erfasst werden.
Bei einem abgefälschten Schuss stellt sich etwa die Frage, ob die ursprüngliche Schussrichtung oder die veränderte Flugbahn bewertet wird. Bei einem geblockten Ball kann die Definition des Abschlusses eine Rolle spielen. Ein Nachschuss kann als neuer Abschluss gelten oder in bestimmten Datensätzen anders behandelt werden.
Solche Regeln wirken sich nicht nur auf den einzelnen Schuss aus. Sie verändern auch die Summe aller Torwahrscheinlichkeiten und damit den Spielwert.
Fiktives Beispiel mit zwei gegensätzlichen Lesarten
Nehmen wir ein klar als fiktiv gekennzeichnetes Beispiel: Ein Team hat zehn Abschlüsse. Modell A berechnet daraus 1,4 erwartete Tore. Modell B kommt für dieselben zehn Abschlüsse auf 2,1 erwartete Tore. Tatsächlich erzielt das Team zwei Tore.
| Modell | Datenbasis | xG im fiktiven Beispiel | Lesart nach zwei Toren |
|---|---|---|---|
| Modell A | fiktiv: weniger Kontextdaten | 1,4 | 2 − 1,4 = +0,6, Übererfüllung |
| Modell B | fiktiv: mehr Kontextdaten | 2,1 | 2 − 2,1 = −0,1, leichte Untererfüllung |
Die Tabelle ist vollständig fiktiv. Sie beschreibt keine realen Anbieter, kein konkretes Spiel und keinen echten Datensatz.
Das Beispiel zeigt den entscheidenden Punkt: Es fallen in beiden Fällen dieselben zwei Tore. Trotzdem entstehen zwei gegensätzliche Bewertungen.
Nach Modell A hat das Team seine erwartete Torzahl um 0,6 übertroffen. Nach Modell B liegt es um 0,1 darunter. Die Tore sind also gleich. Die Einordnung hängt vom Modell ab.
Bei der DFL heißt dieser Vergleich „Abschluss-Effizienz“. Er stellt die erzielten Tore dem kumulierten xGoals-Wert gegenüber. Auch diese Kennzahl ist deshalb nur innerhalb der jeweiligen Modelllogik sinnvoll zu lesen.
Was du nicht aus xG ableiten solltest
xG ist zunächst beschreibend. Der Wert fasst zusammen, wie ein Modell die Qualität der Abschlüsse bewertet. Er ist keine sichere Prognose für den nächsten Spielausgang.
Ein hoher xG-Wert bedeutet nicht, dass ein Team zwingend gewinnen muss. Ein niedriger Wert beweist nicht, dass ein Sieg unverdient war. Außerdem ist xG kein Nachweis für einen Wettvorteil.
Besonders vorsichtig solltest du bei kleinen Stichproben sein. Wenige Spiele oder einzelne Partien können stark von wenigen Abschlüssen geprägt sein. Ein abgefälschter Schuss, ein Elfmeter oder ein Nachschuss kann den Gesamtwert deutlich beeinflussen. Daraus lässt sich noch keine stabile Aussage über die langfristige Leistung eines Teams ableiten.
Auch ein Wert ohne Quelle, Zeitraum, Datenbasis und Modellversion ist nicht sinnvoll vergleichbar. Die Zahl 1,4 sieht zwar präzise aus. Ohne ihre Herkunft weißt du aber nicht, welche Art von xG dahintersteht.
Der xG-Wert kann außerdem nicht alle Aspekte eines Spiels erfassen. Taktische Entscheidungen, Spielstand, Risiko im Spielaufbau und besondere Spielsituationen können in verschiedenen Modellen unterschiedlich oder gar nicht enthalten sein. Eine Statistik bleibt immer eine vereinfachte Darstellung.
Mehr zur Herkunft und zu den Grenzen von Sportdaten findest du auf unserer Seite Unsere Analyse-Methode.
Vier Angaben, die bei jedem xG-Vergleich dazugehören
Wenn du xG-Werte aus zwei Analysen vergleichen möchtest, prüfe immer diese vier Angaben:
- Quelle und Modell: Wer berechnet den Wert und welche Modellversion wird verwendet?
- Datenbasis: Werden nur Ereignisdaten oder auch Positionsdaten genutzt?
- Zeitraum und Anzahl der Spiele: Bezieht sich der Wert auf ein Spiel, mehrere Spiele oder eine ganze Saison?
- Spielwert oder Saisonwert: Ist die Zahl der xG-Wert dieser einen Partie oder ein aufsummierter beziehungsweise durchschnittlicher Saisonwert?
Erst wenn diese Angaben übereinstimmen, ist ein direkter Vergleich sinnvoll. Selbst dann bleibt xG ein Modellwert und keine objektive Messung.
Quellen & Datenstand
Für diesen Beitrag wurden am 01.10.2026 folgende Primärquellen gelesen:
- DFL/Sportec Solutions: „xGoals – eine neue Methode zur Beurteilung von Torchancen“
- DFL: „Bundesliga Match Facts“
Die DFL beschreibt xGoals als Torerzielungs-Wahrscheinlichkeit eines Schusses zwischen 0 und 1. Das Modell von Sportec Solutions vergleicht einen Schuss mit über 40.000 ähnlichen Versuchen aus der offiziellen Bundesliga-Datenbank und verwendet Ereignis- sowie Positionsdaten. Die DFL nennt außerdem eine Torwahrscheinlichkeit von 0,77 beziehungsweise 77 Prozent für einen Elfmeter. Die Summe der einzelnen Torwahrscheinlichkeiten ergibt den xGoals-Wert eines Teams.
Die Angaben beziehen sich auf den gelesenen Quellenstand vom 01.10.2026. Das fiktive Rechenbeispiel in diesem Artikel ist keine reale Spiel- oder Anbieteranalyse.