xG моделът (expected goals – очаквани голове) е статистически инструмент във футбола, който изчислява вероятността даден удар да се превърне в гол. Вместо да гледаме само крайния резултат, xG моделът оценява качеството на създадените положения. Ако един отбор има 2.4 xG, това означава, че според историческите данни създадените ситуации обикновено водят до около 2–3 гола.
В следващите редове ще разгледаме как работи xG моделът, какви фактори включва, как се изгражда и защо се превърна в ключов стандарт в модерния футболен анализ.
Какво означава xG – expected goals?
За да разберем логиката на xG модела, първо трябва да изясним самото понятие.
Expected goals (очаквани голове) измерват вероятността конкретен удар да завърши с гол на база исторически данни от стотици хиляди предишни удари.
Всеки удар получава стойност между 0 и 1:
- 0.01 xG означава почти невъзможен шанс;
- 0.50 xG означава приблизително 50% вероятност за гол;
- 0.90 xG означава почти сигурен гол.
Как изглежда при различни ситуации:
| Ситуация | Типичен xG |
| Удар от 30 метра | 0.02 |
| Удар сам срещу вратаря | 0.65 |
| Дузпа | ~0.76 |
| Празна врата от 2 метра | 0.95 |
Според анализи на StatsBomb, средната вероятност за реализиране на дузпа в топ първенствата е около 0.76 xG [1]. Това означава, че от 100 изпълнени дузпи приблизително 76 завършват с гол.
Как работи xG моделът?
Зад xG модела стои комбинация от исторически данни и машинно обучение. Процесът преминава през няколко основни етапа:
- Събиране на исторически данни
Събират се огромни масиви от удари – координати на удара, тип ситуация, резултат, позиция на играчите и други параметри.
- Избор на променливи
Определят се факторите, които влияят най-силно върху вероятността за гол.
- Обучение на статистически модел
Използват се алгоритми като Logistic Regression, Random Forest, XGBoost или невронни мрежи.
- Генериране на вероятност
Моделът връща конкретна стойност – например 0.42, което означава 42% шанс за гол.
В класическия вариант задачата е бинарна:
- 1 означава гол;
- 0 означава пропуск.
Кои фактори влияят най-силно на xG?
Не всички удари са равностойни. xG моделът отчита множество променливи, но няколко от тях са фундаментални.
Ето основните фактори, които почти всеки xG модел включва:
- разстояние до вратата;
- ъгъл към вратата;
- част от тялото, с която е нанесен ударът;
- тип асистенция – извеждащ пас, центриране, корнер;
- наличие на защитен натиск;
- позиция на вратаря;
- тип удар – volley, header, tap-in.
След анализа на тези параметри моделът сравнява новия удар с исторически сходни ситуации. Ако в миналото от подобна позиция са реализирани 18% от ударите, новият опит ще получи приблизително 0.18 xG.
Разстояние и ъгъл
Колкото по-близо е ударът до вратата, толкова по-висока е стойността на очакваните голове. Централната позиция също увеличава вероятността, защото отваря по-голяма част от вратата.
Тип удар
- Header обикновено има по-нисък xG спрямо удар с крак от същата позиция;
- One-on-one ситуациите са сред най-високите по очаквана стойност;
- Volley ударите са по-нестабилни и варират силно.
Какво означава team xG?
Освен индивидуалните удари, xG моделът позволява да изчислим и общия xG на отбор.
Формулата е проста – сумират се всички xG стойности в мача.
Пример:
- Удар 1 – 0.10.
- Удар 2 – 0.35.
- Удар 3 – 0.60.
Общият xG на отбора е 1.05.
Това дава по-реалистична картина за качеството на положенията, отколкото самият брой голове.
xG срещу реални голове
Тук идва едно от най-интересните приложения на xG модела.
Когато:
- Goals > xG → играчът показва изключителна ефективност;
- Goals < xG → вероятно има проблем с реализирането;
- Висок xG без голове → липса на късмет или слаб finishing;
- Нисък xG с много голове → потенциално неустойчиво представяне.
Според анализ на American Soccer Analysis, xG е по-надежден предиктор за бъдещи резултати от реалните голове, тъй като головете са силно зависими от случайност [2].
Ограничения на xG модела
Въпреки популярността си, xG моделът не е съвършен. Той има ограничения, които трябва да се разбират правилно.
- Не отчита индивидуалния талант напълно
Меси и средностатистически нападател получават сходен xG за идентична позиция, но реализацията им може да се различава.
- Липса на tracking данни при публични модели
Някои модели не включват точната позиция на защитниците.
- Не винаги включва качеството на самия удар
Затова се появява метриката Post-shot xG (PSxG), която анализира пласирането и скоростта.
Тези ограничения не обезсмислят xG модела, а подчертават, че той е вероятностен инструмент, а не абсолютна истина.
Видове xG модели
| Вид xG модел | Описание |
| Basic xG | Използва основни променливи като разстояние до вратата и ъгъл на удара. Подходящ за базов анализ и по-прости статистически модели. |
| Advanced xG | Добавя tracking данни, включително позиция и движение на играчите, натиск от защитници и позиция на вратаря. Предоставя по-прецизна оценка на ситуацията. |
| Post-shot xG | Оценява качеството на самия удар след контакта с топката, като анализира пласиране, скорост и траектория. Използва се често за оценка на вратарите. |
| Sequence-based модели | Анализират цялата атакуваща фаза и поредицата от действия преди удара, а не само финалния изстрел. Дават по-широк тактически контекст. |
Защо xG моделът промени футбола?
xG моделът промени начина, по който клубове, анализатори и медии оценяват представянето.
Той се използва за:
- анализ на качеството на създадени положения;
- оценка на нападатели и вратари;
- откриване на подценени играчи;
- симулации и прогнози в betting модели;
- тактически анализ.
Клубовете в топ първенствата разчитат на подобни модели за скаутинг и стратегически решения. Данните от Opta и StatsBomb са индустриален стандарт в тази област [1].
В крайна сметка xG моделът не казва „този мач трябваше да завърши 3:1“. Той казва: „На база исторически данни, създадените положения обикновено водят до около X гола.“
Именно в това се крие силата на expected goals – очакваните голове дават контекст. А в модерния футбол контекстът често е по-важен от крайния резултат.
Библиография
[1] StatsBomb – „Understanding Expected Goals (xG)“
https://statsbomb.com/soccer-metrics/expected-goals-xg-explained/
[2] American Soccer Analysis – „Expected Goals and Predictive Power“
https://www.americansocceranalysis.com/explanation-of-xg