Tore lügen. Ein Team gewinnt 1:0, hat aber den gesamten Spielverlauf dominiert — oder es gewinnt 1:0, obwohl der Gegner dreimal mehr Chancen hatte. Das Endergebnis verrät nicht, wie das Spiel tatsächlich gelaufen ist, und genau hier setzt Expected Goals an: eine Metrik, die misst, was hätte passieren sollen, nicht was tatsächlich passiert ist. Für Wetter ist das eine fundamentale Unterscheidung, denn der Markt reagiert auf Ergebnisse — wer die Daten hinter den Ergebnissen liest, erkennt, wo der Markt falsch liegt.
xG ist in den letzten Jahren vom Nischenthema für Datennerds zur Standardmetrik der Fußballanalyse geworden. Bundesligakommentatoren erwähnen xG inzwischen beiläufig, Sportmedien integrieren die Metrik in ihre Spielberichte, und selbst die DFL veröffentlicht xG-Daten in ihren offiziellen Statistiken. Die Bundesliga gehört zu den am besten dokumentierten Ligen der Welt, und die xG-Daten sind frei zugänglich. Trotzdem nutzen die meisten Wetter sie nicht — oder falsch. Sie schauen auf den xG-Wert eines einzelnen Spiels und ziehen daraus Schlüsse, die die Metrik nicht hergibt. Dieser Artikel erklärt, was xG tatsächlich misst, wo du die Daten findest und wie du sie systematisch für deine Bundesliga-Wetten einsetzt.
Was xG misst — und was nicht
Expected Goals quantifiziert die Qualität einer Torchance. Jeder Schuss erhält einen xG-Wert zwischen 0 und 1, basierend auf historischen Daten: Wie oft wurde aus einer vergleichbaren Position, mit vergleichbarem Winkel, vergleichbarer Distanz und vergleichbarer Spielsituation getroffen? Ein Elfmeter hat einen xG-Wert von etwa 0.76, ein Schuss aus 25 Metern Entfernung liegt bei 0.03, ein Abschluss aus fünf Metern Torentfernung nach einer Flanke bei 0.30 bis 0.40.
Die Summe aller xG-Werte eines Teams in einem Spiel ergibt den Expected-Goals-Wert des Teams. Wenn Bayern in einem Spiel auf einen xG-Wert von 2.8 kommt, bedeutet das: Auf Basis der Torchancen hätte Bayern im Durchschnitt 2.8 Tore erzielen sollen. Ob es tatsächlich null, zwei oder fünf Tore wurden, ist die Varianz — der Zufall, der kurzfristig alles überlagert, aber langfristig zur xG-Linie zurückkehrt.
Was xG nicht misst: individuelle Abschlussqualität. Ein Schuss aus 20 Metern hat denselben xG-Wert, egal ob ihn ein Bundesligastürmer oder ein Kreisklassespieler abgibt. Manche Spieler übertreffen ihren xG-Wert systematisch, weil sie technisch überdurchschnittlich gut abschließen — Harry Kane ist ein Beispiel, Robert Lewandowski war eines. Andere unterschreiten ihn konstant. Diese Abweichungen sind real, aber auf Teamebene gleichen sie sich über eine Saison weitgehend aus, weil der Einfluss einzelner Spieler durch die Masse der Abschlüsse nivelliert wird. Für Wetter, die auf Teamergebnisse setzen, ist xG deshalb ein robusterer Indikator als die reine Torstatistik — es zeigt die Qualität der Chancen, nicht die Qualität des letzten Kontakts.
Auch wichtig: xG erfasst keine Situationen, in denen gar kein Schuss zustande kommt. Ein Spieler, der allein vor dem leeren Tor steht und den Ball vertändelt, generiert null xG, obwohl die Torchance real war. Diese blinden Flecken existieren, verändern das Gesamtbild aber selten signifikant.
xG-Quellen und Tools
Die gute Nachricht: Du brauchst kein teures Abonnement, um xG-Daten für die Bundesliga zu nutzen. Mehrere Plattformen bieten kostenlose und detaillierte xG-Statistiken an.
FBref (fbref.com) ist die umfassendste frei verfügbare Quelle. Die Plattform liefert xG-Werte auf Spiel-, Team- und Spielerebene für alle großen europäischen Ligen, einschließlich der Bundesliga. Du findest dort xG und xGA (Expected Goals Against) pro Spiel und kumuliert über die Saison, dazu Schussstatistiken, Ballbesitzwerte und Passgenauigkeit. Understat (understat.com) bietet ähnliche Daten mit einem stärkeren Fokus auf individuelle Spielerdaten und xG-Trendkurven über die Saison hinweg. Beide Quellen verwenden leicht unterschiedliche xG-Modelle, was zu Abweichungen von 0.1 bis 0.3 xG pro Spiel führen kann — ein Detail, das die Kernaussage selten verändert, aber die Grenzen der Präzision aufzeigt.
Für die praktische Wettanalyse reicht in der Regel ein Blick auf die xG-Differenz der letzten fünf bis sechs Spiele beider Teams. Diese Zahl sagt mehr über die aktuelle Leistungsfähigkeit aus als Tore, Punkte oder Tabellenplatz — weil sie den Zufall herausfiltert und die zugrunde liegende Spielqualität offenlegt. Ein Team mit einer positiven xG-Differenz von +0.8 pro Spiel über die letzten sechs Partien ist in der Regel stärker als ein Team mit einer xG-Differenz von +0.2, selbst wenn Letzteres mehr Punkte geholt hat. Der Punktestand ist Vergangenheit. Die xG-Differenz ist ein Indikator für die Gegenwart — und damit ein besserer Prädiktor für die Zukunft.
xG vs. tatsächliche Tore: Over- und Underperformance
Hier wird es für Wetter richtig interessant. Wenn ein Team über einen Zeitraum von zehn Spielen deutlich mehr Tore erzielt als sein xG-Wert nahelegt, spricht man von Overperformance. Das Team hatte Glück, einzelne Spieler haben über ihrem Niveau abgeschlossen, oder seltene Situationen — Freistöße, Weitschüsse, individuelles Genie — haben die Statistik verzerrt. Langfristig tendiert die Torproduktion dazu, sich dem xG-Wert anzunähern. Das Phänomen heißt Regression zur Mitte, und es ist einer der zuverlässigsten Effekte in der Sportstatistik. Nicht in jedem Einzelfall, aber über genügend große Stichproben mit beeindruckender Konsistenz.
Für die Bundesliga-Wettanalyse bedeutet das konkret: Ein Team, das nach zehn Spieltagen auf Platz 4 steht, aber einen xG-Wert hat, der Platz 10 entspricht, wird mit hoher Wahrscheinlichkeit im Saisonverlauf abrutschen — seine Ergebnisse sind besser als seine Leistung, und der Zufall wird sich korrigieren. Umgekehrt: Ein Team auf Platz 12 mit xG-Werten, die Platz 6 entsprechen, ist unterbewertet und wird vermutlich aufholen. Der Markt reagiert auf Ergebnisse und Tabellenplatz, weil das die sichtbaren Indikatoren sind. Wer die xG-Daten liest, sieht die Zukunft klarer als die Gegenwart — und genau diese Diskrepanz zwischen Marktsicht und Datensicht ist der Ort, an dem Value entsteht.
Ein konkretes Szenario: Team A hat in den letzten sechs Spielen 12 Tore erzielt bei einem xG von 7.8. Team B hat 4 Tore erzielt bei einem xG von 7.2. Wer nur die Torstatistik sieht, hält Team A für die überlegene Offensive. Wer die xG-Daten sieht, erkennt, dass beide Teams vergleichbare Chancen kreieren — aber Team A hat überdurchschnittlich konvertiert und Team B unterdurchschnittlich. In der nächsten Partie sind die Torchancen beider Teams wahrscheinlich ähnlich, aber die Conversion Rate wird sich normalisieren. Das beeinflusst die Über/Unter-Einschätzung ebenso wie die 1X2-Quote.
xG für die Wett-Analyse nutzen
Die praktische Anwendung von xG in der Wettanalyse folgt einem klaren Prozess. Vor jedem Spiel prüfst du die xG-Bilanzen beider Teams — offensiv und defensiv, Heim und Auswärts getrennt. Die Differenz zwischen xG For und xG Against gibt dir ein Maß für die Spielstärke, das zuverlässiger ist als die Punkte- oder Torstatistik.
Dann vergleichst du diese xG-basierte Einschätzung mit der impliziten Wahrscheinlichkeit der Buchmacher-Quote. Wenn dein xG-Modell Team A eine höhere Siegwahrscheinlichkeit zuschreibt als die Quote impliziert, hast du einen potenziellen Value-Kandidaten. Das ist keine Garantie — der Buchmacher hat eigene Modelle, die oft sophistizierter sind —, aber ein fundierter Ausgangspunkt, der systematisch besser ist als jede rein ergebnisorientierte Analyse. In der Praxis funktioniert das besonders gut, wenn die xG-Daten eine Geschichte erzählen, die dem Tabellenstand widerspricht: Ein Team auf Platz 14 mit einer xG-Differenz, die Platz 7 entspricht, ist für den Markt ein Underdog, aber für dein Modell ein fair bewerteter Kontrahent.
Ein wichtiger Vorbehalt: xG ist ein Werkzeug, kein Orakel. Es ignoriert Kontextfaktoren wie Motivation, Wetterbedingungen, Kadersituation am konkreten Spieltag und taktische Anpassungen, die nicht in historischen Daten auftauchen. Ein Team, das in den letzten sechs Spielen eine xG-Differenz von +1.2 pro Partie aufweist, spielt am nächsten Samstag vielleicht ohne seinen Spielmacher, mit einem neuen Trainer oder auf einem Rasen, der nach Dauerregen keinen Kombinationsfußball zulässt. Die besten Wetter nutzen xG als quantitative Basis und ergänzen sie durch qualitative Einschätzung — Formcheck, Verletzungsliste, taktische Überlegungen. Das Zusammenspiel beider Ebenen liefert ein Bild, das weder Zahlen noch reine Beobachtung allein zeichnen könnten.
xG zeigt, was hätte passieren sollen
Expected Goals ist die Brille, die durch den Nebel der Ergebnisse blickt. In einer Liga wie der Bundesliga, in der ein einziger Spieltag die Tabelle durcheinanderwirbeln kann und Ergebnisse oft mehr über Glück als über Klasse aussagen, ist xG der stabilste Kompass für die Spielanalyse. Nicht, weil die Metrik perfekt ist — das ist sie nicht, und wer sie als alleinige Wahrheit behandelt, macht einen neuen Fehler anstelle des alten. Sondern weil sie systematisch besser ist als die Alternative: blindes Vertrauen auf Ergebnisse, die vom Zufall durchsetzt sind.
Wer xG liest, sieht nicht die Vergangenheit genauer. Er sieht die Zukunft wahrscheinlicher. Und in einem Markt, in dem Wahrscheinlichkeiten über Gewinn und Verlust entscheiden, ist das der entscheidende Vorteil.