Expected Goals in der Bundesliga — xG-Daten richtig nutzen

xG — die Metrik, die Ergebnisse entlarvt

Ein Team gewinnt 3:0 und die Fans feiern. Die xG-Daten sagen: 0,8 zu 1,4 — der Verlierer war die bessere Mannschaft. Willkommen in der Welt der Expected Goals, wo das Ergebnis nicht das letzte Wort hat.

Expected Goals gehören zu den Kennzahlen, die den Blick auf Fußball in den letzten Jahren grundlegend verändert haben. Für Wetter sind sie besonders interessant, weil sie eine Ebene unter der Oberfläche arbeiten — dort, wo sich künftige Ergebnisse oft schon ankündigen, bevor sie in der Tabelle sichtbar werden. Wer Bundesliga-Quoten nur anhand von Punkten und Tordifferenz bewertet, übersieht regelmäßig Teams, die besser oder schlechter sind als ihr Tabellenplatz vermuten lässt. Genau diese Diskrepanz zwischen Realität und Wahrnehmung ist der Ort, an dem Value entsteht.

Trotzdem ranken sich um xG mehr Missverständnisse als um fast jede andere Statistik. Manche halten die Metrik für eine Vorhersage, andere für nutzlose Zahlenspielerei. Beides ist falsch — und wer den tatsächlichen Nutzen versteht, gewinnt einen analytischen Vorsprung, den die Mehrheit der Wetter schlicht nicht hat.

Die Bundesliga eignet sich dafür besonders gut. Mit durchschnittlich über drei Toren pro Spiel und einem hohen Pressingniveau entstehen pro Partie deutlich mehr Torchancen als etwa in der Serie A, was die xG-Modelle auf eine breitere Datenbasis stützt und ihre Aussagekraft erhöht. Wer xG versteht, spielt nicht besser Fußball — aber er bewertet die Quoten besser als die meisten anderen am Markt.

xG liefert keine Garantie. Aber eine schärfere Linse.

Was Expected Goals messen — und was nicht

Das Prinzip ist einfach: Jeder Torschuss bekommt einen Wert zwischen 0 und 1, basierend auf der historischen Trefferwahrscheinlichkeit aus einer vergleichbaren Situation. Ein Elfmeter liegt bei etwa 0,76, ein Kopfball aus 14 Metern nach einer Flanke vielleicht bei 0,06, ein Schuss aus dem Rückraum ohne Bedrängnis bei 0,03. Die Summe aller Einzelwerte einer Mannschaft ergibt die xG — also die Anzahl der Tore, die ein durchschnittliches Team aus exakt diesen Chancen erzielt hätte. Ein xG-Wert von 2,3 bedeutet demnach nicht, dass genau 2,3 Tore fallen sollten, sondern dass die Chancenqualität über ein großes Sample hinweg zu diesem Schnitt führen würde.

Wichtig ist, was xG nicht erfasst. Die Qualität des Schützen fließt in die meisten Modelle nicht ein — Erling Haaland und ein Zweitliga-Stürmer bekommen für denselben Schuss denselben Wert. Ebenso fehlen Faktoren wie Windrichtung, Platzzustand oder psychischer Druck in Schlüsselmomenten. Manche Anbieter erweitern ihre Modelle um Post-Shot-Daten, also die Platzierung des Balls nach dem Schuss, was zu Expected Goals on Target führt und den Torwart-Faktor berücksichtigt.

Für Wetter bleibt das Standard-xG-Modell trotzdem das nützlichste Werkzeug, weil es eine robuste, vergleichbare Basis liefert, die individuelle Ausreißer über Zeit ausmittelt.

Ein praktisches Beispiel aus der Bundesliga: Augsburg spielt gegen Wolfsburg, das Spiel endet 0:0. Die xG-Werte zeigen 1,7 zu 0,4 — Augsburg hat massive Chancen vergeben, Wolfsburg kaum gefährlich gespielt. Für das nächste Augsburg-Spiel signalisieren diese Daten offensive Qualität trotz der Nullnummer, während Wolfsburg trotz des Punktgewinns eher als Wackelpunkt erscheint. Wer nur auf das Ergebnis schaut, verpasst die Geschichte dahinter.

Overperformance und Underperformance — wo die Value-Chancen liegen

Die spannendste Anwendung von xG für Wetter liegt im Vergleich zwischen tatsächlich erzielten Toren und den Expected Goals über einen längeren Zeitraum. Wenn ein Team nach zehn Spieltagen 18 Tore geschossen hat, aber nur auf einen kumulierten xG-Wert von 12 kommt, spricht vieles dafür, dass hier eine Overperformance vorliegt — die Stürmer verwandeln Chancen deutlich über dem Durchschnitt, oder der Gegner steht im Tor regelmäßig schlecht. Beide Faktoren sind schwer über eine ganze Saison aufrechtzuerhalten. Irgendwann greift die Regression zum Mittelwert, und die Torausbeute nähert sich den xG-Werten an.

Das Gegenstück funktioniert genauso. Ein Underperformer mit guten xG-Werten, aber wenigen realen Toren, wird vom Markt oft unterschätzt. Die Quoten spiegeln die Tabelle wider, nicht die Chancenqualität. Genau dort entsteht Value.

Defensiv gilt dasselbe Prinzip in umgekehrter Richtung. Ein Team, das wenige Gegentore kassiert, aber hohe xG-against-Werte aufweist, lebt von Torwartleistungen oder gegnerischen Abschlussfehlern — beides Faktoren, die sich über eine Saison selten konstant halten lassen. Die Defensive ist in Wahrheit löchriger als die Tabelle suggeriert, und die Quoten für Over-Wetten auf deren Spiele können attraktiv sein.

In der Bundesliga-Saison 2023/24 lieferte Heidenheim in der Hinrunde ein markantes Beispiel: Die xG-Bilanz war solide, die Punkteausbeute enttäuschend, die Quoten für Heidenheim-Siege entsprechend hoch. Wer die xG-Daten gelesen hatte, fand in dieser Phase regelmäßig überbewertete Quoten auf der Gegenseite. Die Rückrunde brachte dann die erwartbare Korrektur — mehr Punkte bei ähnlicher Spielanlage, weil die Abschlusseffizienz sich normalisierte.

Der entscheidende Punkt: xG-basierte Analyse funktioniert nicht als Einzelspiel-Orakel. Ihre Stärke liegt in der mittelfristigen Perspektive, typischerweise ab einem Fenster von sechs bis acht Spielen, in dem sich Zufallseffekte herausmitteln und systematische Stärken oder Schwächen sichtbar werden. Wer kurzfristig auf ein einzelnes xG-Ergebnis reagiert, verwechselt Rauschen mit Signal.

Konkret für die Wettpraxis heißt das: Nach jedem Spieltag die xG-Tabelle neben die reale Tabelle legen. Teams, die in beiden Tabellen ähnlich stehen, bieten selten Value — der Markt hat sie korrekt eingepreist. Interessant wird es bei großen Abweichungen, etwa wenn ein Team auf Platz 14 der Tabelle steht, aber auf Platz 8 der xG-Tabelle. Genau diese Diskrepanzen markieren die Räume, in denen die Quoten systematisch zu hoch oder zu niedrig angesetzt sein können.

xG-Datenquellen für die Bundesliga — was taugt, was nicht

Nicht jedes xG-Modell liefert identische Zahlen. Die Abweichungen zwischen Anbietern resultieren aus unterschiedlichen Trainingsdaten, Feature-Sets und Modellarchitekturen. Für den durchschnittlichen Wetter ist das kein Problem — die Tendenz stimmt fast immer überein, und genau darauf kommt es an. Wer jedoch eigene Modelle baut oder Werte exakt vergleichen will, sollte bei einer Quelle bleiben und nicht zwischen Anbietern hin- und herspringen.

Understat veröffentlicht frei zugängliche xG-Werte für die Bundesliga und erlaubt die Filterung nach Heim- und Auswärtsspielen, einzelnen Spielern und Spielphasen. FBref aggregiert Daten von StatsBomb und bietet eine der detailliertesten frei verfügbaren Statistik-Sammlungen im europäischen Fußball. Beide Plattformen eignen sich als Einstieg. Wer tiefer einsteigen will, findet bei Opta oder StatsBomb kostenpflichtige Datenpakete mit granularen Schussdaten und erweiterten Metriken wie xGChain oder xGBuildup, die den gesamten Angriffsaufbau bewerten statt nur den finalen Schuss.

Für die meisten Wetter reicht die kostenfreie Variante. Der Informationsvorsprung gegenüber jemandem, der gar keine xG-Daten nutzt, ist bereits erheblich — und das ohne einen Cent Investition in Daten.

Ein sinnvoller Workflow sieht so aus: Am Montag nach dem Spieltag die kumulierten xG-Werte der Liga prüfen, Auffälligkeiten notieren — welche Teams über- oder unterperformen, wo sich Trends verschieben. Vor dem nächsten Spieltag dann gezielt die Paarungen checken, bei denen eine xG-Diskrepanz auf Value hindeuten könnte. Das kostet zwanzig Minuten pro Woche und verschafft einen Vorsprung gegenüber der Mehrheit der Wetter, die ausschließlich auf Tabelle und Ergebnis schauen.

xG ist ein Werkzeug — kein Ergebnis

Expected Goals ersetzen weder die Spielanalyse noch das eigene Urteil. Sie ergänzen es. Wer xG-Daten in seine Routine integriert, sieht Muster, die in der Tabelle unsichtbar bleiben, und erkennt Value dort, wo der Markt auf Ergebnisse statt auf Prozesse schaut. Die Investition ist gering — minimaler Zeitaufwand, kostenfreie Quellen, ein geschärfter Blick auf das, was hinter den Ergebnissen passiert.

Die beste Wette ist nicht die auf das wahrscheinlichste Ergebnis. Es ist die auf die größte Diskrepanz zwischen Markteinschätzung und tatsächlicher Leistung. xG zeigt dir, wo du suchen musst.