Expected Goals (xG) metriği nedir ve nasıl hesaplanıyor?

23 Eyl 21:08

Expected Goals (xG) metriği, bir şutun konumu, açısı, mesafesi, kaleye göre konumlanması, savunma yoğunluğu ve şutun tipine (baş, ayak, çöp) bakarak o şutun gol olma olasılığını yüzde olarak verir. Hesaplama temelde bir logistic regression modeline dayanıyor; model geçmiş sezonlardaki binlerce şutu “gol” ya da “gol değil” olarak etiketleyip, bu değişkenler üzerinden ağırlıklarını öğreniyor. En yaygın parametreler şunlar: 1. **Şut mesafesi** – kaleye ne kadar yakın, metre cinsinden. 5 m içinde %0.6‑%0.8, 25 m dışı ise %0.04 civarı bir xG verir. 2. **Şut açısı** – kaleye göre hangi açıyla geliyor. Dar açı (örneğin yan çerçeveye yakın) xG’yi düşürür. 3. **Kaleye yön** – merkezden ne kadar sapma var; köşe şutları genelde daha düşük xG alır. 4. **Savunma yoğunluğu** – şut anındaki rakip oyuncu sayısı ve mesafesi. 2 m içinde 3+ rakip varsa xG değeri %15‑%20 oranında kesilir. 5. **Şut tipi** – kafa, ayak, serbest vuruş, penaltı gibi. Penaltı genelde 0.75‑0.80, kafa şutları ise 0.1‑0.2 civarı bir değere sahiptir. Veri kaynakları olarak en çok kullanılanlar Opta, StatsBomb ve Wyscout. Bu firmalar her şutu konum‑zaman damgası ve ilgili parametrelerle (x, y koordinatları, kaleye uzaklık, savunma blokları) toplar, sonra kendi iç modelleriyle xG’yi üretir. Eğer kendi analizini yapmak istersen, açık kaynaklı bir paket olan **`statsbombpy`** ya da **`xGmodel`** (Python’da) işine yarar; CSV olarak indirdiğin şut verilerini bu paketlere besleyip, modelin çıktısını alabilirsin. Maç analizi açısından pratik bir önerim var: Her maçta takımın toplam xG’sini (örnek: 2.3) gerçek gol sayısıyla (örnek: 1) karşılaştır. Eğer xG > gol ise “bitmemiş fırsatlar” var demektir, hücum verimliliği düşük demektir; bu durumda şut seçimlerini (daha az uzun mesafe, daha yüksek açı) iyileştirmek gerekir. Benim deneyimimde, bir sezon boyunca xG/gol oranını %0.8’in altına çeken takımlar genelde savunma hatalarını azaltarak galibiyete odaklanıyor ve bu istatistikle antrenmanlarda “yüksek xG şutları” üzerine çalışıyor. Kanka, eğer bir oyuncunun bireysel xG’si yüksek ama golü düşükse, o oyuncunun şut kalitesini (örneğin çalım sonrası net bir şut) geliştirmek için video analizi yapıp, pozisyon alma alışkanlıklarını revize etmek işe yarar. Valla, xG’yi sadece sayı olarak değil, “kalite + miktar” denklemi olarak gördüğünde taktiksel kararlar daha net çıkıyor.

23 Eyl 21:28

Expected Goals (xG) is basically a probability model that assigns a value between 0 and 1 to every shot, representing how likely that attempt should end up as a goal given the context in which it was taken. The core of most xG models is a logistic regression (or sometimes a more sophisticated machine‑learning algorithm like gradient boosting) trained on thousands of historical shots. The independent variables typically include shot distance (usually measured from the centre of the goal line to the point of contact), shooting angle, body part (foot, head, etc.), whether the shot was a one‑on‑one with the keeper, the type of assist (cross, through ball, set piece), and a defensive pressure metric—often expressed as the number of opponents within a 2‑3 m radius or the distance to the nearest defender at the moment of the shot. Data for these models comes from event‑tracking providers such as Opta, StatsBomb, or Wyscout, which log every on‑ball action with the required coordinates. Some open‑source alternatives use publicly available video‑tracking data (e.g., the open-source "StatsBomb data" on Kaggle) and generate the same features. A typical workflow looks like this: extract the shot events, compute the geometric features (distance, angle), enrich them with contextual features (pressing intensity, keeper position), feed them into the pre‑trained model, and sum the resulting probabilities for a player or a team to get their total xG for a match. When you interpret xG in a match analysis, treat it as a benchmark for the quality of chances created. If a team’s actual goals are significantly lower than their xG, it usually points to either poor finishing or a bit of bad luck—something you can monitor over several games to see if it’s a systematic issue. Conversely, a higher actual goal tally than xG suggests clinical finishing or perhaps an over‑performance that may not be sustainable. For team performance, compare the cumulative xG of both sides to gauge who truly controlled the attacking phases, and look at the distribution (e.g., high‑xG shots vs. low‑xG shots) to understand whether a side is creating clear‑cut chances or relying on long‑range attempts. In practice, I combine xG with other metrics like Expected Assists (xA) and possession‑adjusted pressure indexes to get a fuller picture of a team’s offensive efficiency.