1. Die Grenzen der xG und die Entstehung des xT-Konzepts
Auch wenn die Expected Goals (xG) die Bewertung von klaren Torchancen revolutioniert haben, leiden sie unter einem grundlegenden Mangel: Sie berücksichtigen nur den Endpunkt der Aktion. Ein genialer Pass, der fünf Verteidiger aushebelt, aber dessen Kontrolle der Angreifer verpatzt, führt zu keinem Schuss und somit zu 0,00 xG in der Statistik.
Um diese klaffende Lücke zu schließen, entwickelten Forscher im Bereich der Sportdatenwissenschaft (insbesondere Karun Singh im Jahr 2019) den Expected Threat (xT), ein stochastisches Modell, das auf Markov-Ketten basiert. Das Ziel ist klar: Jede Millisekunde die Wahrscheinlichkeit zu quantifizieren, dass eine Mannschaft in den nächsten N Aktionen ein Tor erzielt, basierend auf der genauen Position des Balls auf dem Feld.
2. Mathematische Modellierung: Wie wird der Expected Threat berechnet?
Wenn ein Spieler den Ball in der Zelle \((x, y)\) hat, stehen ihm drei Aktionsmöglichkeiten offen:
- Direkter Torschussversuch: mit einer Wahrscheinlichkeit \(p_{shot}\) zu schießen und einer Torwahrscheinlichkeit, die seinem \(xG(x, y)\) entspricht.
- Ball in eine andere Zelle \((z, w)\) bewegen: sei es durch einen Pass oder eine Ballführung (Carry), mit einer Erfolgswahrscheinlichkeit von \(p_{move}\).
- Ball halten oder verlieren: wodurch die Wahrscheinlichkeitskette zurückgesetzt wird.
Der hinzugefügte Bedrohungswert (xT Delta) einer erfolgreichen Aktion wird durch die Formel definiert:
\(\Delta xT = xT(\text{Ankunftszone}) - xT(\text{Startzone})\)
Wenn ein zentraler Mittelfeldspieler den Ball im Mittelkreis (xT-Wert von 0,012) erhält und einen schnellen vertikalen Pass zwischen die Linien in die Zone 14 (xT-Wert von 0,085) spielt, erzeugt sein Pass einen Bruttogewinn von +0,073 xT. Umgekehrt führt ein Rückpass zum Torhüter zu einem negativen \(\Delta xT\).
3. Vergleichstabelle: xG, xA, xT und Progressive Pässe
Um die Komplementarität dieser Tools in einer Scouting-Abteilung oder einem Analystenteam zu verstehen, hier die operative Vergleichsübersicht:
| Metrik | Gemessenes Ereignis | Schlüsselwirkungsbereich | Hauptverzerrung oder -grenze |
|---|---|---|---|
| xG (Expected Goals) | Torwahrscheinlichkeit bei jedem Schuss | Strafraum | Ignoriert völlig vorgelagerte Pässe ohne Schuss |
| xA (Expected Assists) | Torwahrscheinlichkeit beim letzten Pass | Letztes Angriffsdrittel | Hängt von der Entscheidung des Angreifers ab, zu schießen |
| xT (Expected Threat) | Netto-Gewinn an räumlicher Gefahr (Pässe & Läufe) | Das ganze Feld (Zonen 1 bis 96) | Modell ursprünglich blind für direkten Abwehrdruck |
| Progressive Pässe | Vorwärtspass ≥ 10m (oder in den 16er-Raum) | Mittelfeld und Flügel zur Mitte | Quantifiziert das Raumvolumen, ohne die Dichte der Gegner zu gewichten |
4. Der konkrete Einfluss auf Scouting und Elitetaktik
Warum investieren die größten europäischen Klubs (Manchester City, Real Madrid, Paris Saint-Germain) massiv in diese Indikatoren? Weil sie es ermöglichen, „Kreativspieler im Schatten“ zu entdecken.
Profile wie Toni Kroos während seiner Karriere, Rodri oder Vitinha erzielen selten mehr als 5 Tore und 5 Assists pro Saison. Doch die Modelle für räumliche Progression und xT zeigen, dass sie systematisch zu den Top 1% weltweit bei der Schaffung von Netto-Gefahr gehören. Sie sind es, die die strukturellen Ungleichgewichte in den letzten 40 Metern initiieren.
5. Gemini Live oder ChatGPT Voice während Ihrer Spiele befragen
Sie sehen ein enges Spiel, in dem eine Mannschaft den Ball zirkulieren lässt, ohne gefährlich zu wirken? Nutzen Sie unseren optimierten Sprach-Prompt in FOOTB, um eine präzise Analyse der Ballzirkulation zu erhalten: