1. Les limites des xG et la genèse du concept xT
Si les Expected Goals (xG) ont révolutionné l'évaluation des occasions franches, ils souffrent d'un biais fondamental : ils ne considèrent que l'instant final de l'action. Une passe lumineuse qui élimine cinq défenseurs mais dont l'attaquant rate le contrôle n'engendre aucun tir, et donc 0,00 xG au tableau statistique.
Pour combler ce vide béant, les chercheurs en data science sportive (notamment Karun Singh en 2019) ont développé l'Expected Threat (xT), un modèle stochastique basé sur les chaînes de Markov. L'objectif est limpide : quantifier à chaque milliseconde la probabilité qu'une équipe marque un but dans les N actions à venir en fonction de la position exacte du ballon sur le terrain.
2. Modélisation mathématique : Comment se calcule l'Expected Threat ?
Lorsqu'un joueur a le ballon dans la cellule \((x, y)\), il dispose de trois choix d'actions :
- Tenter un tir direct : avec une probabilité \(p_{shot}\) de tirer et une probabilité de convertir en but égale à son \(xG(x, y)\).
- Déplacer le ballon vers une autre cellule \((z, w)\) : que ce soit par une passe ou une conduite de balle (carry), avec une probabilité de réussite \(p_{move}\).
- Conserver ou perdre le ballon : réinitialisant la chaîne de probabilité.
La valeur de menace ajoutée (xT delta) d'une action réussie est définie par la formule :
\(\Delta xT = xT(\text{zone d'arrivée}) - xT(\text{zone de départ})\)
Si un milieu axial reçoit le ballon dans le rond central (valeur xT de 0,012) et transmet une passe verticale appuyée entre les lignes dans la Zone 14 (valeur xT de 0,085), sa passe génère un gain brut de +0,073 xT. À l'inverse, une passe en retrait vers son gardien produit un \(\Delta xT\) négatif.
3. Tableau comparatif : xG, xA, xT et Passes Progressives
Pour comprendre la complémentarité de ces outils au sein d'une cellule de recrutement ou d'un staff d'analystes, voici la grille de comparaison opérationnelle :
| Métrique | Événement mesuré | Zone d'impact clé | Biais ou limite principale |
|---|---|---|---|
| xG (Expected Goals) | Probabilité de but sur chaque frappe | Surface de réparation | Ignore totalement les passes en amont sans tir |
| xA (Expected Assists) | Probabilité de but sur la dernière passe | Dernier tiers adverse | Dépend du choix de l'attaquant de tenter sa chance |
| xT (Expected Threat) | Gain net de danger spatial (passes & courses) | Tout le terrain (Zones 1 à 96) | Modèle initialement aveugle à la pression défensive directe |
| Passes Progressives | Passe vers l'avant ≥ 10m (ou vers les 16m50) | Milieu et ailes vers l'axe | Quantifie le volume spatial sans pondérer la densité d'adversaires |
4. L'impact concret sur le scouting et la tactique d'élite
Pourquoi les plus grands clubs européens (Manchester City, Real Madrid, Paris Saint-Germain) investissent-ils massivement sur ces indicateurs ? Car ils permettent de dénicher des « créateurs de l'ombre ».
Des profils comme Toni Kroos lors de sa carrière, Rodri ou Vitinha affichent rarement plus de 5 buts et 5 passes décisives par saison. Pourtant, les modèles de progression spatiale et d'xT révèlent qu'ils figurent systématiquement dans le top 1% mondial de la création de danger net. Ce sont eux qui initient les déséquilibres structurels dans les 40 derniers mètres.
5. Interroger Gemini Live ou ChatGPT Voice pendant vos matchs
Vous regardez une rencontre serrée où l'une des deux équipes fait tourner le ballon sans sembler dangereuse ? Utilisez notre Prompt Vocal optimisé dans FOOTB pour obtenir une lecture chirurgicale de la circulation de balle :