1. I limiti degli xG e la genesi del concetto di xT
Se gli Expected Goals (xG) hanno rivoluzionato la valutazione delle occasioni da gol chiare, soffrono di un bias fondamentale: considerano solo l'istante finale dell'azione. Un passaggio illuminante che elimina cinque difensori ma il cui attaccante sbaglia il controllo non genera alcun tiro, e quindi 0,00 xG nel tabellino statistico.
Per colmare questo vuoto, i ricercatori in data science sportiva (in particolare Karun Singh nel 2019) hanno sviluppato l'Expected Threat (xT), un modello stocastico basato sulle catene di Markov. L'obiettivo è chiaro: quantificare, ad ogni millisecondo, la probabilità che una squadra segni un gol nelle N azioni successive in base alla posizione esatta del pallone sul campo.
2. Modellazione matematica: Come si calcola l'Expected Threat?
Quando un giocatore ha il pallone nella cella \((x, y)\), dispone di tre scelte d'azione:
- Tentare un tiro diretto: con una probabilità \(p_{shot}\) di tirare e una probabilità di convertire in gol pari al suo \(xG(x, y)\).
- Spostare il pallone verso un'altra cella \((z, w)\): sia tramite un passaggio che una conduzione di palla (carry), con una probabilità di successo \(p_{move}\).
- Conservare o perdere il pallone: resettando la catena di probabilità.
Il valore di minaccia aggiunto (xT delta) di un'azione riuscita è definito dalla formula:
\(\Delta xT = xT(\text{zona di arrivo}) - xT(\text{zona di partenza})\)
Se un centrocampista centrale riceve il pallone nel cerchio di centrocampo (valore xT di 0,012) e trasmette un passaggio verticale potente tra le linee nella Zona 14 (valore xT di 0,085), il suo passaggio genera un guadagno lordo di +0,073 xT. Al contrario, un passaggio all'indietro verso il proprio portiere produce un \(\Delta xT\) negativo.
3. Tabella comparativa: xG, xA, xT e Passaggi Progressivi
Per comprendere la complementarità di questi strumenti all'interno di una cellula di scouting o di uno staff di analisti, ecco la griglia di confronto operativa:
| Metrica | Evento misurato | Zona d'impatto chiave | Bias o limite principale |
|---|---|---|---|
| xG (Expected Goals) | Probabilità di gol su ogni tiro | Area di rigore | Ignora totalmente i passaggi a monte senza tiro |
| xA (Expected Assists) | Probabilità di gol sull'ultimo passaggio | Ultima trequarti avversaria | Dipende dalla scelta dell'attaccante di tentare la conclusione |
| xT (Expected Threat) | Guadagno netto di pericolo spaziale (passaggi & corse) | Tutto il campo (Zone da 1 a 96) | Modello inizialmente cieco alla pressione difensiva diretta |
| Passaggi Progressivi | Passaggio in avanti ≥ 10m (o verso i 16m50) | Centrocampo e fasce verso l'asse | Quantifica il volume spaziale senza ponderare la densità degli avversari |
4. L'impatto concreto sullo scouting e sulla tattica d'élite
Perché i più grandi club europei (Manchester City, Real Madrid, Paris Saint-Germain) investono massicciamente in questi indicatori? Perché permettono di scovare i «creatori nell'ombra».
Profili come Toni Kroos durante la sua carriera, Rodri o Vitinha raramente registrano più di 5 gol e 5 assist a stagione. Eppure, i modelli di progressione spaziale e di xT rivelano che figurano sistematicamente nel top 1% mondiale della creazione di pericolo netto. Sono loro che avviano gli squilibri strutturali negli ultimi 40 metri.
5. Interrogare Gemini Live o ChatGPT Voice durante le vostre partite
State guardando una partita equilibrata dove una delle due squadre fa girare il pallone senza sembrare pericolosa? Utilizzate il nostro Prompt Vocale ottimizzato in FOOTB per ottenere una lettura chirurgica della circolazione palla: