Guida completa alla metrica che ha rivoluzionato l’analisi calcistica: dagli algoritmi di base alle applicazioni nel betting, con esempi concreti e metriche correlate
Cosa sono gli expected goals (xG) e perché hanno cambiato il calcio
Gli expected goals — abbreviati in xG — sono una metrica statistica che misura la probabilità che un tiro si trasformi in gol. A ogni conclusione verso la porta viene assegnato un valore compreso tra 0 (nessuna possibilità di segnare) e 1 (gol praticamente certo), calcolato sulla base dell’analisi di centinaia di migliaia di tiri storici effettuati in condizioni simili. Non si tratta di un’opinione o di una stima soggettiva: gli xG sono il prodotto di un modello matematico rigoroso che quantifica la qualità delle occasioni da gol indipendentemente dall’esito effettivo del tiro.
Per fare un esempio concreto: se da un determinato punto del campo sono stati calciati storicamente 500 tiri e 50 sono finiti in rete, la probabilità di segnare da quella posizione è del 10%, quindi l’xG di quel tiro sarà 0,10. Un tiro a un metro dalla linea di porta avrà un xG di circa 0,99 — quasi certo, ma mai completamente, perché anche da quella distanza esiste una percentuale residua di tiri non convertiti. Un calcio di rigore, analizzato su campioni vastissimi, ha un xG fisso che oscilla tra 0,76 e 0,79, poiché la posizione e le condizioni sono sempre identiche.
Sommando gli xG di tutti i tiri di una squadra in una partita si ottiene una misura della sua pericolosità offensiva reale, indipendente dalla fortuna o dalla bravura del portiere avversario. È questo il punto chiave: gli expected goals separano la qualità delle occasioni create dal risultato effettivo, offrendo una lettura del match più profonda e oggettiva di quanto faccia il semplice punteggio finale.
Come si calcolano gli xG: le variabili del modello
Le variabili fondamentali di ogni modello expected goals
Non esiste un unico modello di xG: piattaforme diverse (Opta, StatsBomb, Understat, FBref) utilizzano algoritmi differenti con variabili più o meno sofisticate. Tuttavia, i fattori fondamentali che entrano in quasi tutti i modelli expected goals sono la distanza dalla porta (tiri più vicini hanno xG più alti), l’angolo di tiro (dalla parte centrale dell’area di rigore si segna più facilmente che da posizioni laterali), la parte del corpo utilizzata (a parità di distanza, i tiri di piede hanno maggiore probabilità di conversione rispetto ai colpi di testa), il tipo di azione precedente (passaggio filtrante, cross, dribbling, palla inattiva) e la velocità di gioco dell’azione.
Modelli base e modelli avanzati: la differenza la fanno i dati
Un modello base di xG che considera solo distanza, angolo e parte del corpo potrebbe assegnare a un tiro un valore di 0,30. Un modello più avanzato, come quello sviluppato da StatsBomb, aggiunge informazioni decisive: la posizione e lo stato del portiere (fuori dai pali, a terra, in movimento), la posizione di tutti i difensori tra il tiratore e la porta, la velocità del tiro e la traiettoria. Con questi dati aggiuntivi, lo stesso tiro potrebbe essere rivalutato a 0,45 xG se il portiere è fuori posizione, oppure abbassato a 0,15 se c’è un muro di difensori davanti. La differenza tra modelli base e avanzati non è accademica: impatta direttamente sulla qualità dell’analisi e, di conseguenza, sull’affidabilità dei pronostici costruiti sugli xG.
Overperformance e underperformance: cosa rivelano gli xG sul rendimento reale
Uno degli utilizzi più potenti degli expected goals è il confronto tra xG prodotti e gol effettivamente segnati. Quando una squadra segna significativamente più di quanto i suoi xG suggerirebbero, si parla di overperformance: sta convertendo in gol tiri con bassa probabilità di conversione, spesso grazie a finalizzazioni eccezionali o a circostanze fortunate. Il punto è che questa sovraperformance è statisticamente insostenibile nel lungo periodo: la regressione verso la media è uno dei fenomeni più documentati nell’analisi calcistica. Una squadra che vince con 1 gol segnato e 0,3 xG sta vivendo al di sopra dei propri mezzi offensivi.
Al contrario, una squadra che produce 2,5 xG a partita ma segna solo 1 gol sta attraversando una fase di underperformance: crea occasioni di qualità ma non le concretizza, per scarsa lucidità sotto porta o per bravura eccezionale dei portieri avversari. In entrambi i casi, gli xG offrono un indicatore predittivo: le squadre in overperformance tendono a calare, quelle in underperformance tendono a risalire. Questo principio è alla base dell’utilizzo degli expected goals nei pronostici e nelle scommesse sportive.
Oltre gli xG: le metriche avanzate correlate che completano l’analisi
Expected assists (xA) e expected goals on target (xGOT)
Gli expected assists (xA) misurano la qualità dei passaggi che portano a un tiro, attribuendo un valore basato sull’xG della conclusione successiva. Se un giocatore serve un compagno in una posizione da 0,60 xG, l’xA di quel passaggio sarà 0,60. Questa metrica è fondamentale per valutare la creatività e la visione di gioco di centrocampisti e ali, separando la qualità del passaggio dall’abilità del finalizzatore. Gli expected goals on target (xGOT), invece, vengono calcolati dopo l’esecuzione del tiro e tengono conto del piazzamento e della velocità della conclusione: un tiro angolato vicino al palo avrà un xGOT più alto di un tiro centrale. Questa metrica è particolarmente utile per valutare le prestazioni dei portieri.
PPDA, expected points e altre metriche per l’analisi predittiva
Il PPDA (Passes Per Defensive Action) misura l’intensità del pressing di una squadra: quanti passaggi avversari vengono consentiti prima di un’azione difensiva. Un PPDA basso indica pressing alto e aggressivo, un valore alto suggerisce un atteggiamento più attendista. Questa metrica, combinata con gli xG, permette di capire se una squadra crea occasioni grazie alla pressione nella metà campo avversaria o attraverso transizioni e contropiede. Gli expected points (xPTS) estendono gli xG a livello di classifica: simulando migliaia di volte ogni partita sulla base degli xG prodotti e concessi (simulazione Monte Carlo), si ottiene una classifica attesa che spesso rivela squadre sopravvalutate o sottovalutate rispetto al piazzamento reale.
Algoritmi e machine learning: come l’AI costruisce modelli xG sempre più precisi
I modelli expected goals più evoluti non si basano su semplici tabelle di probabilità posizionali, ma su algoritmi di machine learning in grado di apprendere relazioni non lineari tra decine di variabili. I principali approcci utilizzati oggi includono la regressione logistica (il modello più classico, che stima la probabilità di conversione come funzione di variabili esplicative), il random forest e il gradient boosting (algoritmi ensemble che combinano centinaia di alberi decisionali per migliorare precisione e capacità di generalizzazione), e le reti neurali profonde (deep learning), capaci di catturare interazioni complesse tra variabili che sfuggono ai modelli tradizionali.
La fase di feature engineering — la trasformazione dei dati grezzi in variabili utili per il modello — è cruciale quanto la scelta dell’algoritmo. Convertire un dato posizionale in “distanza dall’angolo più vicino della porta”, oppure calcolare la “densità difensiva nel cono di tiro”, sono operazioni che determinano la capacità del modello di distinguere tra un tiro pericoloso e uno innocuo. I modelli vengono poi validati attraverso tecniche di cross-validation e aggiornati periodicamente con nuovi dati, garantendo che le stime restino accurate anche al variare delle dinamiche tattiche e dei roster delle squadre.
Come usare gli xG nei pronostici e nelle scommesse sportive
Gli expected goals sono utilizzati sia dai bookmaker per costruire le quote sia dagli scommettitori professionisti come base per i propri modelli predittivi. L’applicazione più diretta è l’identificazione di value bet: quando una squadra in underperformance (molti xG, pochi gol) affronta una in overperformance (pochi xG, molti gol), il modello suggerisce che la prima ha maggiori probabilità di lungo periodo rispetto a quanto le quote riflettano. Gli xG sono particolarmente utili per i mercati over/under e goal/no goal, dove la qualità delle occasioni create pesa più del semplice conteggio dei gol recenti.
Oggi portali come Gambla rappresentano un punto di riferimento per chi vuole integrare gli expected goals nei pronostici senza dover costruire modelli da zero grazie a una piattaforma sportiva gratuita che offre consigli sulle scommesse per il calcio e per altre discipline, costruita a partire da metriche avanzate come xG, tiri in porta, corner, cartellini e azioni nella trequarti, coprendo i principali campionati europei.
Gambla si rivolge sia allo scommettitore esperto che opera sui mercati statistici sia a chi si avvicina per la prima volta all’uso degli xG per le scommesse sportive, offrendo contenuti che rendono le metriche avanzate applicate al betting accessibili e utilizzabili nella pratica quotidiana.
L’elemento chiave è non utilizzare gli xG in modo isolato, ma integrarli con altre metriche (xA, PPDA, xGOT, forma recente, rendimento casa/trasferta) per costruire un quadro analitico completo. Un singolo dato non racconta tutta la storia: è l’incrocio tra più indicatori a produrre previsioni robuste e verificabili.
I limiti degli expected goals: cosa gli xG non possono dirti
Gli xG sono uno strumento potente, ma non infallibile. Il primo limite è strutturale: i modelli si basano su dati storici e non possono prevedere eventi unici o straordinari — un errore del portiere, una deviazione fortuita, un gol da 40 metri che sfida ogni statistica. Il secondo limite riguarda la varianza a breve termine: all’interno di una singola partita, la differenza tra xG e gol effettivi può essere enorme. Come osservano gli analisti, una squadra con 3 xG ha in realtà una probabilità di segnare tra 1,5 e 4,5 gol circa — il dato diventa affidabile solo su campioni ampi, nell’arco di settimane o mesi.
Inoltre, gli xG non catturano le dinamiche di spogliatoio, la pressione ambientale, la motivazione legata a obiettivi di classifica o la gestione emotiva dei momenti chiave. Un rigore calciato nell’ultimo minuto di una finale ha lo stesso xG di uno al 20’ di una partita senza importanza, ma la pressione psicologica è incomparabile. Per questo motivo, gli expected goals vanno sempre interpretati come parte di un framework analitico più ampio, mai come oracolo isolato.
Conclusioni: perché gli xG sono indispensabili per l’analisi calcistica moderna
Gli expected goals hanno trasformato il modo in cui si analizza il calcio, spostando il focus dal risultato alla qualità del processo. Insieme a metriche correlate come xA, xGOT, PPDA e expected points, gli xG costituiscono il pilastro dell’analisi predittiva moderna — tanto per gli staff tecnici delle squadre professionistiche quanto per gli scommettitori che cercano un approccio basato sui dati.
L’evoluzione futura passerà per modelli sempre più sofisticati, alimentati da tracking data posizionali, intelligenza artificiale e architetture di machine learning capaci di integrare variabili in tempo reale. Ma il principio di base resterà lo stesso: misurare la qualità delle occasioni, separare il processo dal risultato e prendere decisioni fondate su evidenze piuttosto che su impressioni. In un mondo in cui la quantità di dati disponibili cresce esponenzialmente, comprendere e saper utilizzare gli xG non è più un optional per chi si occupa di calcio e betting: è una competenza fondamentale.
