Xg в футболе что значит показатель

Что же такое xG модель? И как её можно применять в ставках на футбол?

Всем привет друзья, по традиции, после выпуска видео, мы выпускаем текстовый формат информации, которую вы могли узнать из видео. Это будет полезно будет тем, кто лучше обучается в текстовом. В последних двух выпусках мы затронули очень важную тему, без которой прогнозирование по футболу в 2018 году просто невозможно. Речь пойдет о моделе xG.

В самом начале статьи хотелось бы напомнить вам, что для обучения заработку ставками лучше всего пользоваться сайтом https://xscore.win Так же данный сайт является мировым лидером в области xG статистики.

Что же такое xG модель? xG («expected goals») – это модель ожидаемых голов. В основе её лежит показатель ударов по воротам, на основе которого мы можем оценить сколько реально голов должна была забить команда, если учесть все удары которые она нанесла. Это очень похоже на EV показатель в покере, так что тем кто играет в покер профессионально это все должно быть очень знакомо.

xG работает следующим образом, каждому удару в матче присваивается коэффициент опасности. Коэффициент опасности это по сути ВЕРОЯТНОСТЬ ЗАБИТЬ ГОЛ.

В совокупности эта система нам показывает, что непосредственно сами голы – очень ненадежный показатель команды в конкретном матче. Она помогает выявить недооцененные команды, которым сейчас не везет и напротив команды, которым очень сильно везет. Из-за чего слабая часть пула игроков которая не учитывает данный показатель, будет их недооценивать или напротив переоценивать.

К примеру, если команда за 10 матчей набрала 18.4 ожидаемых голов по xG, а её фактический результат составляет всего 8 голов за 10 туров, то это говорит о том, что данной команде очень сильно не везет в атаке и стоит рассмотреть ставки на нее в дальнейшем, особенно против команд, которым наоборот везет. Или же рассмотреть ставки на тотал больше этой команды, который так же будет недооценен, ведь данная команда забила намного меньше голов, чем должна была. Так как базовая статистика которую мы привыкли видеть, никак не отображает показатель везения. Если вы в базовой статистике увидите команду с 8 голами за 10 туров, то решите, что это слабо результативная команда, хотя на самом деле проблема команды заключается в том, что на данный момент у команды черная полоса с реализацией моментов.

Футбол спорт с очень низкой результативности и голы как правило не показывают реальную ситуацию на поле. Поэтому чтобы нам лучше ориентироваться в футболе, система xG приходит нам на помощь помогая оценить качество игры команд лучше, чем это делают голы или турнирная таблица. На основе xG строят ставки в настоящее время все серьёзные бетторы.

Кстати, помимо xG голов, есть еще множество других интересных статистических показателей, работающих по тому же принципу и на которые практически никогда не обращают внимание. Например, любой навес с фланга несет в себе %, при котором нападающий ударит с опасной зоны и будет иметь высокую вероятность забить гол. Поэтому если футболист попытался навесить в опасную зону, а его навес блокировали, то этот навес все равно включал в себя % гола. На сленге футбольных комментаторов это называется «назревает гол», это фактически, когда не видно ни одного удара по воротам, зато регулярно идут навесы или прострелы в опасную зону, которые не проходят по причине блокировки защитниками или неточности навеса.

Но нас интересует тот факт, что никогда такой навес или пас не пойдет ни в одну популярную статистику, которую смогут использовать большинство игроков. Поэтому если вы пользуетесь таким продвинутым методом, то сможете быть далеко впереди пула игроков.

И xG, как я уже сказал ранее, способна выявить недооцененные команды, которые хорошо выступают из матча к матчу и должны выигрывать большинство матчей, но им не везет, и из-за неудачных стечений обстоятельств они регулярно теряют очки и получают незаслуженную критику в свой адрес.

До появления xG все удары в статистике были безликими сухими числами, и это была главная проблема.

Равнялся этому (С 3 минуты, 22 секунды)

Рассмотрим два удара из видео выше.

В первом случае Квальярелла бьет рабочей правой ногой с очень близкого расстояния, практически без помех, вероятность гола в этом моменте должна быть близка к 100%.

Во втором же моменте Д’Алесандро бьет из-за предела штрафной, при этом удару предшествуют события, которые явно не повышают вероятность забить гол. Я имею в виду неудобную для удара позицию с разворота, так же впереди и по бокам от него 4 игрока соперника. Все это в сумме уменьшает вероятность забить гол. Из этой позиции в такой ситуации он забьет не чаще, чем 1 раз из 20-25 ударов. А значит максимальная вероятность забить гол здесь не более 4-5%.

Как вы видите удару Квальяреллы он присвоил 84%, а удару Д’Алессандро 3%.

Давайте теперь рассмотрим какие же факторы влияют на вероятность гола в том или ином моменте?

На самом деле факторов, влияющих на вероятность гола во время удара бесчисленное количество, вплоть до того в каком настроении игрок, куда дует ветер в данный момент или что ел сегодня на завтрак игрок. Все эти факторы безусловно так или иначе влияют на вероятность поразить ворота, но во-первых эти факторы относятся к разряду тех, которые практически невозможно отследить и просчитать, а во-вторых эти факторы очень слабо влияют на вероятности, по сравнению с некоторыми другими, которые непосредственно очень сильно влияют на вероятности и являются ключевыми.

Я выделю три ключевых фактора, которые влияют на вероятность гола:

1. Расстояние до ворот.

2. Угол относительно линии, делящей поле пополам в продольном направлении. Относительно этой линии строится угол от точки удара до точки середины ворот. (см. скрин ниже)

Теперь я пробегусь вкратце по этим 3 факторам и начну с первого, а именно с расстояния до ворот. К примеру, если игрок бьет с 80 метров, то какие бы не были данные у двух остальных факторов, вероятность забить гол будет низкая.

Что касается второго пункта, если игрок бьет с нулевого угла, то его уже не спасет маленькое расстояние до ворот и отсутствие помех в виде защитников. Так как поразить ворота с острого угла очень тяжело.

То же самое справедливо и с блокировкой мяча. Если вплотную на расстоянии 10 сантиметров перед мячом 3 игрока соперника, плюс вратарь на линии, то все остальные факторы уже не важны, так как поразить ворота с такой позиции практически невозможно, т.к. практически все удары будут заблокированы соперником, а значит вероятность гола здесь близка к нулю.

Так что эти 3 фактора являются по сути равномерными, и их вы можете ставить в любой последовательности, так как каждый из них существенно влияет на вероятность поразить ворота.

Есть и другие факторы, такие как скилл игрока, скилл вратаря, какой частью тела бьет игрок, сколько игрок пробежал перед ударом и многое другое, все это безусловно тоже важно, но все эти факторы значительно уступают по важности 3 вышеперечисленным, так как не влияют существенно на вероятность забить гол. Да от этих факторов вероятность реализации изменяется, но не настолько сильно как от основных факторов.

Вот так на основании различных факторов и определяется вероятность гола для каждого удара, то есть вне зависимости от того куда полетел мяч после удара, на трибуны или в сетку ворот на оценку вероятностей это не влияет никоим образом, оценка вероятности происходит в момент удара.

Посчитав вероятности гола во всех ударах команды за матч, мы складываем эти вероятности и получаем альтернативный счет матча по xG. И с помощью этого альтернативного счета по xG мы и можем строить всевозможные модели прогнозирования вероятностей исходов событий. О них мы поговорим в следующих статьях!

Источник

xG в футболе и ставках: что это такое и зачем нужно?

xG-статистика в футболе. Что это значит?

Показатель xG (expected goals) – это ожидаемое количество голов, которое команда должна была забить исходя из качества созданных моментов. хG указывает на альтернативный результат уже завершившегося матча, который наиболее объективно отражает происходящее на поле. Искать оценку по xG можно на бесплатных ресурсах (например, на understat.com).

Такое сопоставление ожидаемых и фактических голов ещё называют терминами «система xG», «модель xG», «коэффициент xG».

xG дает бетторам и капперам более точный способ прогнозирования результатов матчей, чем использование отдельных статистических данных.

Как работает xG?

xG анализирует все удары по воротам. В зависимости от опасности удара, присуждается своя оценка от 0 до 1. xG – это сумма оценок нанесённых ударов.

Откуда берутся эти «оценки» удара ( 0.10, 0.55 и 0.35 )? Это вероятность гола из этой ситуации. Например, оценка удара – 0.55. Это значит, что гол из этого положения забивается в 55% случаев. Модель xG построена встроена в ряд аналитических сервисов.

xG команды можно рассматривать как в отдельном матче, так и на длинном отрезке (один или несколько футбольных сезонов). Также посмотреть xG можно не только команды, но и конкретных футболистов.

Примеры xG

Статистика xG позволяет сопоставить фактические и ожидаемые голы. На основе полученных результатов можно понять, повезло команде или нет в рассматриваемом матче.

xg в футболе пример

Еще один пример из статьи:

xG для ставок и прогнозов на футбол

Также xG дает рассмотреть и другие важные детали. Например:

Статистика xG может плохо проявить себя на короткой дистанции (в одном или нескольких матчах). Но на длинном отрезке результаты по фактическим и ожидаемым голам выравниваются.

Рассмотрим показатели «Ювентуса» по голам в Серии А за сезон 2019-2020. Данные взяты с сервиса understat.com. На рисунке ниже показано количество голов «Ювентуса», забитых разным способом: с игры и со стандартных положений. Если посмотреть на колонку справа, то убедимся, что показатели xG практически соответствуют реальному количеству голов.

xG – это полезный инструмент в руках беттора для эффективной игры в букмекерской конторе. Если в руках игрока есть статистика xG, он может спрогнозировать количество реальных моментов, которые команды создадут в предстоящей игре (но не стоит забывать, что количество не всегда перерастает в качество).

xG – это лишь помощник для анализа матча, а не гарантия успешной ставки.

Критерии, влияющие на оценку удара в xG

Характеристики, которые учитываются при оценке удара по воротам, иногда отличаются на разных ресурсах. Но чаще в расчёт берутся следующие параметры:

Где искать статистику xG?

Игроки бесплатно могут ознакомиться с xG статистикой на портале Understat.com. Доступно 5 европейских топовых лиг плюс РПЛ. Отметим, что сайт обладает очень удобным функционалом.

Ознакомиться с xG показателями можно и в твиттер Caley Graphics. Майкл Келли – эксперт по xG. Аналитик регулярно выкладывает в соцсеть статистику xG для топовых матчей, сопровождая это комментариями.

Я показал, что xG превосходит другие системы на основе ударов по воротам во многих отношениях, и исследования Сандера из 11tegen11 продемонстрировали аналогичное превосходство xG.

На картинке ниже пример анализа игры Майкла Келли. Здесь показаны удары по воротам команд и голы.

Также xG предоставляет сайт Betweentheposts.net. Доступно 10 футбольных турниров. Чтобы получать расширенную статистику по всем этим лигам, нужно платить 50 евро в год. Бесплатный анализ матчей по xG даётся в инстаграм @betweenthepostsfootball.

Слабые места модели xG

xG – полезный инструмент для анализа матчей и составления прогнозов на спорт, но не без минусов. Перечислим их:

Нет удара – нет прироста показателя xG. Игрок может банально не попасть по мячу с расстояния один метр до ворот. И этот опаснейший момент xG не будет принимать в расчёт.

Футболист может заметить, что вратарь зазевался и находится далеко от вратарской линии, и целенаправленно пробить по воротам из центра поля. xG покажет оценку для этого удара максимально низкую (0.01). Хотя в действительности шансы поразить цель будут намного выше.

Модель xG не имеет высокой точности. Однако это полезный помощник для изучения эффективности атакующего потенциала клуба или игрока.

Источник

Как xG захватывает мир футбольной статистики

Блог Hello подробно рассказывает об одном из самых важных и недооцененных статистических показателей.

Эгил Ольсен – бывший тренер сборной Норвегии и автор одной из первых xG-моделей

Что такое xG?

xG («expected goals») – это модель ожидаемых голов. В основе такой модели лежит показатель (как правило, удары по воротам – это не всегда удары по воротам, но на данном этапе будем отталкиваться от того, что они и есть наш показатель), который помогает заглянуть дальше счета на табло и оценить, сколько голов при прочих равных должна была забить команда с ударами такой остроты.

Каждому удару каждой команды присваивается коэффициент опасности (в каждой xG-модели он присваивается по-разному, с конкретными примерами разберемся позже). Коэффициенты суммируются – мы получаем что-то вроде альтернативного счета матча, основанного на качестве созданных каждой из команд моментов. Следует оговориться, что в качестве базового показателя не всегда выступают удары по воротам (иногда это удары в створ, в одной из последних моделей и вовсе передачи в «убойной зоне»).

Ольсен признавал, что не все удары равны, поэтому однажды он решил разделить удары по воротам на 3 категории: «очень большая перспектива гола», «средняя перспектива гола» и «гол практически исключен». Вооружившись этой простой моделью, Ольсен провел немало исследований и пришел к неожиданному для себя выводу – переход от простого подсчета ударов к модели с 3 категориями не оказал практически никакого влияния на его исследования. Как правило, на дистанции количество ударов разных категорий уравновешивалось.

Конечно, система и ключевой вывод Ольсена были далеки от идеала по банальной причине субъективности модели, которую, откровенно говоря, смешно сравнивать с современными аналогами, учитывающими в каждом ударе десятки объективных факторов. Но этот пример отлично олицетворяет простоту принципов, которые лежат в основе xG-моделей. Каждый из вас при желании может пройти путем Ольсена – хотя, используя только субъективные показатели, вы не получите ничего, кроме систематизированной версии вашего восприятия моментов каждой из команд (что тоже может быть полезно).

И действительно, несмотря на модную аббревиатуру и многочисленные попытки записать xG в «advanced stats», одно из главных достоинств показателя в его простоте. Сразу понимаешь, что перед тобой сумма остроты всех созданных командой моментов. Точно так же даже интуитивно без труда можно прийти к выводу, что, если команда выступает лучше, чем должна, исходя из xG-модели, то она… выберите определение, которое вам ближе – в отличной форме/дико эффективна/слишком удачлива.

Кто уже пользуется xG?

Мэттью Бенхэм (слева на фото) использует модель для управления «Брентфордом» и «Мидтьюлландом»

Однажды владельца «Брентфорда» Мэттью Бенхэма спросили, как он оценивает шансы клуба на промоушн. За несколько туров до финиша команда шла на 3-й позиции в Лиге 1, но вместо стандартной фразы аля-«Верю, что поборемся!» с предельно серьезным выражением лица Бэнхэм ответил: «На данный момент наши шансы на выход в чемпионшип – 42,3%».

История Бенхэма (по крайне мере, та ее версия, которую он сам предпочитает рассказывать) очень интересна и даже вдохновляюща. Мэттью сколотил многомиллионное состояние, регулярно обыгрывая футбольных букмекеров. Разумеется, свою систему он не думает раскрывать, но известно, что он исходил из тезиса, что «голы – очень ненадежный показатель истинного уровня игры команды в конкретном матче». Как следствие, используя другие показатели можно выявить недооцененные (в том числе букмекерами) команды. Среди показателей, которые он использовал, ключевую роль играла его собственная основанная на ударах по воротам xG-модель.

Теперь Бенхэм владеет не только «Брентфордом» (уже добравшимся до чемпионшипа), но и «Мидтьюлландом» (который, благодаря его аналитическим методам, стал чемпионом Дании и выбил «Саутгемптон» из Лиги Европы). Он также управляет компаниями SmartOdds (контора, предоставляющая данные профессиональным игрокам на ставках) и MatchBook (букмекерская контора).

«После каждого матча мы анализируем количество созданных командой моментов и количество ожидаемых голов, которые мы должны были забить с моментами такого качества. На данный момент существует дефицит между качеством наших шансов и количеством забитых нами голов», – сказал на одной из пресс-конференций этого сезона Арсен Венгер.

Цитата послужила не только подтверждением того, на каком уровне уже используется показатель, но и того, насколько хорошим индикатором качества игры он может быть. Вывод из модели, которую использует «Арсенал», вполне совпадал с данными общедоступных xG-моделей. Как и следовало ожидать, исходя из xG-данных, результаты команды резко улучшились. После той самой пресс-конференции «канониры» выиграли 7 из следующих 8 матчей АПЛ (до – 1 из 3).

Разумеется, каждому такому случаю нужен контекст, и причина такого контраста не только в регрессии к среднему, но это далеко не первый случай за последние годы, когда xG-данные успешно предсказывают ренессанс команды (несколько примеров из прошлого сезона – победная серия «Ньюкасла» при Пардью в первой половине сезона, «Арсенал» и «Барселона» во второй части сезона).

В октябре этого года глава статистической компании 21st Club Омар Шадхури сообщил, что минимум один владелец клуба АПЛ на еженедельной основе изучает данные модели ожидаемых голов.

В недавнем интервью Дамьен Комолли рассказывал, как во время его работы в «Ливерпуле» принималось решение о потенциальной смене вратаря. Он не называет используемую методику xG-моделью, но описывает очень схожие принципы.

Люди из футбольного мира крайне неохотно делятся настолько глубокой информацией о своих методах. Практически уверен, что скоро мы узнаем о новых случаях применения xG-моделей, но и этих примеров должно быть достаточно, чтобы показать растущую значимость метода.

Что xG может показать?

Модели ожидаемых голов можно сравнить с моделями предсказание итогов выборов. Не существует 0,21 гола или голоса, но, присваивая им основанные на определенных факторах коэффициенты, можно получить массу дополнительной информации о выборах и футбольных матчах.

Модели ожидаемых голов никогда не станут инструментом предсказания отдельных матчей (просто-напросто потому что 20-40 ударов, которые наносятся за матч, никак не соответствуют нескольким миллионам голосов, и их недостаточно для полноценной регрессии к среднему), но они несут важную информацию о качестве моментов команды в матче, следовательно, и об общем качестве ее игры.

Футбол – спорт очень низкой результативности. Вместе со значимостью отдельных эпизодов (как правило, голов) неизбежно растет значимость удачи/фактора случайности. При прочих равных можно утверждать, что хорошая модель ожидаемых голов отражает качество игры команд намного лучше турнирной таблицы и меньше зависит от случайностей.

Как уже упоминалось ранее, существенные расхождения в xG-результатах и реальных результатах нередко сокращаются на более-менее продолжительной дистанции. У случаев, когда этого не происходит, могут быть разные причины, например: 1. тренер команды, которая показывала результаты, но плохо играла, не игнорировал слабое качество игры и внес изменения. 2. команда – интересный пример для изучения, а модель недооценивает какой-то из аспектов ее игры. 3. даже на дистанции всего сезона команды наносят около 600 ударов, что не так уж много для регрессии к среднему.

Подытоживая, хорошая xG-модель в правильных руках может служить: 1. индикатором удачи/неудачи команды в отдельном матче (разумеется, только при значительном расхождении с реальным результатом). 2. базисом для долгосрочных прогнозов (слово «базисом», а не самим прогнозом, тут ключевое и, разумеется, с любыми прогнозами нужно быть острожными, но, пожалуй, xG – лучшая из доступных для футбольных прогнозов альтернатив).

Какие xG есть в открытом доступе уже сейчас?

Модель Майкла Кэйли

Основана на: ударах по воротам

Мой комментарий: пожалуй, лучшая из общедоступных моделей ожидаемых голов. Хорошо продумана, значимость практически каждого из факторов основана на серьезных статистических исследованиях; также постоянно совершенствуется автором.

Пример xG-карты матча:

Как следить: твиттер автора, время от времени обновляемые страницы с данными по АПЛ и европейским лигам.

Модель tegen11

Основана на: ударах по воротам

Краткое описание модели: каждому удару присваивается коэффициент от 0 до 1 в зависимости от типа удара, позиции нанесения удара, места начала атаки, приведшей к удару, типа паса, который привел к удару, типа момента перед ударом, скорости атаки, положения команды в матче.

Мой комментарий: альтернатива модели Кэйли. Тоже использует данные от Opta и учитывает практически всю возможную информацию об ударе.

Расхождения между двумя моделями не так уж велики. Например, tegen11 включает пенальти в модель с коэффициентом 0.76, Кэйли считает нецелесообразным сравнивать их с остальными эпизодами и просто отдельно помечает, что во встрече был пенальти, но не включает их в модель. Или: tegen11 учитывает скорости атаки, Кэйли отражает схожую информацию в типе атаки.

Пример xG-карты матча:

Как следить: твиттер автора.

Модель Пола Райли

Основана на: ударах в створ ворот

Краткое описание модели: каждому удару в створ присваивается коэффициент от 0 до 1 в зависимости от позиции нанесения удара.

Мой комментарий: слишком упрощенная модель. Упомянул ее только из-за удобных и оперативно обновляемых таблиц (см. ниже) и архива данных за последние сезоны АПЛ.

Каковы основные недостатки xG?

Этот раздел будет скучным (прямо очень, даже скучнее того, что вы прочитали проскролили выше) с кучей технических моментов. Я не обижусь, если вы его пропустите. Для тех, кто пойдет этим путем, отмечу: xG вполне работоспособная и даже крутая вещь, а речь пойдет о мелких недостатках, среди них нет критических огрехов, которые перечеркнули бы изложенную выше пользу от моделей.

Разберемся в недостатках на примере модели Майкла Кэйли, которой я пользуюсь чаще, чем остальными.

1. Ситуации, которые не завершаются ударом

Нет удара – нет увеличения xG. Но отдельные эпизоды, которые не завершаются ударом, выглядят острее большинства ударов (особенно дальних, которые засчитываются, пускай и с небольшим коэффициентом). В идеале такие моменты хотелось бы отражать, но делать это объективно и автоматически на данном этапе невозможно. Недостаток некритический, так как едва ли в мире есть команды, умышленно не бьющие из выгодных позиций.

2. Дальние удары

Есть тот тип дальних ударов, которые наносят только в том случае, если игрок заметил серьезный изъян в позиции вратаря и верит в значительную вероятность гола. Например, xG-вероятность голов Чарли Адама, Микеля Сан Хосе и Алессандро Флоренци стремилась к 0, что логично исходя из позиции удара, но на деле она должна была быть выше, так как игроки в 99% случаев не бьют из таких позиций, если не видят ошибку в позиции вратаря.

3. Модели все равно, кто бьет

Разумеется каждый из нас предпочел бы видеть Лионеля Месси, а не Джонни Эванса, выходящего 1 на 1 с вратарем соперника в футболке любимой команды. И, пожалуй, наоборот Эванса, а не Месси, в ситуации с ударом головой в борьбе после углового. Модель на данный момент не в состоянии учесть разницу в мастерстве игроков завершать атаки.

Проблема не в последнюю очередь в том, что эдакий скилл завершения атаки в футболе практически невозможно измерить: 1. в футболе наносится слишком мало ударов для того, чтобы объективно оценить даже тех нападающих, которые бьют чаще остальных (например, часто бьющие хоккеисты наносят порядка 800 ударов за сезон, у часто бьющих футболистов уходит 5-6 лет на аналогичное количество ударов). 2. из-за такого малого количества ударов цифры реализации ударов сильно разнятся у одних и тех же игроков от сезона к сезону.

Можно привести массу отдельных вопиющих примеров, подчеркивающих значимость скилла завершения атаки у отдельных игроков, но два важных момента, позволяющих не считать недостаток критическим: 1. в последние годы поддерживать уровень реализации, который был бы стабильно выше показателя голов, которые они должны были забить, исходя из xG, удавалось только 2 игрокам (да-да, Месси и Роналду). 2. статистика показывает, что при сравнении большого количества игроков значимость этого фактора уменьшается:

4. Практически невозможно полностью учесть расположение защитников

xG-модели пытаются обойти этот момент. Например, учитывая скорость развития атаки, наличие явной индивидуальной ошибки защитника, обводки футболистом противника перед ударом и т.п. Но все это не одно и то же с реальным осознанием того, сколько давления со стороны оборонительной стороны оказывается на игрока в момент удара. К сожалению, в рамках показателей, которые считает Opta, пока нет объективного способа это отразить.

5. Слегка недооцениваются команды, которые умышленно медленно атакуют

Утверждение, что при прочих равных быстрые атаки опасней и с большей вероятностью могут завершиться голом, правдиво и подтверждается статистикой. Разумеется, проще атаковать соперника, чьи игроки еще не успели вернуться в оборонительную схему. Разумеется, в большинстве случаев затянувшееся владение мячом будет означать просто-напросто то, что команда ничего не может поделать с обороной противника.

6. Трудности с ситуациями с несколькими ударами за одну атаку

Допустим, команда наносит 4 убойных удара за одну атаку. Сумма их xG-коэффициентов составляет, например – 1,44. Но мы же отлично понимаем, что даже теоретически команда не может забить больше 1 гола за одну атаку. Следовательно, засчитывать ей 1,44 в корне неверно. А что верно? Засчитать только самый опасный из 4 ударов (на данный момент применяется именно это решение)? Логично, но тоже не до конца верно так, как вероятность забить гол в атаке с 4 убойными ударами выше, чем вероятность забить одним, самым опасным, из этих ударов.

7. Автоголы, пенальти

На данный момент они просто-напросто не учитываются, а помечаются отдельной строкой.

Итого

xG-модели – полезнейший инструмент для глубокого и достаточно объективного анализа, а также неплохой для долгосрочных прогнозов. Более того, как показывает практика, система может быть полезна не только аутсайдерам футбольного мира (нам), но и самим клубам. Вполне возможно настанет день, когда владельцы будут широко ее применять для решений о тренерских отставках/назначениях, а сами тренеры – для выбора момента смены тактики. Что станет существенным шагом вперед от текущий ситуаций, в которой большинство решений принимаются на основе общественного мнения/давления и рэндомных факторов (конечно, при условии, что она будет не единственным ориентиром таких решений, а только одним из).

Если мне удалось заинтересовать вас, но у вас остались вопросы – велкам в комментарии. Если вы не согласны с ключевыми выводами по моделям – аналогично, буду рад обсудить с вами их критику.

Топовое фото: Global Look Press/Carmen Jaspersen/dpa

Источник