En analys av olika modeller för förväntade mål.

Fotboll går ut på att göra mål mot dina motståndare utan att låta dem göra mål. Det låter enkelt, men på grund av faktorer som slump och tur får lag inte alltid de resultat de "förtjänar".

Därför är dataanalys och mätvärden som förväntade mål användbara vid spel på sportodds. Vi kan analysera resultat ur en mer analytisk synpunkt och ge substans till påståenden som "de hade otur som inte vann".

Eftersom skott ligger bakom mål är skottdata nyckeln till en modell för förväntat antal mål.

Förväntade mål (ofta förkortat till xG) är en form av dataanalys som fotbollslag använder och är något som blir allt populärare bland oddsspelare. Statistik om förväntade mål finns lättillgänglig online men den är inte alltid lika eftersom olika modeller används för att beräkna den.

Modeller kan sträcka sig från enkla till komplexa och nedan följer en förklaring av hur olika modell för förväntat antal mål fungerar. Så vad är mekaniken bakom dessa olika modeller och hur olika är de utdata som de producerar?

Använda vanlig skottstatistik

Andrew Beasley har tidigare förklarat hur man beräknar förväntade mål med hjälp av vanlig skottstatistik. Eftersom skott ligger bakom mål är skottstatistik avgörande för alla typer av modeller för förväntat antal mål. Det finns otaliga händelser inom en fotbollsmatch som bidrar till att ett mål görs, men när man försöker förutse detta specifika resultat så är skott utan tvekan den viktigaste.

Det här är ett enkelt tillvägagångssätt som använder vad Opta benämner en "stor målchans" – en situation där en spelare rimligen bör förväntas göra mål – såväl som skott tagna både inuti och utanför straffområdet.

Omvandlingsfrekvensen från de senaste fem Premier League-säsongerna innebär att en stor målchans har ett xG-värde på 0,387 (38,7 % målchans), skott innanför straffområdet har ett värde på 0,070 och de utanför straffområdet har ett värde av 0,036.

Detaljerad analys av skottstatistik

Med tanke på fotbollsplanens storlek kan de olika vinklarna från vilka ett skott kan tas och den inverkan det har på sannolikheten för mål, oavsett om en modell analyserar skottläge mer detaljerat eller inte, påverka utgången för förväntade mål. 

Även om det liknar Andrew Beasleys grundläggande målmodell använder den här typen av tillvägagångssätt en mer djupgående analys av den plats ett skott tas från för att tilldela sitt xG-värde. Det enklaste sättet att göra det på är att dela upp platserna på planen där skotten gjordes i ett rutnät och markera varje skott.

Fördelen med att använda den här typen av modell är att den tar med i beräkningen skillnaden om huruvida en spelare som skjuter direkt framför målet (mycket sannolikt att göra mål) och en spelare som skjuter från en spetsig vinkel (mycket mindre sannolikt att göra mål) såväl som om skottet kom från en spelares huvud (svårare att göra mål) eller fot (lättare att göra mål).

Paul Rileys modell är ett bra exempel på att ta en något mer avancerad metod för att analysera skottpositionsdata när man bygger en xG-modell.

Överväga anfallsprocessen

Det är förstås inte bara varifrån ett skott tas från och vilken kroppsdel som används som avgör sannolikheten för att ett målförsök lyckas. Spelsekvensen som föregår ett skott kommer att påverka sannolikheten.

Istället för att bara ange ett xG-värde till ett skott baserat på varifrån det togs kommer vissa modeller att titta på hur skottmöjligheten skapades (ett inlägg, en genomskärare, en kontring etc.) och analysera hur skott togs mer i detalj (ett skott efter en lyckad dribbling, en återstuds efter en räddning osv.).

Naturligtvis kräver denna typ av modell mycket mer data och resurser att både skapa och underhålla – 11tegen11:s xG-modell är ett exempel på en modell för förväntat antal mål som tar hänsyn till den bredare anfallsprocessen när man tilldelar sitt xG-värde till skott.

Effekten som försvaret har på xG

Alla de tre tidigare sätten att skapa modeller för förväntade mål gör ett bra jobb med att uppskatta hur många mål ett lag kan förväntas att göra i en match eller över en hel säsong. Det finns emellertid andra variabler som bidrar till en potentiell målchans.

I stället för att bara ange ett xG-värde till ett skott baserat på varifrån det togs, ser vissa modeller till hur skottläget skapades och analyserar hur skottet togs mer i detalj.

Fotboll handlar inte bara om anfall. Defensiv positionering och att minska motståndarlagets chans att göra mål är lika viktigt – försvarare kan tvinga en spelare att skjuta på ett annat sätt eller göra justeringar alldeles innan skott som gör det svårare att göra mål.

Förutom att analysera hela anfallsprocessen med allt från hur en målchans skapas till var den äger rum, så ger avstånd till motståndarnas försvarare och hur det påverkar kvaliteten på ett skott en ny detaljnivå till en modell för förväntade mål.

Det betyder att man tittar på var målvakten och försvararna är placerade i förhållande till var ett skott tas från i hopp om att producera det mest exakta förväntade målresultatet av alla.

Vilken sorts modell för förväntat antal mål är mest exakt?

Nu när vi vet hur olika modeller för förväntat antal mål fungerar kan vi börja analysera vilken metod som ger de mest exakta resultaten. I tabellen nedan jämförs den faktiska målskillnaden för varje lag från Premier League-säsongen 2016/17 och den förväntade målskillnadsutgången med de olika målmodellerna som nämns ovan.

Det bästa sättet att bedöma precisionen i vart och ett av dessa tillvägagångssätt är att identifiera standardavvikelsen. Detta görs genom att kvadrera skillnaden i faktisk målskillnad med förväntad målskillnad för varje lag, beräkna medelvärdet och sedan hitta kvadratroten av det genomsnittet.

Som du ser är de tre olika tillvägagångssätten otroligt lika i de resultat de producerade i form av förväntad målskillnad i Premier League-säsongen 2016/17. Endast 0,91 standardavvikelse skiljer alla tre trots de olika nivåerna på data som använts.

En säsong (380 matcher) är dock inte ett tillräckligt stort urval för att med säkerhet avgöra att ett tillvägagångssätt är bättre än ett annat. Dessutom är det mer sannolikt att beräkning av standardavvikelse per match ger större insikt i varje modells precision och hur nära de är för att förutsäga antalet mål som kommer att göras i en match.

Vill du lära dig mer om förväntade mål?

Om du vill veta mer om förväntade mål och tillämpa denna kunskap på betting har Andrew Beasley skrivit om hur det här mätvärdet kan tillämpas på Premier League-betting.

Du kan även följa Paul Riley och 11tegen11 på Twitter och ta del av Pinnacles diskussionsdag om förväntade mål 2017-10-09.