Expected Goals — kurz xG — ist die Kennzahl, die den modernen Fußball verändert hat. Nicht weil sie Tore vorhersagt, sondern weil sie etwas Grundlegenderes misst: die Qualität von Torchancen. Wer die Expected Goals Erklärung einmal verstanden hat, sieht Fußball mit anderen Augen — und bewertet Wetten auf einer solideren Grundlage als mit Tabellenständen und Bauchgefühl.
Die Idee hinter xG ist einfach. Jeder Schuss im Fußball hat eine statistische Wahrscheinlichkeit, im Tor zu landen. Ein Elfmeter trifft öfter als ein Distanzschuss aus 30 Metern — das ist offensichtlich. xG macht diese Offensichtlichkeit messbar: Ein Elfmeter bekommt einen xG-Wert von 0,77, ein Distanzschuss vielleicht 0,03. Die Summe aller Schusswerte eines Teams ergibt den xG-Gesamtwert für ein Spiel — eine datenbasierte Einschätzung dessen, was das Ergebnis hätte sein sollen.
Was xG nicht ist: ein Maß für Ballbesitz, Passgenauigkeit oder taktische Überlegenheit. Ein Team kann 70 Prozent Ballbesitz haben und trotzdem einen niedrigeren xG-Wert als der Gegner aufweisen — weil Ballbesitz allein keine Tore schießt. Erst die Qualität der Abschlüsse zählt. Jeder Schuss hat einen Wert, und xG macht diesen Wert sichtbar.
Die vier Faktoren der xG-Berechnung
Nicht jedes xG-Modell ist gleich aufgebaut — verschiedene Datenanbieter gewichten Faktoren unterschiedlich. Aber die Grundarchitektur ist bei den meisten Anbietern identisch. Das Modell von Bundesliga.com etwa basiert auf vier zentralen Kriterien, die für jeden Schuss berechnet werden: Distanz zum Tor, Winkel zum Tor, Spielgeschwindigkeit und Gegnerdruck.
Der erste Faktor — die Distanz — ist der intuitivste. Je näher der Schütze am Tor steht, desto höher die Trefferwahrscheinlichkeit. Ein Schuss aus fünf Metern Entfernung hat einen xG-Wert, der um ein Vielfaches über dem eines Schusses von der Strafraumgrenze liegt. Das klingt trivial, aber die Granularität des Modells geht weit über grobe Entfernungskategorien hinaus: Jeder Meter zählt, und die Kurve fällt nicht linear, sondern exponentiell ab.
Der zweite Faktor ist der Winkel. Ein Schuss aus zentraler Position vor dem Tor hat einen signifikant höheren xG-Wert als ein Schuss aus spitzem Winkel von der Seitenlinie. Der Grund ist geometrisch: Je spitzer der Winkel, desto weniger Torfläche sieht der Schütze — und desto leichter kann der Torwart den Schuss parieren oder der Ball geht am Pfosten vorbei. In der Praxis führt das dazu, dass Flankenabschlüsse oft niedrigere xG-Werte haben als Zuspiele durch die Mitte, selbst bei vergleichbarer Entfernung.
Dritter Faktor: die Spielgeschwindigkeit, oft gemessen als Geschwindigkeit des Ballkontakts vor dem Schuss. Ein Schuss aus dem Dribbling — also nach einer kontrollierten Ballführung — hat in der Regel einen höheren xG-Wert als ein Schuss aus vollem Lauf, weil der Schütze den Ball präziser platzieren kann. Umgekehrt sinkt der xG-Wert bei Direktabnahmen, weil die Fehlerquote steigt. Das Modell berücksichtigt hier die Anzahl der Ballkontakte vor dem Abschluss und die Geschwindigkeit der Spielaktion.
Der vierte Faktor — der Gegnerdruck — ist der komplexeste. Er misst, wie viele Verteidiger sich zwischen Schütze und Tor befinden und wie nah sie stehen. Ein freier Schuss auf leeres Tor hat einen xG-Wert nahe 1,0. Derselbe Schuss mit zwei Verteidigern in der Schusslinie sinkt auf einen Bruchteil. Moderne Modelle nutzen Tracking-Daten, um die Positionen aller Spieler im Moment des Schusses zu erfassen — das macht den Gegnerdruck zur rechenintensivsten Komponente.
Ein Sonderwert, den die Bundesliga explizit ausweist: der Elfmeter mit xG 0,77. Dieser Wert ergibt sich aus der historischen Verwandlungsquote und ist für alle Modelle ein Ankerpunkt. Er zeigt auch die Grenzen von xG: Selbst die scheinbar sicherste Torchance im Fußball hat eine Fehlschlagquote von 23 Prozent. Kein Schuss ist sicher, kein xG-Wert erreicht 1,0 — außer bei einem Schuss ins leere Tor ohne Gegenspieler.
Zusammen ergeben diese vier Faktoren ein Modell, das den Wert jedes Schusses auf einer Skala von nahe null bis nahe eins einordnet. Die Stärke von xG liegt darin, dass es den Zufall — ob ein Ball den Pfosten trifft oder einen Zentimeter daneben geht — herausrechnet und stattdessen die strukturelle Qualität einer Chance bewertet. Nicht das Ergebnis zählt, sondern der Prozess, der zum Abschluss geführt hat.
Beispiel: Ein Bundesliga-Spieltag in xG
Theorie ist hilfreich, aber xG entfaltet seinen Wert erst in der Anwendung. Ein typischer Bundesliga-Spieltag liefert regelmäßig Fälle, in denen das tatsächliche Ergebnis und der xG-Wert deutlich auseinanderfallen — und genau diese Diskrepanzen sind für Wettende relevant.
Stellen wir uns einen Spieltag vor, an dem Borussia Dortmund zu Hause gegen den SC Freiburg spielt. Dortmund gewinnt 1:0 — ein knappes Ergebnis, das auf ein enges Spiel hindeutet. Die xG-Werte erzählen eine andere Geschichte: Dortmund kommt auf 2,4 xG, Freiburg auf 0,6 xG. Dortmund hat also Chancen für mehr als zwei Tore kreiert, aber nur eines erzielt. Freiburg hatte kaum nennenswerte Abschlüsse. Das 1:0 war kein Ausdruck eines ausgeglichenen Spiels, sondern das Ergebnis ineffizienter Chancenverwertung durch Dortmund.
Was heißt das für die nächste Wette? Wenn Dortmund regelmäßig hohe xG-Werte produziert, aber unterdurchschnittlich viele Tore erzielt, spricht man von negativer Finishing-Varianz. Statistisch ist zu erwarten, dass sich diese Varianz über die Saison korrigiert — dass Dortmund in den kommenden Spielen also mehr Tore erzielt, als das aktuelle Ergebnis-Profil vermuten lässt. Für eine Over-Wette auf das nächste Dortmund-Spiel wäre das ein positives Signal.
Umgekehrt: Ein Team wie Union Berlin gewinnt 2:1 auswärts, kommt aber nur auf 0,8 xG. Beide Tore fielen aus Situationen mit niedriger Trefferwahrscheinlichkeit — ein Fernschuss und ein abgefälschter Freistoß. Hier liegt positive Finishing-Varianz vor: Union hat mehr Tore erzielt, als es nach Chancenqualität hätte tun sollen. In den nächsten Spielen wird diese Überperformance wahrscheinlich nicht anhalten. Ein kluger Wettender würde Union trotz des jüngsten Sieges nicht als stärker einschätzen, als es die Daten nahelegen.
Der Blick auf xG-Daten über einen ganzen Spieltag zeigt oft ein Muster: In etwa einem Drittel der Spiele weichen Ergebnis und xG signifikant voneinander ab. Diese Spiele sind die interessantesten für die Wettanalyse, weil sie Fehlbewertungen in den Quoten der folgenden Spieltage wahrscheinlicher machen. Die Buchmacher passen ihre Quoten an Ergebnisse an — aber nicht immer an die darunter liegenden Chancenwerte.
xG für Wettende: Praktische Anwendung
xG-Daten lassen sich auf mehrere Wettmärkte anwenden — nicht nur auf die Dreiweg-Wette. Der offensichtlichste Einsatz betrifft Over/Under: Wenn zwei Teams mit hohen xG-Werten aufeinandertreffen, steigt die Wahrscheinlichkeit für ein torreiches Spiel. Aber auch Ergebniswetten profitieren: Wer die xG-Werte beider Teams in eine Poisson-Verteilung einspeist, erhält eine Wahrscheinlichkeitsmatrix für jedes mögliche Ergebnis — und kann diese mit den angebotenen Quoten vergleichen.
Im Live-Markt entfaltet xG eine besondere Dynamik. Plattformen wie Understat und FBref aktualisieren xG-Werte inzwischen nahezu in Echtzeit. Wer während eines Spiels sieht, dass ein Team bei 0:0 bereits einen xG von 1,5 aufgebaut hat, weiß: Die Chancen standen gut, die Tore werden statistisch wahrscheinlich noch kommen. Das kann eine Live-Wette auf Over rechtfertigen — vorausgesetzt, die Quote ist noch nicht vollständig angepasst.
Dass datenbasierte Analysen auch auf regulatorischer Ebene an Bedeutung gewinnen, zeigt ein Blick auf die deutsche Glücksspielaufsicht. Ronald Benter, Vorstand der GGL, betonte 2024 den Wert faktenbasierter Diskussion und verwies auf Studien zu Spielerschutz und Kanalisierung, deren Ergebnisse in den Evaluierungsprozess des Glücksspielstaatsvertrags einfließen sollen. Die gleiche Logik — Daten statt Annahmen — liegt dem xG-Ansatz für Wettende zugrunde.
Auch die Technologie entwickelt sich weiter. Sportradar meldete in seinem Jahresbericht 2025, dass sein KI-gestütztes Überwachungssystem UFDS AI die Erkennung verdächtiger Spielmuster um 56 Prozent steigern konnte. Diese Systeme arbeiten mit ähnlichen Datensätzen wie xG-Modelle — Schuss- und Bewegungsdaten, die in Echtzeit verarbeitet werden. Was für die Integritätsüberwachung funktioniert, funktioniert im Prinzip auch für die Wettanalyse: Je besser die Daten, desto fundierter die Einschätzung.
Die praktische Empfehlung für den Einstieg: FBref und Understat bieten xG-Daten kostenlos auf Spiel- und Saisonebene an. Wer sich eine einfache Tabelle anlegt, in der er für jedes Spiel den xG-Wert und das tatsächliche Ergebnis einträgt, erkennt innerhalb weniger Wochen Muster — Teams, die konstant über- oder underperformen. Genau dort liegen die Quoten-Ineffizienzen, die datenorientierte Wettende suchen.