Expected Goals (xG): Brug Kampstatistik til Bedre Fodbold Odds
Jeg husker den første gang, jeg virkeligt lod xG styre en beslutning i stedet for min mavefornemmelse. Det var en Premier League-kamp i slutningen af 2018, hvor et mid-table hold havde vundet to kampe i træk 1-0 på dramatiske sidste-minut-mål. Markedet prissatte dem som klar favorit i næste runde. Deres rullende xG fortalte en anden historie: de havde skabt chancer svarende til 0,8 mål per kamp i gennemsnit, men havde scoret 2,0. Regression måtte komme — og den kom.
Expected Goals (xG) er et sandsynlighedsmål, der tildeler hver enkelt skudchance i en kamp en score mellem 0 og 1, baseret på skudtypen, afstanden til mål, vinklen, forsvarspositionerne og andre målbare faktorer. Summér alle xG-værdier for en kamp, og du har et mål for, hvor mange mål holdet “burde” have scoret, uanset hvor mange de faktisk scorede.
Det særlige ved xG er, at det skærer igennem støj. Et hold, der scorer fra tilfældige rebounds eller heldige afslutninger, har høj score men lav xG — og historisk regression viser, at de vil komme ned til deres reelle skudkvalitet over tid. xG er det værktøj, der identificerer hvor det sker.
Expected Goals: hvad modellerne måler
Alle xG-modeller bygger på samme grundlogik, men detaljerne varierer. Den typiske model inkluderer fem til tolv variabler per skud: afstand til mål, vinkel til målkassen, skudtype (fod, hoved, volley), bodypart, kampsituation (åbent spil, dødbold, kontraangreb), forsvarspres, målmandsposition.
Hver variabel vægtes statistisk baseret på hundredtusindvis af historiske skud. Et skud 12 meter fra mål, i god vinkel, uden pres, fra åbent spil kan have xG 0,25 — altså 25% chance for at blive mål. Et skud 30 meter fra mål fra en sur vinkel under pres kan have xG 0,02.
Den mest interessante kalibrering i moderne xG-modeller er “shot quality” som separat dimension fra “shot quantity”. Et hold kan have mange skud (høj kvantitet) men lav gennemsnitlig xG per skud — det er et hold, der bombarderer mål fra langt, uden store chancer. Omvendt: et hold kan have få skud men høj xG per skud — det er et hold, der skaber virkelige chancer gennem opbygget spil.
For bettere er distinktionen afgørende. Hold med høj skud-kvantitet men lav kvalitet er typisk dårligere, end deres skudstatistik antyder. Hold med lav kvantitet men høj kvalitet er typisk bedre, end deres målstatistik alene viser. Markedet prissætter ofte skud-kvantitet, fordi det er mere synligt — og det er her, xG-bettere finder systematisk edge.
Rullende xG over seneste 5-10 kampe
Sæsontotal-xG er for bredt. Rullende xG over seneste 5-10 kampe er det praktiske værktøj, der bruges af bettere, der arbejder med data.
Grunden: taktisk udvikling ændrer fordelinger over korte tidsrum. Et hold, der skiftede træner for fire kampe siden, har fundamentalt andre xG-egenskaber nu end i begyndelsen af sæsonen. Et hold med skader i forsvarslinjen kan have pludselig højere xG imod sig end sæsongennemsnittet antyder.
Praktisk metode: kig på rullende xG-for og xG-imod over seneste 5 kampe. Sammenlign med faktiske mål. Hvis et hold har scoret 8 mål på rullende xG-for på 5,2, har de outperformet med 54%. Regression er højst sandsynlig. Omvendt: hvis et hold har scoret 3 mål på xG-for 5,8, har de underperformet kraftigt, og reparation er sandsynlig.
70% af hele det online-baserede væddemål og kasino i Danmark i 2024 kom fra mobile enheder, og moderne xG-værktøjer er tilgængelige i mobil-optimerede apps og browser-dashboards. For første gang i historien er denne type avanceret statistik tilgængelig i realtid for amatør-bettere — ikke kun professionelle hedge funds og operatører.
En praktisk note: rullende xG er mest pålideligt i topligaer, hvor data-dækning er komplet. I lavere ligaer er data mindre konsistent, og rullende xG kan være støj frem for signal.
Kobling af xG til Over/Under og BTTS
xG’s største praktiske anvendelse ligger ikke i 1X2-markedet (hvor andre variabler som motivation og form dominerer), men i målmarkederne: Over/Under 2,5, BTTS og asiatiske mål-linjer.
Metoden: tag begge holds rullende xG-for og xG-imod. Gennemsnit af hjemmeholdets xG-for med udeholdets xG-imod giver forventede mål fra hjemmeholdet. Samme for udeholdet. Sum = forventet totalmål i kampen.
Eksempel: hjemmeholdet har rullende xG-for 1,8 per kamp, udeholdet har rullende xG-imod 1,6 per kamp. Forventet mål fra hjemme ≈ (1,8 + 1,6) / 2 = 1,7. Udeholdet har rullende xG-for 1,2, hjemmet har xG-imod 1,4. Forventet mål fra ude ≈ 1,3. Total forventede mål: 3,0.
Sammenlign med markedets Over/Under 2,5-odds. Hvis markedet tilbyder Over 2,5 på 1,75 (implied 57%), men din model antyder 65% sandsynlighed for 3+ mål, har du value. Bookmakerens model har muligvis andre vægtninger, men din enkle xG-tilgang har typisk 3-5% bedre kalibrering på markeder, hvor ineffektivitet findes.
For BTTS er samme metode anvendelig: hvis begge holds forventede mål er over 0,8, stiger BTTS Ja-sandsynligheden betydeligt. Hvis et af holdene har forventede mål under 0,6, falder BTTS Ja-sandsynligheden. Det samlede væddemålsmarked i Danmark var 2 207 millioner kroner i 2024, og Over/Under-markederne er blandt de mest likvide, hvilket betyder, at xG-baserede positioner sjældent kolliderer med markedsbegrænsninger.
Hvor man finder xG-data gratis på dansk
For ti år siden var xG et professionelt produkt, der kostede tusindvis af kroner per måned. I dag er det tilgængeligt gratis eller næsten gratis for alle, der tager sig tid til at lede.
Største gratis-kilder: Understat (dækker topligaer med rullende xG-tabeller), FBref (dækker bredere, inklusive Superligaen-data i begrænset omfang), WhoScored (leverer skudkort og xG-data integrerede med ratings), og flere avancerede Twitter/X-accounts, der offentliggør specifikke ligaers xG-rapporter efter hver runde.
Fodbold er suverænt Danske Spils største væddemålsmarked, og det er også det område, hvor xG-data er bedst dækket. For Premier League, La Liga, Bundesliga, Serie A og Champions League er data typisk komplet og opdateret inden for timer efter kamp. For Superligaen er dækningen mindre dyb men stadig brugbar — Understat dækker grundspillet, og flere danske statistik-accounts laver xG-analyser efter hver spillerunde.
En vigtig praktisk note: xG-modeller er ikke identiske på tværs af kilder. Understats xG og Opta’s xG kan give forskellige værdier for samme kamp, fordi de vægter variabler forskelligt. Beslut dig for én kilde som din primære, så du får konsistente sammenligninger over tid.
xG-spørgsmål
xG-data rejser praktiske spørgsmål, særligt omkring hvilken model der er bedst, og om data er brugbart i mindre ligaer.
xG og rullende statistik er fundament for datadreven betting. Hvis du vil bygge en fuld analytisk ramme, der kombinerer xG med value-begrebet, har jeg beskrevet de bredere principper i guiden til value betting på dansk.