Expected Goals (xG): Cosa Sono e Come Usarli per le Scommesse

Se c’è una singola metrica che ha rivoluzionato il modo di leggere il calcio negli ultimi dieci anni, sono gli Expected Goals. Li vedi ovunque: nelle grafiche post-partita di Sky, nei commenti degli analisti, nei report delle società di Serie A. Ma la domanda che quasi nessuno si pone è: come si usano gli xG per scommettere meglio?

Questa guida non è l’ennesima spiegazione di “cosa sono gli xG”. Qui partiamo dalle basi — sì, anche la definizione — ma andiamo molto oltre: come si calcolano, quali sono i diversi modelli, come interpretarli per il betting, come identificare squadre sopravvalutate e sottovalutate dal mercato, e come trasformare i dati xG in scommesse con valore reale. È il bridge tra la statistica e la scommessa — e se lo attraversi, non guarderai più una partita allo stesso modo.

Se parti da zero sulle scommesse, leggi prima la Guida Completa alle Scommesse Sportive. Se sai già come funzionano le quote e vuoi capire come usare i dati per trovarci il valore, sei nel posto giusto.

Cosa Sono gli Expected Goals: La Definizione che Conta

Gli Expected Goals (xG) sono una metrica statistica che misura la qualità delle occasioni da gol in una partita di calcio. Ad ogni tiro effettuato durante il match viene assegnato un valore compreso tra 0 e 1, che rappresenta la probabilità che quel tiro specifico si trasformi in gol, basata sull’analisi di centinaia di migliaia di tiri storici in situazioni simili.

Un valore di 0.05 xG significa che quel tipo di tiro, in quella posizione e con quelle caratteristiche, si trasforma in gol il 5% delle volte. Un valore di 0.76 xG corrisponde a un calcio di rigore (76% di conversione storica). Un valore di 0.95 xG è un tap-in a porta vuota da un metro.

La somma degli xG di tutti i tiri di una squadra in una partita dà il totale xG della squadra — cioè quanti gol “ci si sarebbe aspettati” che quella squadra segnasse, data la qualità delle occasioni create. Se una squadra ha generato 2.3 xG e ha segnato 0 gol, probabilmente è stata sfortunata. Se ha segnato 4 gol con 1.1 xG, ha avuto un rendimento ben sopra la media che probabilmente non si ripeterà.

Ecco perché è fondamentale per le scommesse: gli xG separano la performance reale dalla performance attesa. E nel betting, è la performance attesa — non quella passata — che ti dice dove scommettere domani.

Come Si Calcolano gli xG: Fattori e Modelli

Non tutti gli xG sono uguali. Il valore assegnato a un tiro dipende dal modello utilizzato e dai fattori che quel modello prende in considerazione. Ecco i principali.

I fattori base (presenti in tutti i modelli)

Distanza dalla porta: più sei vicino, più è probabile segnare. Un tiro da 5 metri ha un xG molto più alto di uno da 25 metri. Questo è il fattore più influente in assoluto.

Angolo di tiro: un tiro dalla posizione centrale ha un angolo più ampio sulla porta rispetto a uno dalla fascia. L’angolo determina quanto “specchio” della porta vede il tiratore.

Parte del corpo: i tiri di piede hanno un xG mediamente più alto dei colpi di testa, perché il piede offre più controllo e precisione. I tiri di testa da angolo o cross hanno un xG relativamente basso (0.04-0.08 in media).

Tipo di azione precedente: un tiro dopo un passaggio filtrante ha un xG diverso da uno dopo un cross, un corner, un dribbling o un errore difensivo. Le azioni che “tagliano” la difesa (passaggi filtranti, assist dal fondo) generano occasioni con xG più elevato.

I fattori avanzati (modelli premium)

Posizione del portiere: i modelli più sofisticati (come quello di StatsBomb) tengono conto di dove si trova il portiere al momento del tiro. Un tiro da 20 metri con il portiere fuori posizione ha un xG molto più alto dello stesso tiro con il portiere piazzato.

Posizione dei difensori: quanti difensori ci sono tra il tiratore e la porta? Il tiro è “aperto” (nessun ostacolo) o “chiuso” (difensore davanti)? Questo fattore cambia significativamente il valore xG.

Velocità dell’azione: un contropiede rapido con la difesa scoperta genera occasioni con xG più alto rispetto a un attacco posizionale contro una difesa schierata.

Stato dell’azione: il tiro arriva da un’azione su palla viva, da un calcio piazzato, da un rigore? Ogni situazione ha un profilo xG completamente diverso.

I Principali Provider di xG: Opta, StatsBomb, FBref

I dati xG non vengono calcolati da un’unica fonte. Esistono diversi provider, ognuno con il proprio modello. Conoscere le differenze è importante per interpretare correttamente i numeri.

Opta (Stats Perform) — il provider più diffuso nel calcio professionistico. Fornisce dati a Sky, BBC, e alla maggior parte dei media sportivi. Il modello Opta considera distanza, angolo, tipo di tiro, tipo di assist e situazione di gioco. Non include la posizione del portiere nei modelli pubblici. È il riferimento standard quando si leggono xG nei media mainstream.

StatsBomb — il provider con il modello più avanzato pubblicamente disponibile. Include la posizione del portiere, dei difensori e lo stato dell’azione. I dati StatsBomb sono disponibili gratuitamente su FBref.com per molti campionati. È considerato il gold standard dagli analisti.

Understat — fonte gratuita molto utilizzata dagli scommettitori. Copre i 5 principali campionati europei (Serie A, Premier League, Liga, Bundesliga, Ligue 1) con dati aggiornati partita per partita. Il modello è meno sofisticato di StatsBomb ma sufficientemente accurato per l’analisi betting.

FBref.com — il sito più completo per accedere ai dati StatsBomb gratuitamente. Copre decine di campionati con tabelle xG per squadra, per giocatore e per partita. È la risorsa #1 per qualsiasi scommettitore che voglia usare gli xG nel proprio processo decisionale.

FotMob, WhoScored, SofaScore — app e siti sportivi che mostrano xG nelle pagine delle partite. Utili per un controllo rapido, ma meno dettagliati delle fonti specializzate.

xGA, npxG, xGOT: Le Metriche Derivate che Devi Conoscere

Gli xG sono solo il punto di partenza. Esistono metriche derivate che offrono informazioni ancora più preziose per le scommesse.

xGA (Expected Goals Against)

Gli xGA sono gli xG della squadra avversaria — cioè la qualità delle occasioni che una squadra concede. Un valore xGA basso significa che la squadra è solida difensivamente e concede poche occasioni pericolose. Un xGA alto indica una difesa permeabile. Per le scommesse, il confronto xG-xGA ti dice se una squadra è offensivamente forte (xG alto), difensivamente solida (xGA basso), o entrambe le cose.

npxG (Non-Penalty Expected Goals)

Gli npxG escludono i calci di rigore dal calcolo. Perché è importante? Perché un rigore ha un xG fisso di 0.76, indipendentemente dalla qualità del gioco della squadra. Se una squadra ha 2.5 xG in una partita ma 0.76 provengono da un rigore, i suoi npxG sono 1.74 — un quadro molto diverso della sua pericolosità da gioco aperto. Per l’analisi betting, i npxG sono spesso più indicativi degli xG grezzi perché riflettono la capacità reale della squadra di creare occasioni.

xGOT (Expected Goals On Target)

Gli xGOT misurano la qualità dei tiri nello specchio della porta. A differenza degli xG base (che calcolano la probabilità del gol prima del tiro), gli xGOT considerano anche il piazzamento del tiro: un tiro nell’angolino alto ha un xGOT più alto di uno centrale. Questa metrica è particolarmente utile per valutare i portieri: un portiere che subisce meno gol dei suoi xGOT sta parando più del previsto; uno che ne subisce di più sta sotto-performando.

xA (Expected Assists)

Gli xA misurano la qualità dei passaggi che portano a un tiro. Un passaggio che mette il compagno nella condizione di tirare da posizione favorevole avrà un xA alto. È utile per valutare la creatività di giocatori e squadre: un centrocampista con xA alto ma pochi assist effettivi sta creando bene ma i compagni non stanno finalizzando.

xPts (Expected Points)

Forse la metrica più sottovalutata: gli xPts calcolano quanti punti in classifica una squadra “avrebbe dovuto” ottenere, basandosi sugli xG e xGA di ogni partita simulata migliaia di volte. La differenza tra punti reali e xPts rivela chi sta sovra-performando (e potrebbe regredire) e chi sta sotto-performando (e potrebbe migliorare). Per le scommesse antepost (vincente campionato, retrocessione), gli xPts sono oro puro.

Overperformance e Underperformance: Il Concetto che Cambia Tutto

Ecco il cuore dell’applicazione degli xG alle scommesse. Quando una squadra segna più gol dei suoi xG, sta overperformando. Quando ne segna meno, sta underperformando. E qui viene il bello: l’overperformance e l’underperformance tendono a regredire verso la media nel tempo.

Questo principio — chiamato “regressione verso la media” — è il fondamento di qualsiasi strategia betting basata sugli xG. Vediamo come funziona con un esempio.

Esempio pratico: la squadra “fortunata”

Immagina che dopo 20 giornate di Serie A, la Squadra X abbia segnato 35 gol con soli 28.5 xG. La differenza (+6.5 gol) indica una forte overperformance offensiva: la squadra sta trasformando in gol più occasioni di quante il modello statistico si aspetterebbe. Questo può dipendere da un attaccante in stato di grazia che sta segnando da qualsiasi posizione, o da una serie di episodi fortunati (deviazioni, autogol, errori del portiere avversario).

La regressione verso la media ci dice che, nelle prossime 18 giornate, è probabile che la Squadra X segni meno di quanto suggerisca la sua media gol attuale. Se il mercato e i bookmaker basano le quote sulla media gol effettiva (35/20 = 1.75 gol/partita) anziché sugli xG (28.5/20 = 1.43 xG/partita), le quote potrebbero essere troppo basse per l’Over e troppo alte per l’Under. Quella differenza è il tuo vantaggio.

Esempio pratico: la squadra “sfortunata”

Il caso opposto. La Squadra Y ha subito 30 gol con solo 22.0 xGA. La difesa sta concedendo meno occasioni di quanto i gol subiti suggeriscano: il portiere sta underperformando, o la squadra è stata colpita da una serie di gol “improbabili” (tiri da fuori area, deviazioni). La regressione ci dice che, nelle partite successive, la Squadra Y subirà probabilmente meno gol di quanto la sua attuale media suggerisca. Se il mercato la tratta come una difesa da 1.5 gol subiti a partita (basandosi sui 30 gol effettivi), ma i dati xGA dicono che è una difesa da 1.1, c’è valore sull’Under nelle sue partite.

Come Usare gli xG nelle Scommesse: La Guida Pratica

Passiamo dalla teoria alla pratica. Ecco il processo in 5 passi per usare gli xG nel tuo processo decisionale di scommessa.

Passo 1: Raccogli i dati xG delle due squadre

Prima di ogni scommessa, controlla xG e xGA delle due squadre nelle ultime 5-10 partite. Usa FBref.com o Understat.com per i dati gratuiti. Nota: è fondamentale distinguere tra dati casa e trasferta — una squadra può avere xG molto diversi a seconda di dove gioca.

Passo 2: Confronta xG con gol effettivi

Calcola la differenza tra gol fatti e xG (per l’attacco) e tra gol subiti e xGA (per la difesa). Se la differenza è significativa (±3 gol su 10 partite), c’è una overperformance o underperformance che probabilmente si correggerà.

Passo 3: Stima i gol attesi del match

Somma gli xG medi per partita della squadra di casa (in casa) e gli xGA medi per partita della squadra ospite (in trasferta). Questo ti dà una stima dei gol attesi della squadra di casa. Ripeti per la squadra ospite. La somma dei due valori è il totale gol atteso del match.

Passo 4: Confronta con la linea del bookmaker

Se il tuo modello stima 3.1 gol totali attesi e il bookmaker offre Over 2.5 a quota 1.80, devi valutare se c’è valore. La probabilità implicita della quota 1.80 è del 55,6%. Se il tuo modello stima la probabilità dell’Over 2.5 al 65%, la scommessa ha valore. Se la stima è al 53%, non c’è valore e dovresti passare.

Passo 5: Piazza la scommessa (solo se c’è value)

Se e solo se il confronto tra la tua stima e la quota offre un vantaggio matematico positivo. Questo è il principio del value betting: non scommettere su ciò che “pensi” accadrà, scommetti su ciò che è matematicamente sottovalutato dal mercato.

xG e Mercato Over/Under: L’Applicazione Più Potente

Il mercato Over/Under è quello dove gli xG danno il vantaggio maggiore. La ragione è strutturale: l’Over/Under non dipende da chi vince ma dal volume di gol totale — e gli xG sono progettati esattamente per stimare il volume di gol atteso.

Come funziona in pratica

Consideriamo una partita di Serie A: Atalanta-Fiorentina. Ecco i dati delle ultime 10 partite:

Metrica	Atalanta (casa)	Fiorentina (trasferta)
Media xG/partita	2.1	1.2
Media xGA/partita	1.0	1.5
Gol effettivi/partita	2.5 (overperformance)	0.9 (underperformance)
Gol subiti/partita	0.8 (overperformance difensiva)	1.8 (underperformance difensiva)

Stima xG del match: Atalanta dovrebbe creare ~2.1 xG contro la difesa in trasferta della Fiorentina (xGA 1.5, quindi una difesa permeabile). La Fiorentina dovrebbe creare ~1.2 xG contro la difesa in casa dell’Atalanta (xGA 1.0, difesa solida). Totale gol attesi: ~3.3.

Se il bookmaker offre Over 2.5 a quota 1.70 (probabilità implicita: 58,8%), e il nostro modello stima la probabilità dell’Over 2.5 intorno al 70-75% (basandosi su 3.3 gol attesi), quella è una value bet.

Ma c’è un dettaglio cruciale: l’Atalanta sta segnando 2.5 gol effettivi con 2.1 xG — overperformance di +0.4. Se regressione avviene, i gol effettivi dell’Atalanta scenderanno. Questo abbassa leggermente la stima, portandola verso un totale più conservativo di ~3.0. Ancora sopra 2.5, ma con meno margine. La scommessa rimane, ma la dimensione della puntata dovrebbe riflettere questo margine più sottile.

xG e Mercato Goal/No Goal

Il mercato Goal/No Goal (GG/NG) si presta bene all’analisi xG perché dipende dalla capacità di entrambe le squadre di creare almeno un’occasione di qualità.

La logica: se entrambe le squadre hanno un xG medio per partita superiore a 1.0, la probabilità che entrambe segnino almeno un gol è alta. Se una delle due ha un xG molto basso (sotto 0.8), la probabilità di No Goal aumenta significativamente.

L’errore più comune è basarsi sui gol effettivi anziché sugli xG. Una squadra che segna 0.5 gol a partita in trasferta ma ha 1.1 xG in trasferta non è “una squadra che non segna” — è una squadra sfortunata che probabilmente inizierà a segnare di più. Scommettere su No Goal per quella squadra è una trappola se ti basi solo sui risultati recenti.

Come usare gli xG per il GG/NG in pratica

Il processo è più semplice dell’Over/Under. Per ogni partita, controlla:

• xG medi della squadra di casa (in casa): se superiori a 1.2, la probabilità che segni almeno un gol è molto alta (sopra l’80%).
• xG medi della squadra ospite (in trasferta): se superiori a 0.9, la probabilità che segni è comunque ragionevole (sopra il 60%).
• xGA della difesa avversaria: una difesa che concede 1.5+ xGA a partita renderà più facile segnare per chiunque.

Se entrambe le squadre hanno xG sopra 1.0 e xGA sopra 1.0, il Goal è lo scenario più probabile. Se una delle due ha xG sotto 0.7 in trasferta, il No Goal diventa interessante — ma solo se la quota riflette un valore adeguato. La chiave è sempre confrontare la tua stima di probabilità con la probabilità implicita nella quota.

Un caso specifico interessante: le squadre che segnano molto ma concedono poco (xG alto, xGA basso) tendono a produrre molte partite con un solo team a segno. Contro queste squadre, il No Goal offre spesso value — perché il mercato le tratta come “squadre che fanno partite con tanti gol” quando in realtà i gol sono quasi tutti dalla stessa parte.

xG e Mercato 1X2: Prevedere il Vincitore con i Dati

Usare gli xG per il mercato 1X2 (chi vince la partita) è l’applicazione più complessa, perché la varianza nel risultato finale di una singola partita è molto alta — anche la squadra con 3.0 xG può perdere 0-1 se il portiere avversario para tutto e l’altra squadra segna con l’unico tiro della partita.

Tuttavia, il confronto xG-xGA tra le due squadre fornisce una base per stimare le probabilità dei tre esiti. Il metodo più diffuso è la simulazione di Poisson: usando gli xG attesi per ogni squadra come media di una distribuzione di Poisson, puoi calcolare la probabilità di ogni risultato possibile (0-0, 1-0, 0-1, 1-1, 2-0, ecc.) e sommare le probabilità per ottenere le chance di vittoria, pareggio e sconfitta.

Esempio con distribuzione di Poisson

Immagina che il tuo modello xG stimi Atalanta 1.8 gol attesi e Fiorentina 0.9 gol attesi. Usando la distribuzione di Poisson, puoi calcolare la probabilità di ogni risultato:

Risultato	Probabilità	Contribuisce a…
1-0	16,2%	Vittoria 1, Under 2.5, No Goal
2-0	14,5%	Vittoria 1, Under 2.5, No Goal
2-1	13,1%	Vittoria 1, Over 2.5, Goal
0-0	6,7%	Pareggio, Under 2.5, No Goal
1-1	12,0%	Pareggio, Under 2.5, Goal
0-1	5,4%	Vittoria 2, Under 2.5, No Goal
Somma: Vitt. Atalanta	~62%	Se quota > 1.61, potenziale value
Somma: Pareggio	~22%	Se quota > 4.55, potenziale value
Somma: Vitt. Fiorentina	~16%	Se quota > 6.25, potenziale value

Confrontando queste probabilità con le quote dei bookmaker, puoi identificare value bet sul 1X2. È un processo più sofisticato dell’Over/Under, ma anche potenzialmente più redditizio perché le quote 1X2 hanno margini diversi e il mercato è meno efficiente su alcune fasce di quota — in particolare sui pareggi, che sono sistematicamente sottoquotati secondo diversi studi.

Caso Studio: Come gli xG Avrebbero Previsto il Crollo di una “Grande”

Vediamo un esempio concreto di come gli xG possano rivelare una verità nascosta dietro i risultati. Prendiamo una situazione tipica di inizio stagione.

Immagina una squadra di alta classifica — chiamiamola “Squadra Elite” — che dopo le prime 8 giornate ha 20 punti, 14 gol fatti e solo 4 subiti. I risultati parlano chiaro: prima in classifica, miglior attacco, miglior difesa. I bookmaker la quotano favorita in quasi ogni partita e le quote antepost per lo scudetto sono crollate.

Ma i dati xG raccontano una storia diversa. La Squadra Elite ha 8.2 xG (contro i 14 gol fatti) e 7.1 xGA (contro i 4 gol subiti). La differenza è impressionante:

• Attacco: +5.8 gol rispetto agli xG → overperformance massiccia. Il loro attaccante sta segnando gol “impossibili” da fuori area con una frequenza irrealistica.
• Difesa: -3.1 gol rispetto agli xGA → il portiere sta parando molto più del previsto, e gli avversari hanno sbagliato diversi gol “facili”.

La regressione verso la media ci dice che, nelle prossime 10-15 partite, la Squadra Elite segnerà meno e subirà di più. Il risultato? Probabile calo di rendimento, perdita di punti, e soprattutto quote che si aggiusteranno — ma lentamente, perché il mercato è lento a recepire i dati xG e tende a basarsi sui risultati recenti.

Lo scommettitore che usa gli xG ha un vantaggio di 3-4 settimane rispetto al mercato: sa che il crollo arriverà e può posizionarsi in anticipo con scommesse sull’Under nelle partite della Squadra Elite, sulla vittoria degli avversari a quote gonfiate, e contro la Squadra Elite nelle scommesse antepost.

Questo scenario non è ipotetico: accade quasi ogni stagione in ogni campionato europeo. Identificarlo è la differenza tra scommettere con i dati e scommettere con le emozioni.

I Limiti degli xG: Cosa Non Possono Dirti

Gli xG sono uno strumento potente, ma non sono la sfera di cristallo. È fondamentale conoscerne i limiti per non commettere errori.

Non catturano la qualità individuale del tiratore. Un tiro da 20 metri di Messi ha un xG identico a uno di un difensore qualunque dalla stessa posizione. I modelli xG base non sanno chi sta tirando — solo da dove. Questo significa che squadre con tiratori d’élite (finisher come Haaland o Lewandowski) possono legittimamente superare gli xG in modo sostenibile.

Non considerano il contesto psicologico. Un derby, una partita decisiva per la retrocessione, un match con il pubblico ostile — gli xG non catturano la pressione, la motivazione o la paura. Questi fattori influenzano le prestazioni reali in modi che i dati storici non possono prevedere.

Il campione deve essere sufficientemente ampio. Gli xG di 3-4 partite sono statisticamente insignificanti. Per trarre conclusioni affidabili servono almeno 10-15 partite, preferibilmente 20+. All’inizio della stagione, quando ci sono pochi dati, gli xG sono meno affidabili.

Non tutti i modelli sono uguali. Come abbiamo visto nella sezione sui provider, un modello base (distanza + angolo) può dare valori molto diversi da un modello avanzato (con posizione del portiere e dei difensori). Confrontare xG provenienti da fonti diverse è un errore comune.

Non catturano gli eventi rari. Un autogol, un errore clamoroso del portiere, un gol su rinvio — questi eventi hanno un impatto reale sul risultato ma non sono catturati dai modelli xG. La loro frequenza è bassa ma non nulla, e in una singola partita possono fare la differenza.

Dove Trovare i Dati xG: Risorse Gratuite e a Pagamento

Non serve un abbonamento costoso per accedere a dati xG di qualità. Ecco le risorse migliori:

Gratuite:

• FBref.com — il punto di riferimento. Dati StatsBomb per i 5 big league + Champions League + competizioni nazionali. xG, xGA, npxG per squadra e per giocatore. Gratuito.
• Understat.com — i 5 big league europei con dati xG per partita, per squadra e per giocatore. Interfaccia pulita e dati scaricabili. Gratuito.
• FotMob (app) — mostra xG a livello di partita. Utile per un controllo rapido ma non per analisi approfondite. Gratuito nella versione base.

A pagamento / premium:

• StatsBomb — il gold standard. Dati avanzati con posizione del portiere. Costoso, usato principalmente da club professionistici e analisti di settore.
• Opta (Stats Perform) — il provider più diffuso. Dati disponibili tramite abbonamento o tramite partnership con media.

Come Gambla AI Usa gli xG per i Pronostici

Gambla AI integra i dati xG come una delle variabili principali nel proprio modello predittivo, ma va oltre l’analisi xG tradizionale.

Il modello Gambla AI non si limita a comparare gli xG delle due squadre: combina xG con decine di altre variabili — trend tiri, distribuzione corner, pattern cartellini, forza relativa casa/trasferta, contesto della partita — e genera stime probabilistiche su molteplici mercati, non solo sull’Over/Under. L’algoritmo viene ri-addestrato settimanalmente con i dati delle partite disputate, il che significa che il modello si adatta all’evoluzione della stagione (un aspetto che l’analisi xG manuale non riesce a fare con la stessa velocità).

In pratica, Gambla AI fa automaticamente ciò che un analista farebbe in ore di lavoro: raccoglie i dati xG, li combina con altre metriche, calcola le probabilità degli esiti, e presenta il risultato in un formato leggibile che puoi confrontare con le quote dei bookmaker per identificare potenziali value bet.

Domande Frequenti sugli Expected Goals

Cosa significa un xG di 0.5?

Un xG di 0.5 significa che quel tipo di tiro, da quella posizione, con quelle caratteristiche, si trasforma in gol il 50% delle volte. È un’occasione di qualità medio-alta, tipica di un tiro dal limite dell’area in posizione centrale con lo specchio della porta aperto. Per confronto, un rigore ha xG 0.76 e un tiro dalla distanza ha tipicamente xG 0.03-0.08.

Dove posso trovare i dati xG gratuitamente?

Le due migliori fonti gratuite sono FBref.com (che usa il modello StatsBomb, il più avanzato) e Understat.com (che copre i 5 principali campionati europei con dati per partita). L’app FotMob mostra gli xG a livello di match nella versione gratuita.

Gli xG sono davvero utili per le scommesse?

Sì, ma solo se usati correttamente. Gli xG sono il miglior predittore delle prestazioni future di una squadra — migliore della differenza reti e del semplice conteggio tiri. La chiave è usarli per identificare squadre che overperformano o underperformano i propri numeri, e scommettere sulla regressione verso la media. Non sono una formula magica, ma danno un vantaggio informativo che la maggior parte degli scommettitori non ha.

Perché gli xG di fonti diverse danno numeri diversi?

Perché i modelli sono diversi. Un modello base (Understat) considera distanza, angolo e tipo di tiro. Un modello avanzato (StatsBomb) aggiunge posizione del portiere, dei difensori e velocità dell’azione. Il risultato è che lo stesso tiro può avere 0.15 xG in un modello e 0.22 in un altro. Non è un errore: sono semplicemente stime diverse basate su informazioni diverse.

Quante partite servono perché gli xG siano affidabili?

Almeno 10-15 partite per una stima ragionevolmente stabile. Con meno di 10 partite, il campione è troppo piccolo e influenzato dalla varianza. I dati xG diventano davvero predittivi dopo circa 20 partite, il che significa che nella seconda metà della stagione i modelli xG sono significativamente più accurati che all’inizio. Per il bankroll management, questo implica scommettere con puntate più piccole a inizio stagione e aumentare quando i dati si consolidano.

Conclusione: Gli xG Non Sono il Futuro — Sono il Presente

Gli Expected Goals non sono più una novità per addetti ai lavori: sono uno strumento mainstream usato da club professionistici, analisti, commentatori TV e — sempre di più — dagli scommettitori più consapevoli. Chi non li usa nelle proprie analisi di scommessa sta giocando con un’informazione in meno rispetto al mercato. E nel betting, un’informazione in meno significa un vantaggio in meno.

Ricapitoliamo i concetti chiave:

• Gli xG misurano la qualità delle occasioni, non la quantità dei tiri
• L’overperformance e l’underperformance tendono a correggersi — e questa correzione è la base delle value bet
• Il mercato Over/Under è quello dove gli xG offrono il vantaggio maggiore
• FBref.com e Understat.com sono le risorse gratuite migliori per accedere ai dati
• Servono almeno 10-15 partite per trarre conclusioni affidabili
• Gambla AI integra gli xG con decine di altre variabili per generare previsioni su mercati multipli

Prossimi passi su Gambla: approfondisci il bankroll management per gestire le puntate sulle tue value bet xG, e scopri come funzionano le quote per confrontare le tue stime con quelle dei bookmaker. L’unico investimento sicuro è quello sulla tua formazione.