Ligue 1 xG-Analyse: Expected Goals Gebruiken bij het Wedden
Available in US
xG in de Ligue 1: wat het wel en niet vertelt
Twee seizoenen geleden won een Ligue 1-team acht van zijn eerste twaalf wedstrijden en stond bovenaan het klassement. De odds op hun kampioenschap kelderden naar 6.00. Maar de xG-data vertelden een compleet ander verhaal: het team creëerde kansen met een verwachte waarde van gemiddeld 0.9 per wedstrijd en scoorde er 1.8 – het dubbele van wat statistisch houdbaar was. Tegen speelronde 25 stond het team op de achtste plek. Wie de xG-data had gelezen, was niet verrast.
Expected goals – xG – is de meest bruikbare geavanceerde statistiek voor wedders, maar het is ook de meest verkeerd begrepen. xG meet niet hoeveel doelpunten een team scoort. Het meet hoeveel doelpunten een team zou moeten scoren op basis van de kwaliteit en positie van zijn schoten. Dat verschil is cruciaal. De Ligue 1 met haar gemiddelde van 2,96 goals per wedstrijd produceert genoeg data om xG-modellen betrouwbaar te maken, en de volatiliteit tussen xG en werkelijke doelpunten is precies waar de wedkansen liggen.
Expected goals uitgelegd: hoe het model werkt
Het xG-model kent aan elk schot een waarde toe tussen 0 en 1, gebaseerd op de kans dat een gemiddelde speler vanuit die positie scoort. Een penalty krijgt een xG van ongeveer 0.76 – 76% van de penalty’s gaat erin. Een kopbal vanuit zes meter heeft een xG van 0.40 tot 0.50. Een afstandsschot van buiten het strafschopgebied zit rond 0.03 tot 0.06. Tel alle schoten van een team in een wedstrijd op en je hebt de totale xG – de verwachte hoeveelheid doelpunten.
De kracht van xG ligt in het scheiden van vaardigheid en geluk. Een team dat week na week meer scoort dan zijn xG, heeft ofwel een uitzonderlijk goede afmaker – wat zeldzaam is – of het heeft geluk. Het omgekeerde geldt ook: een team dat minder scoort dan zijn xG presteert onder zijn niveau en zal waarschijnlijk verbeteren. Dat “waarschijnlijk” is het kernwoord. xG is geen kristallen bol, het is een kompas dat de richting aanwijst.
Wat xG niet meet, is net zo belangrijk als wat het wel meet. xG houdt geen rekening met de verdedigende organisatie van de tegenstander, de psychologische druk van een derby, of de wisseling van een sleutelspeler. Het model is puur gebaseerd op schotposities en -types. Dat maakt het een krachtig startpunt maar geen eindpunt – je moet xG altijd combineren met andere databronnen en je eigen analyse. Ik gebruik xG als eerste filter: het vertelt me welke wedstrijden de moeite waard zijn om dieper te analyseren, en welke ik kan overslaan omdat de data geen afwijking laten zien.
Een veelgemaakte fout is om xG van een enkele wedstrijd te gebruiken als beslissingsgrondslag. De steekproef is te klein – een team kan in een wedstrijd een xG van 3.0 halen door drie penalty’s te krijgen, wat niets zegt over hun structurele kwaliteit. Werk altijd met gemiddelden over minimaal vijf wedstrijden, en bij voorkeur tien. Pas dan worden de patronen zichtbaar die je nodig hebt voor betrouwbare weddenschappen.
xG-data van de Ligue 1: overperformers en underperformers
Elk seizoen zijn er in de Ligue 1 teams die structureel boven hun xG presteren en teams die eronder blijven. Die discrepanties zijn goud voor wedders, want ze voorspellen toekomstige correcties. In het huidige seizoen monitor ik het verschil tussen werkelijke doelpunten en xG per team op weekbasis, en de patronen zijn duidelijk.
PSG is een apart geval. Het team overperformt zijn xG bijna elk seizoen, maar minder dan je zou verwachten. De reden is dat PSG zoveel kansen van hoge kwaliteit creëert dat de xG al hoog is – ze hoeven niet boven hun verwachting te scoren om wedstrijden te winnen. Dat maakt PSG’s resultaten stabieler en voorspelbaarder dan die van andere teams. 56% van de Ligue 1-wedstrijden eindigt boven de 2.5 doelpunten, en bij PSG-thuiswedstrijden is dat percentage hoger dan 70%.
De echte waarde van xG-analyse zit bij de middenmoot. Teams als Toulouse, Reims en Strasbourg fluctueren sterk in hun xG-verschil van seizoen tot seizoen. Een middenmootteam dat na tien wedstrijden een xG-verschil heeft van +0.4 per wedstrijd maar op basis van werkelijke doelpunten een neutraal doelsaldo laat zien, is ondergewaardeerd door de markt. De resultaten zullen naar verwachting verbeteren, en de odds reflecteren dat nog niet.
Aan de andere kant zijn er de teams die overperformen. Een underdog die verrassend hoog staat dankzij efficiëntie – minder kansen maar een hogere conversie – is kwetsbaar voor een terugval. Als de bookmaker de ranglijstpositie volgt in plaats van de onderliggende data, biedt dat kansen om tegen dat team te wedden op momenten waarop de odds te laag zijn ingeprijsd.
xG toepassen op weddenschappen: drie praktijkscenario’s
Scenario een: de over/under-markt. Als beide teams in een wedstrijd een gecombineerde xG van 3.2 of hoger genereren over hun laatste vijf duels, is de over 2.5 structureel ondergewaardeerd – de odds liggen dan vaak rond 1.65, terwijl de werkelijke kans boven de 60% ligt. Dit is de meest directe toepassing van xG op wedden en de eenvoudigste om te implementeren.
Scenario twee: de 1X2-markt bij teams met een groot xG-verschil. Als Team A een xG per wedstrijd van 1.8 heeft en Team B 0.9, dan vertelt de ranglijst misschien dat ze gelijkwaardig zijn, maar de xG-data zeggen iets anders. Wedden op Team A als de odds een gelijkwaardige wedstrijd impliceren, is een systematische benadering die over een seizoen rendement oplevert.
Scenario drie: live wedden op basis van in-game xG. Steeds meer platforms bieden real-time xG-data aan tijdens wedstrijden. Als een team na zestig minuten een xG van 2.1 heeft maar nog steeds 0-0 staat, dan zijn de live odds voor een doelpunt van dat team aantrekkelijker dan de data rechtvaardigen. De bal gaat er statistisch gezien binnenkort in – en de live markt reageert te sterk op het feit dat het nog 0-0 is.
Bij elk scenario geldt: xG is een hulpmiddel, geen orakel. Gebruik het om je analyse te onderbouwen, niet om blind te volgen. De beste resultaten behaal je wanneer xG-data en je eigen wedstrijdanalyse in dezelfde richting wijzen.
Wat is xG en hoe wordt het berekend?
xG staat voor expected goals. Het model kent aan elk schot een waarde toe tussen 0 en 1 op basis van de kans dat een gemiddelde speler vanuit die positie scoort. Een penalty heeft een xG van 0.76, een kopbal van dichtbij 0.40-0.50, een afstandsschot 0.03-0.06. De som van alle schoten in een wedstrijd levert de totale xG op.
Waar vind je gratis xG-data voor de Ligue 1?
Gratis xG-data voor de Ligue 1 is beschikbaar via FBRef, Understat en Sofascore. FBRef biedt de meest gedetailleerde data inclusief xG per schot en per wedstrijd. Understat toont overzichtelijke grafieken per team en per speler. Sofascore biedt real-time xG tijdens live wedstrijden.
Gemaakt door de redactie van 'Wedden Ligue 1'.
