Negli ultimi anni, gli expected goals hanno rivoluzionato il modo in cui si analizza il calcio. Quello che una volta era uno strumento riservato agli analisti delle squadre professionistiche è diventato una metrica accessibile a chiunque abbia una connessione internet. Per gli scommettitori, gli xG rappresentano forse lo strumento più potente per separare il segnale dal rumore — per capire se una squadra sta davvero giocando bene o se i risultati stanno mentendo. Questo articolo spiega cosa sono gli xG, come si calcolano, dove trovarli e soprattutto come trasformarli in un vantaggio concreto nel betting.

Cos’è l’xG e Cosa Misura

L’expected goals (xG) è una metrica che assegna a ogni tiro effettuato in una partita una probabilità di diventare gol, basata sulle caratteristiche di quel tiro. Un rigore ha un xG di circa 0.76 — il che significa che, storicamente, il 76% dei rigori viene trasformato. Un tiro da fuori area in posizione defilata potrebbe avere un xG di 0.03. Un colpo di testa su cross ravvicinato, magari 0.15.

La somma degli xG di tutti i tiri di una squadra in una partita dà l’xG totale — una stima di quanti gol quella squadra avrebbe “dovuto” segnare basandosi sulla qualità delle occasioni create. Se una squadra produce un xG di 2.3 ma segna solo un gol, ha sottoperformato le proprie occasioni. Se produce un xG di 0.8 e segna due gol, è stata fortunata o particolarmente clinica sotto porta.

L’xG non è un oracolo. Non tiene conto della qualità individuale del tiratore, dello stato emotivo del momento, o della bravura specifica del portiere avversario. Ma come indicatore aggregato della qualità delle occasioni, è di gran lunga superiore al semplice conteggio dei gol o dei tiri in porta. Il gol è un evento raro e altamente volatile nel calcio — l’xG cattura l’informazione sottostante che i gol da soli nascondono.

Come si Calcola l’xG: il Modello Dietro la Metrica

I modelli xG utilizzano dati storici di decine di migliaia di tiri per costruire una funzione che associa a ogni tiro una probabilità di gol. Le variabili principali includono la distanza dalla porta, l’angolo di tiro, la parte del corpo utilizzata (piede destro, sinistro, testa), il tipo di azione che ha generato il tiro (cross, passaggio filtrante, dribbling, calcio piazzato) e la posizione dei difensori.

I modelli più sofisticati — come quelli usati da StatsBomb, Opta o Wyscout — integrano anche variabili come la velocità del passaggio precedente, la pressione difensiva sul tiratore e la posizione del portiere. Ogni fornitore di dati ha il proprio modello proprietario, il che spiega perché i valori xG di un match possono differire leggermente da fonte a fonte. Le differenze sono generalmente contenute e non cambiano le conclusioni qualitative.

Non è necessario capire l’algoritmo nel dettaglio per usare l’xG efficacemente. Quello che serve è capire cosa misura (la qualità delle occasioni, non il talento dei giocatori) e cosa non misura (l’abilità individuale nella finalizzazione, la pressione psicologica, le condizioni ambientali). Questa consapevolezza evita di trattare l’xG come verità assoluta e permette di usarlo come uno strumento — potente ma imperfetto — nel proprio processo decisionale.

xG vs Gol Reali: Dove si Nasconde il Valore

La discrepanza tra xG e gol effettivamente segnati è esattamente il punto in cui lo scommettitore attento trova opportunità. Quando una squadra segna sistematicamente più gol del proprio xG, ci sono due spiegazioni possibili: ha un finalizzatore eccezionale che batte le medie statistiche, oppure sta vivendo un periodo di sovraperformance destinato a regredire verso la media.

La regressione verso la media è uno dei principi statistici più robusti e meno compresi nel calcio. Nella grande maggioranza dei casi, le squadre che sovraperformano il proprio xG nella prima metà della stagione vedono il rendimento normalizzarsi nella seconda metà. Lo stesso vale per le squadre che sottoperformano: se un attacco crea occasioni da 1.8 xG per partita ma segna solo 0.9 gol, è probabile che i gol aumenteranno nei mesi successivi.

Per le scommesse, questo significa che una squadra con un xG alto e pochi gol è potenzialmente sottovalutata dal mercato. I bookmaker e il pubblico reagiscono ai risultati concreti — gol e punti — più che alle metriche sottostanti. Se una squadra ha perso tre partite di fila ma in ciascuna ha generato più occasioni dell’avversaria, il mercato potrebbe offrire quote più alte del dovuto sulla sua vittoria. Sfruttare sistematicamente queste situazioni è il cuore dell’applicazione degli xG al betting.

Dove Trovare i Dati xG: Risorse Gratuite e a Pagamento

Una delle ragioni per cui gli xG sono diventati così popolari tra gli scommettitori è la loro accessibilità. Non serve un abbonamento costoso per accedere a dati di qualità: diverse piattaforme offrono xG gratuitamente, con livelli di dettaglio che pochi anni fa sarebbero stati disponibili solo agli addetti ai lavori.

Understat è probabilmente la risorsa gratuita più completa per gli xG. Copre i cinque principali campionati europei (Serie A, Premier League, La Liga, Bundesliga, Ligue 1) e la Russian Premier League, con dati a livello di partita, squadra e singolo giocatore. Per ogni match puoi vedere non solo l’xG totale ma anche la mappa dei tiri con il relativo valore xG, il che permette un’analisi granulare delle occasioni create.

FBref, storicamente alimentato dai dati StatsBomb e successivamente Opta, offre una copertura ampia in termini di campionati e include metriche avanzate oltre l’xG, come xAG (expected assisted goals) e progressive carries. L’interfaccia è meno intuitiva di Understat ma il database è più profondo. Nota importante: a partire da gennaio 2026, FBref ha perso l’accesso ai dati avanzati di Opta a causa di una disputa contrattuale, il che potrebbe limitare temporaneamente la disponibilità di alcune statistiche avanzate sul sito.

Per chi è disposto a investire, piattaforme come Opta (tramite StatsPerform) e Wyscout offrono dati a livello professionale con copertura di decine di campionati, inclusi quelli minori dove le inefficienze del mercato sono maggiori. Il costo è significativo — diverse centinaia di euro all’anno — ma per chi fa del betting un’attività seria, l’accesso a dati di campionati poco coperti può rappresentare un vantaggio competitivo reale.

Come Usare gli xG per le Scommesse: Applicazioni Pratiche

Conoscere l’xG è inutile se non sai come tradurlo in decisioni di scommessa. Esistono diverse applicazioni pratiche, dalla più semplice alla più sofisticata.

L’applicazione base è il confronto xG vs rendimento reale per identificare squadre sopravvalutate o sottovalutate. Se una squadra ha un xG cumulativo di 28 dopo 15 partite ma ha segnato 35 gol, sta sovraperformando di 7 gol. Le quote sulla vittoria di questa squadra rifletteranno probabilmente il record di 35 gol anziché la produzione effettiva di occasioni. Scommettere contro questa squadra — o almeno evitare di scommettere a suo favore a quote basse — è un’applicazione diretta del principio di regressione verso la media.

Un uso più avanzato è l’xG differenziale — la differenza tra xG prodotti e xG concessi per partita. Questo dato misura la dominanza complessiva di una squadra meglio di qualsiasi altra metrica singola. Una squadra con un xG differenziale di +0.8 per partita è, statisticamente, molto più forte di una con +0.2, anche se la classifica dice il contrario. Integrare l’xG differenziale nel tuo modello predittivo migliora significativamente la qualità delle stime probabilistiche.

Per il mercato over/under, l’xG combinato delle due squadre (xG attaccante della squadra A + xG attaccante della squadra B) fornisce una stima diretta del numero di gol atteso. Se la somma è 3.2 e il bookmaker offre over 2.5 a quota 1.85, hai un dato concreto su cui basare la decisione. Non è l’unico dato rilevante — le condizioni specifiche del match contano — ma è un punto di partenza molto più solido del “questa squadra segna sempre tanti gol”.

I Limiti degli xG: Cosa la Metrica Non Ti Dice

Come ogni strumento statistico, gli xG hanno limiti strutturali che è importante conoscere per non abusarne.

Il limite più discusso è l’incapacità di catturare la qualità individuale del finalizzatore. Un tiro da 0.10 xG calciato da un fuoriclasse con un sinistro chirurgico ha probabilità reali di gol ben superiori a 0.10. Alcuni giocatori — Messi è l’esempio storico più citato — sovraperformano il proprio xG in modo consistente per anni, dimostrando che la loro abilità nella finalizzazione è un fattore reale e non un artefatto statistico. Tuttavia, questi giocatori sono eccezioni rare: per la stragrande maggioranza dei calciatori, la sovra o sottoperformance dell’xG tende a normalizzarsi nel tempo.

Un secondo limite riguarda le situazioni di gioco specifiche. L’xG non distingue adeguatamente tra una partita aperta al 70esimo minuto e un assedio negli ultimi 5 minuti con difese schierate. Il contesto tattico in cui vengono creati i tiri influenza le probabilità reali di gol in modi che i modelli standard non catturano completamente.

Il terzo limite è la copertura disomogenea tra campionati. Per Serie A, Premier League e i top-5 europei, i dati xG sono abbondanti e affidabili. Per campionati minori — Serie B, leghe nordiche, campionati sudamericani — la copertura è più scarsa e i modelli meno calibrati. Questo è un paradosso: i campionati dove le inefficienze di mercato sono maggiori sono spesso quelli dove i dati xG sono meno disponibili.

L’xG Non Sostituisce il Cervello

L’errore più comune tra gli scommettitori che scoprono gli xG è trattarli come l’unica verità. Si finisce per scommettere esclusivamente in base alla discrepanza xG-gol, ignorando tutto il resto — infortuni, motivazione, fattore campo, contesto tattico. L’xG è uno strumento eccellente, forse il migliore disponibile gratuitamente, ma resta uno strumento. Non prende decisioni al posto tuo e non elimina l’incertezza intrinseca del calcio. Usalo per costruire una base quantitativa solida, poi arricchisci quell’analisi con il contesto qualitativo che nessun modello cattura. Il vantaggio non sta nell’xG in sé, ma nella combinazione tra dati e giudizio — l’ibrido che i bookmaker faticano di più a replicare.

Verificato da un esperto: Alice Pellegrini