Expected Goals xG Scommesse: Modelli Dati per Betting

La prima volta che ho sovrapposto i dati xG di una partita alle quote pre-match, ho capito di aver trovato uno strumento che i bookmaker conoscevano già da anni – e che la maggior parte degli scommettitori ignorava. Uno studio del 2026 sulla Bundesliga ha dimostrato che un modello basato sugli expected goals produce un ROI intorno al 10% con le quote medie di mercato, che sale quasi al 15% cercando le migliori quote disponibili. Non è magia: è matematica applicata al calcio, ed è alla portata di chiunque voglia investire un’ora di studio prima di piazzare una scommessa.

Algoritmo xG: Parametri di Calcolo per Expected Goals

Due anni fa un amico mi chiese di spiegargli l’xG durante una partita. “Guarda quel tiro”, gli dissi, indicando un attaccante che calciava da 25 metri, defilato a sinistra. “Quella conclusione ha circa il 3% di probabilità di entrare in rete. Se lo stesso tiro partisse dal dischetto, la probabilità salirebbe al 76%.” L’xG – expected goals, gol attesi – è esattamente questo: un valore tra 0 e 1 che esprime la probabilità che un tiro si trasformi in gol, calcolata su centinaia di migliaia di conclusioni storiche con caratteristiche simili.

Il calcolo parte dalla posizione del tiro: distanza dalla porta, angolo rispetto ai pali, altezza del pallone. Poi si aggiungono variabili contestuali – il tiro arriva di testa o di piede? È un contropiede o un’azione manovrata? Il portiere è fuori posizione? I modelli più sofisticati integrano anche il tipo di assist, la pressione difensiva e la velocità dell’azione. I club professionistici e le aziende di analisi usano algoritmi di machine learning addestrati su dataset con milioni di tiri, ma il principio resta lo stesso per tutti: ogni conclusione riceve un punteggio basato sulla probabilità storica di finire in gol da quella specifica situazione.

Il totale xG di una squadra in una partita si ottiene sommando i singoli valori di ogni tiro. Se una squadra ha generato 2.3 xG, significa che le sue occasioni – prese nel complesso – avrebbero prodotto in media 2.3 gol su un campione ampio. Il risultato reale può essere 0, 1 o 5 gol: l’xG non prevede il singolo evento, ma identifica la qualità delle occasioni create. È questa distinzione – tra qualità delle chance e risultato effettivo – che rende la metrica preziosa per le scommesse.

xG vs quote del bookmaker: dove divergono

Ho passato sei mesi a confrontare sistematicamente le proiezioni xG con le quote offerte dai bookmaker, e il risultato mi ha sorpreso meno di quanto avrebbe dovuto. Le quote dei bookmaker hanno una calibrazione statistica superiore – incorporano informazioni su formazione, condizioni meteo, motivazioni, mercato delle scommesse. Ma il ricercatore Sascha Wilkens, analizzando la Bundesliga, ha evidenziato che i modelli xG intercettano segnali che i prezzi di mercato non riflettono completamente. In pratica: le quote sono più precise in media, ma esistono nicchie dove l’xG vede qualcosa che il mercato non ha ancora prezzato.

La divergenza più frequente riguarda le squadre con una differenza persistente tra xG e gol reali. Una squadra che per dieci partite segna 15 gol con 10 xG sta sovra-performando: prima o poi, statisticamente, i numeri tenderanno a riallinearsi. I bookmaker reagiscono a questa sovra-performance con un certo ritardo, perché le loro quote incorporano anche l’opinione del pubblico – che tende a sopravvalutare le squadre in striscia positiva. La maggioranza dei club di alto livello e delle aziende di betting usano già l’xG per affinare la modellazione delle proprie quote, ma l’aggiustamento non è mai istantaneo.

In pratica, il metodo funziona così: prendo l’xG medio delle ultime 10 partite di entrambe le squadre, calcolo un xG atteso per la partita, e lo confronto con la probabilità implicita della quota offerta. Se il mio modello xG assegna il 55% di probabilità all’Over 2.5 e la quota implicita indica il 48%, ho una potenziale discrepanza su cui indagare. Non basta una singola divergenza per scommettere – servono pattern ripetuti su campioni ampi – ma è un punto di partenza solido per individuare value bet nel calcio.

Un errore che ho commesso all’inizio è stato fidarmi degli xG di una singola partita. Un match può avere 3.5 xG per la squadra di casa e finire 0-0: non significa che il modello sia sbagliato, significa che il calcio ha varianza altissima su campioni piccoli. L’xG diventa affidabile su 8-10 partite minimo, meglio se 15-20. È proprio su questa scala temporale che le inefficienze di prezzo emergono e diventano sfruttabili.

Dove trovare i dati xG gratuitamente

Quando ho iniziato a lavorare con l’xG, l’accesso ai dati era riservato a chi poteva permettersi abbonamenti da centinaia di euro al mese. Oggi la situazione è completamente diversa, e questo è un vantaggio enorme per lo scommettitore attento.

FBref è il primo sito che consiglio a chiunque voglia iniziare. Copre i principali campionati europei con dati xG forniti da StatsBomb – uno dei provider più rispettati nel settore. Per ogni partita trovi il totale xG di ciascuna squadra, il dettaglio tiro per tiro e le medie stagionali. Understat offre un taglio diverso: oltre ai dati per partita, include grafici di tendenza e proiezioni che facilitano l’analisi visiva. Per chi preferisce un approccio più granulare, Infogol pubblica xG pre-partita e post-partita con una copertura che si estende anche alle leghe minori.

Il mio flusso di lavoro è semplice. Prima di analizzare una partita, consulto le medie xG stagionali delle due squadre su FBref, distinguendo tra prestazioni in casa e in trasferta. Poi verifico la tendenza delle ultime 5-6 partite su Understat per capire se la squadra sta migliorando o peggiorando nella creazione di occasioni. Infine, confronto il mio xG stimato con le quote: se c’è una discrepanza significativa – almeno 5 punti percentuali tra la mia stima e la probabilità implicita – approfondisco con dati su formazione e assenze.

Un avvertimento: non tutti i modelli xG sono uguali. FBref e Understat usano algoritmi diversi e producono numeri leggermente diversi per la stessa partita. La cosa importante non è quale modello sia “giusto”, ma usare sempre lo stesso provider per mantenere coerenza nei confronti. Mischiare i dati di fonti diverse è un errore metodologico che invalida l’analisi.