Hockey xG (Expected Goals) – Das ultimative Glossar für Eishockey-Analytik

Was ist Hockey xG (Expected Goals) eigentlich?

Hockey xG (Expected Goals) ist eine analytische Metrik, die die Qualität von Schussversuchen im Eishockey bewertet, nicht ihre Anzahl. Anders als traditionelle Statistiken, die nur zählen, wie viele Schüsse ein Team abgegeben hat, misst xG die Wahrscheinlichkeit, dass jeder einzelne Schuss ein Tor wird. Diese Wahrscheinlichkeitswerte liegen zwischen 0 und 1, wobei 0 bedeutet, dass ein Schuss praktisch keine Torchance ist, und 1 bedeutet, dass es sich um eine sichere Torchance handelt.

Das Konzept stammt ursprünglich aus dem Fußball und wurde später auf das Eishockey übertragen, wo es sich als ebenso wertvoll – wenn nicht sogar wertvoller – erwiesen hat. Ein Schuss aus dem Slot (der Bereich direkt vor dem Tor) erhält beispielsweise einen xG-Wert von etwa 0,20 bis 0,30, weil historische Daten zeigen, dass solche Schüsse in etwa 20–30 % der Fälle zu einem Tor führen. Ein Schuss von der blauen Linie (etwa 25 Meter vom Tor entfernt) hingegen könnte nur einen xG-Wert von 0,03 erhalten, da diese Schüsse nur in etwa 3 % der Fälle erfolgreich sind.

Die Definition: Expected Goals im Eishockey

Expected Goals ist nicht einfach eine Schussstatistik – es ist ein datengestütztes Modell, das historische Schussdaten analysiert, um die Wahrscheinlichkeit zu berechnen, dass ein Schuss ein Tor wird. Das Modell berücksichtigt dutzende von Variablen: die Position des Schützen auf dem Eis, der Winkel zum Tor, die Art des Schusses (Schlagschuss, Handgelenkschuss, Rückhandschuss), die Entfernung zum Tor, der Defensivdruck und sogar die Position des gegnerischen Torhüters.

Wenn ein Team in einem Spiel einen xG-Wert von 2,5 hat, bedeutet das nicht, dass es genau 2,5 Tore erzielt – es bedeutet, dass die Qualität seiner Schussversuche einem erwarteten Wert von 2,5 Toren entspricht. Wenn das Team dann nur 1 Tor erzielt, ist es underperformend. Wenn es 4 Tore erzielt, überperformt es. Diese Unterschiede sind kurzfristig oft Glückssache, aber über mehrere Spiele hinweg sollte sich die tatsächliche Torquote dem xG-Wert annähern – ein Phänomen, das Analytiker Regression zum Mittelwert nennen.

Warum ist xG besser als reine Torstatistiken?

Traditionelle Statistiken wie Tore und Assists erzählen nur einen Teil der Geschichte. Ein Team kann ein Spiel 2:1 gewinnen, aber eine xG-Bilanz von 1,2 zu 3,5 haben – das bedeutet, dass es eigentlich unterlegen war und nur durch Glück oder einen starken Torhüter gewonnen hat. Umgekehrt kann ein Team 3,8 xG haben und nur 1 Tor erzielen, was bedeutet, dass es dominiert hat, aber Pech hatte.

Die Kraft von xG liegt in seiner Vorhersagekraft. Wenn du ein Team mit konsistent hohem xG hast, ist es sehr wahrscheinlich, dass es in den nächsten Spielen besser abschneidet. Wenn ein Team über mehrere Spiele hinweg ein xG von 2,8 pro Spiel hat, aber nur 1,5 Tore pro Spiel erzielt, kannst du mit hoher Wahrscheinlichkeit erwarten, dass sich diese Quote normalisiert. Das ist für Wetter extrem wertvoll, denn es bedeutet, dass du Chancen findest, bevor der Markt die Wahrheit erkennt.

Ein weiterer Vorteil: xG ist weniger anfällig für Zufallsschwankungen. An einem guten Tag kann ein durchschnittlicher Schütze mehrere Tore erzielen; an einem schlechten Tag kann ein hervorragender Spieler kein Tor treffen. xG filtert diese Varianz heraus und zeigt die zugrunde liegende Leistung. Deshalb ist xG ein viel besserer Prädiktor für zukünftige Ergebnisse als Torstatistiken allein.

xG im Kontext von Corsi und Fenwick

Um xG wirklich zu verstehen, musst du es in den Kontext anderer Advanced Stats einordnen. Corsi und Fenwick sind ältere Metriken, die sich auf das Schussvolumen konzentrieren, nicht auf die Qualität.

Corsi misst alle Schussversuche eines Teams: Schüsse aufs Tor, Schüsse am Tor vorbei und geblockte Schüsse. Ein hoher Corsi-Wert bedeutet, dass ein Team viele Schussversuche generiert und damit die Puckkontrolle hat. Fenwick ist ähnlich, schließt aber geblockte Schüsse aus – es zählt nur Schüsse aufs Tor und Schüsse am Tor vorbei.

Das Problem mit Corsi und Fenwick: Sie behandeln alle Schüsse gleich. Ein Schuss von der blauen Linie zählt genauso wie ein Schuss aus dem Slot. Das ist unrealistisch. xG verbessert diese Metriken, indem es jedem Schuss ein Gewicht basierend auf seiner Qualität gibt. Ein Team mit niedrigem Corsi, aber hohem xG, generiert weniger Schussversuche, aber diese sind von höherer Qualität. Ein Team mit hohem Corsi, aber niedrigem xG, verschießt viele Chancen von schlechten Positionen.

Wie funktioniert das xG-Modell im Eishockey?

Das xG-Modell ist im Grunde ein statistisches Werkzeug, das historische Daten nutzt, um Vorhersagen zu treffen. Um zu verstehen, wie es funktioniert, musst du die Komponenten eines Modells, die Berechnung und die verschiedenen Modellvarianten kennen.

Die Komponenten eines xG-Modells

Ein xG-Modell berücksichtigt eine Vielzahl von Faktoren, um die Wahrscheinlichkeit zu berechnen, dass ein Schuss ein Tor wird. Die wichtigsten sind:

Schussposition: Der Ort auf dem Eis, von dem der Schuss abgegeben wird, ist der stärkste Prädiktor für den Erfolg. Schüsse aus dem Slot (direkt vor dem Tor) haben eine viel höhere Wahrscheinlichkeit, ein Tor zu werden, als Schüsse von der Seitenlinie. Das Modell teilt das Spielfeld in Zonen ein und weist jeder Zone eine durchschnittliche Erfolgsquote zu.

Schusswinkel: Der Winkel zwischen dem Schützen und dem Tor beeinflusst die Erfolgsquote. Ein Schuss direkt vor dem Tor (Winkel von 0 Grad) ist gefährlicher als ein Schuss von der Seite (großer Winkel). Das Modell berücksichtigt diese Winkel-Variationen.

Schusstyp: Die Art des Schusses – Schlagschuss, Handgelenkschuss, Rückhandschuss oder Schuss mit der Spitze – hat Einfluss auf die Erfolgsquote. One-Timer (Schüsse, die direkt nach einem Pass abgegeben werden) sind besonders gefährlich, weil der Torhüter weniger Zeit hat zu reagieren.

Defensivdruck: Moderne xG-Modelle berücksichtigen, wie viele Verteidiger in der Nähe des Schützen sind. Ein freier Schuss hat eine höhere Erfolgsquote als ein Schuss unter Druck. Einige Modelle verfolgen sogar, wie nah der nächste Verteidiger ist.

Torhüterposition und -qualität: Fortgeschrittene Modelle berücksichtigen, ob der Torhüter gut positioniert ist oder nicht. Einige Modelle versuchen sogar, die Qualität des Torhüters einzubeziehen, obwohl das schwierig ist.

Spielsituation: Schüsse im Powerplay haben eine höhere Erfolgsquote als Schüsse in Gleichzahlspiel. Schüsse im Shorthanded-Modus haben eine niedrigere Erfolgsquote. Einige Modelle unterscheiden zwischen diesen Situationen.

Berechnung und Kalibrierung von xG

Um ein xG-Modell zu bauen, brauchst du historische Daten. Die NHL verfolgt jeden Schussversuch und sammelt über 100 Datenpunkte pro Versuch. Analytiker nutzen diese Daten, um ein Modell zu trainieren, das lernt, welche Kombinationen von Faktoren zu Toren führen.

Der Prozess funktioniert so:

1. Datensammlung: Alle Schussversuche aus mehreren Saisons werden gesammelt. Das sind tausende von Schüssen mit bekannten Ergebnissen (Tor oder kein Tor).

2. Feature Engineering: Die Rohdaten werden in Features umgewandelt – das sind die Variablen, die das Modell nutzt. Zum Beispiel: Position (X, Y Koordinaten), Schusstyp, Defensivdruck, etc.

3. Modelltraining: Ein statistisches Modell (oft ein logistisches Regressionsmodell oder ein Machine Learning-Modell) wird auf den historischen Daten trainiert. Das Modell lernt die Beziehung zwischen den Features und dem Ergebnis (Tor oder kein Tor).

4. Validierung: Das Modell wird auf Daten getestet, die es nicht während des Trainings gesehen hat. Ziel ist es, sicherzustellen, dass das Modell gut generalisiert und nicht nur die Trainingsdaten auswendig gelernt hat.

5. Kalibrierung: Das Modell wird so angepasst, dass seine Vorhersagen mit der Realität übereinstimmen. Wenn das Modell beispielsweise vorhersagt, dass 100 Schüsse einen xG-Wert von 110 haben, aber tatsächlich nur 100 Tore fallen, wird das Modell kalibriert, um zukünftig genauere Vorhersagen zu treffen.

Die Genauigkeit eines xG-Modells wird oft mit Metriken wie Calibration gemessen. Wenn ein Modell 100 Schüsse mit jeweils 0,01 xG vorhersagt, sollten etwa 1 dieser Schüsse ein Tor sein. Wenn stattdessen 5 Tore fallen, ist das Modell schlecht kalibriert.

Unterschiedliche xG-Modelle

Es gibt nicht nur ein xG-Modell – es gibt mehrere, und sie unterscheiden sich in ihren Ansätzen und ihrer Genauigkeit. Die wichtigsten sind:

Natural Stat Trick (naturalstattrick.com) ist eines der ältesten und beliebtesten xG-Modelle. Es wurde von Entwicklern wie Moneypuck-Gründer gebaut und ist kostenlos verfügbar. Das Modell berücksichtigt Position, Schusstyp und andere Faktoren und ist relativ einfach zu verstehen.

Moneypuck (moneypuck.com) ist ein Premium-Dienst, der eines der fortgeschrittensten xG-Modelle bietet. Es nutzt Machine Learning und berücksichtigt mehr Variablen als Natural Stat Trick, einschließlich Bewegungsdaten. Moneypuck ist besonders beliebt bei ernsthaften Analytikern und Wettfachleuten.

Evolving Hockey (evolving-hockey.com) konzentriert sich auf xG-Modelle, die speziell für Vorhersagen optimiert sind. Das Modell wird regelmäßig aktualisiert und ist bekannt dafür, dass es sehr genaue Vorhersagen trifft.

Corsica Hockey (corsica.hockey) ist ein weiterer beliebter Anbieter mit detaillierten xG-Analysen und Spieler-Statistiken.

Wofür wird xG im Eishockey verwendet?

xG ist nicht nur eine akademische Statistik – es hat praktische Anwendungen in der Mannschaftsanalyse, im Scouting und vor allem in der Sportwetten. Lassen Sie mich zeigen, wie xG in der Praxis verwendet wird.

xG für Mannschaftsanalyse und Leistungsbewertung

Trainer und Analysten nutzen xG, um zu verstehen, wie gut ihre Mannschaft wirklich spielt – unabhängig vom Endergebnis. Wenn eine Mannschaft 5:3 gewinnt, aber nur 2,1 xG hatte, während der Gegner 3,8 xG hatte, ist das ein Warnsignal: Die Mannschaft hat Glück gehabt und wird wahrscheinlich in zukünftigen Spielen nicht so gut abschneiden.

Regression zum Mittelwert ist ein Schlüsselkonzept. Wenn eine Mannschaft über mehrere Spiele hinweg ein xG von 3,0 pro Spiel hat, aber nur durchschnittlich 1,5 Tore pro Spiel erzielt, wird sich diese Quote normalerweise korrigieren. Die Mannschaft wird wahrscheinlich in zukünftigen Spielen mehr Tore erzielen – nicht weil sie plötzlich besser wird, sondern weil die Torserie normalisiert sich.

Umgekehrt kann eine Mannschaft, die 4,2 xG hat, aber 5 Tore erzielt, nicht damit rechnen, dass sich das fortsetzt. Sie überperformt und wird wahrscheinlich in zukünftigen Spielen weniger Tore erzielen.

Dieses Verständnis ist wertvoll für Mannschaftsdiagnose. Wenn eine Mannschaft Spiele verliert, aber hohe xG-Werte hat, liegt das Problem wahrscheinlich bei der Chancenverwertung oder dem Torhüter, nicht bei der Spielweise. Wenn eine Mannschaft Spiele gewinnt, aber niedrige xG-Werte hat, ist das Team überperformend und könnte bald wieder verlieren.

xG für Spieleranalyse und Scouting

Im Scouting wird xG verwendet, um die tatsächliche Leistung eines Spielers zu bewerten, nicht nur seine Torstatistik. Ein Spieler, der 15 Tore hat, aber nur 12 xG, überperformt – er ist ein guter Schütze. Ein Spieler mit 8 Toren, aber 14 xG, underperformt – er generiert großartige Chancen, nutzt sie aber nicht.

Das ist besonders wertvoll für die Chancenkreation. Ein Spieler, der viele Assists hat, könnte einfach Glück haben – sein Teamkollege schießt gut. Aber wenn dieser Spieler hohe xG-Werte für seine Teamkollegen generiert (gemessen durch Assisted xG oder xA), ist er ein echter Chancenkreator.

Scouts nutzen xG auch, um junge Spieler zu bewerten. Ein 19-jähriger mit niedrigen Torstatistiken, aber hohem xG, könnte ein großes Potenzial haben. Er macht die richtigen Dinge, trifft einfach noch nicht. Ein 19-jähriger mit hohen Torstatistiken, aber niedrigem xG, könnte ein Glückstreffer sein.

xG für Wettprognosen und Sportwetten

Für Wetter ist xG ein Game-Changer. Während die meisten Wetter auf traditionelle Statistiken wie Tore und Assists schauen, können analytische Wetter xG nutzen, um Chancen zu finden, bevor der Markt sie erkennt.

Vorhersage zukünftiger Ergebnisse: Wenn ein Team über die letzten 5 Spiele ein durchschnittliches xG von 3,2 hat, aber nur 1,8 Tore pro Spiel erzielt, ist es wahrscheinlich, dass es in den nächsten Spielen mehr Tore erzielen wird. Das ist eine wertvolle Information für Wetter. Du kannst auf "Über 2,5 Tore" wetten, bevor die Quote sinkt.

Wertfindung in Quoten: Wettanbieter setzen ihre Quoten oft auf der Grundlage von Torstatistiken. Aber wenn du xG-Daten hast, kannst du sehen, dass ein Team underperformend ist und wahrscheinlich gewinnen wird. Du kannst eine Quote finden, die bessere Chancen bietet, als die Wahrscheinlichkeit es rechtfertigt.

Langzeitrentabilität: Der Schlüssel zum Wetten ist nicht, einzelne Spiele richtig vorherzusagen – das ist unmöglich. Der Schlüssel ist, über viele Spiele hinweg Chancen zu finden, bei denen deine Vorhersagen besser sind als die Quoten. xG hilft dir dabei, diese Chancen zu identifizieren.

Praktische Beispiele: xG in der Praxis

Theorie ist schön, aber lass mich dir zeigen, wie xG in der Realität funktioniert.

Beispiel 1 – Ein Team mit hohem xG, aber niedrigem Torscore

Stellen dir vor, die Winnipeg Jets spielen gegen die Vegas Golden Knights. Nach dem Spiel sieht die Statistik so aus:

• Jets: 3,2 xG, 1 Tor
• Golden Knights: 1,8 xG, 2 Tore

Die Jets haben verloren, aber sie waren das bessere Team. Sie hatten qualitativ bessere Chancen, haben sie aber nicht genutzt. Der Golden Knights-Torhüter hatte einen großartigen Tag, oder die Jets hatten einfach Pech.

Was bedeutet das für die nächsten Spiele? Die Jets werden wahrscheinlich besser abschneiden. Wenn sie weiterhin 3,2 xG pro Spiel generieren, werden sie langfristig etwa 2,4–2,8 Tore pro Spiel erzielen (basierend auf einer durchschnittlichen Schussquote von 75–85 %). Das bedeutet, dass die Quoten für Jets-Spiele wahrscheinlich zu hoch sind – du kannst sie mit besseren Chancen wetten.

Beispiel 2 – Spielervergleich mit xG

Zwei Spieler haben die gleiche Anzahl von Toren (12), aber unterschiedliche xG-Werte:

• Spieler A: 12 Tore, 9,5 xG
• Spieler B: 12 Tore, 14,2 xG

Spieler A überperformt – er ist ein ausgezeichneter Schütze. Er macht weniger Chancen, nutzt sie aber sehr effizient. Spieler B underperformt – er generiert viele Chancen, nutzt sie aber nicht optimal.

Welcher Spieler wird in der nächsten Saison besser sein? Wahrscheinlich Spieler B. Er generiert bessere Chancen, und seine Quote wird sich wahrscheinlich normalisieren. Spieler A könnte einen Rückgang erleben, weil er nicht erwarten kann, dass er weiterhin 125 % seiner Chancen nutzt.

Häufige Missverständnisse und Kritik an xG

xG ist nicht perfekt, und es gibt berechtigte Kritik. Lassen Sie mich die häufigsten Missverständnisse klären.

"xG ist nicht präzise für einzelne Spiele"

Das ist wahr – und das ist auch kein Fehler des Modells, sondern eine mathematische Realität. Selbst wenn xG perfekt wäre, gibt es Standardabweichung und Glück. Wenn ein Team 3,0 xG hat, bedeutet das, dass es wahrscheinlich zwischen 1,5 und 4,5 Tore erzielen wird. Das ist eine große Spanne.

Deshalb ist xG nicht für einzelne Spiele konzipiert. Es ist für Trends über mehrere Spiele konzipiert. Wenn du 10 Spiele analysierst, wird xG sehr genau sein. Wenn du ein einzelnes Spiel analysierst, wird xG weniger hilfreich sein.

"xG ignoriert Torhüterqualität und Verteidigung"

Das war einmal wahr, aber moderne Modelle haben sich verbessert. Natural Stat Trick und ältere Modelle berücksichtigen Torhüterqualität nicht wirklich. Aber Moneypuck und Evolving Hockey integrieren Defensivdruck und andere Faktoren, die Torhüter-Leistung indirekt messen.

Außerdem: Wenn ein Torhüter konsistent besser ist als xG vorhersagt, wird das in den Daten sichtbar. Wenn ein Torhüter 100 Schüsse mit einem xG von 110 erhält, aber nur 80 Tore zulässt, ist er ein ausgezeichneter Torhüter. Das ist in den xG-Daten erkennbar.

Berechtigte Kritik und Grenzen von xG

Es gibt echte Grenzen:

Datenqualität: xG ist nur so gut wie die Daten, auf denen es basiert. Wenn die Schussposition-Daten falsch sind, wird xG ungenau.

Modellbias: Modelle können veraltete Muster lernen. Wenn sich das Spiel verändert (z.B. durch Regeländerungen), muss das Modell neu trainiert werden.

Spielsituationen: xG ist weniger genau für Powerplay und Shorthanded-Situationen, wo die Spielweise ganz anders ist.

Kontextmangel: xG berücksichtigt nicht, ob ein Team gewinnt oder verliert. Ein Team, das 4:0 führt, spielt anders als ein Team, das 0:4 hinten liegt.

xG im Eishockey vs. Fußball – Unterschiede und Parallelen

xG begann im Fußball und wurde später auf Eishockey übertragen. Es gibt wichtige Unterschiede zwischen den zwei Sportarten.

Warum xG im Eishockey weniger verbreitet ist

Im Fußball ist xG überall – es wird in Fernsehübertragungen angezeigt, in Nachrichten erwähnt und von Fans diskutiert. Im Eishockey ist xG viel weniger verbreitet. Warum?

Weniger öffentliche Daten: Die NFL und die NBA stellen umfangreiche Tracking-Daten öffentlich zur Verfügung. Die NHL ist vorsichtiger. Es gibt weniger öffentlich verfügbare Rohdaten für xG-Modelle.

Kleinere analytische Community: Der Fußball hat eine viel größere Community von Analytikern und Datenforschern. Das bedeutet mehr Modelle, mehr Wettbewerb und schnellere Verbesserungen. Im Eishockey gibt es weniger Konkurrenz.

Unterschiedliche Spielstruktur: Das Eishockey ist schneller und unvorhersehbarer als Fußball. Chancen entstehen oft aus dem Chaos, nicht aus strukturiertem Aufbau. Das macht xG schwieriger zu modellieren.

Mangelnde Mainstream-Akzeptanz: Viele Eishockey-Fans und sogar Trainer sind skeptisch gegenüber Analytics. Im Fußball ist die Akzeptanz viel höher.

Unterschiede in der Berechnung zwischen Eishockey und Fußball

Trotz ähnlicher Konzepte unterscheiden sich xG-Modelle zwischen Eishockey und Fußball:

Spielfeldgröße und Geometrie: Ein Eishockey-Spielfeld ist kleiner und schmäler als ein Fußballfeld. Das bedeutet, dass Schüsse aus großerer Nähe kommen und gefährlicher sind. xG-Werte im Eishockey sind daher im Durchschnitt höher als im Fußball.

Schusstypen: Im Fußball gibt es hauptsächlich Schüsse mit dem Fuß. Im Eishockey gibt es Schlagschüsse, Handgelenkschüsse, Rückhandschüsse und One-Timer. Jeder Schusstyp hat andere Erfolgsquoten.

Defensivdruck: Im Eishockey ist der Defensivdruck unmittelbarer und schneller. Spieler können in Sekundenbruchteilen blocken oder den Schützen unter Druck setzen. Das macht Defensivdruck im Eishockey-xG wichtiger.

Torhüterpositionierung: Eishockey-Torhüter sind viel größer und können mehr Raum abdecken als Fußball-Torhüter. Das bedeutet, dass Torhüter-Position im Eishockey einen größeren Einfluss hat.

Wo findest du xG-Daten für Eishockey?

Wenn du xG-Daten für deine Analyse nutzen möchtest, brauchst du zu wissen, wo du sie findest.

Professionelle xG-Datenquellen

Natural Stat Trick (naturalstattrick.com) ist das älteste und beliebteste kostenlose xG-Modell. Du kannst Spiel-by-Spiel-Daten, Team-Statistiken und Spieler-Statistiken abrufen. Das Modell ist relativ einfach, aber zuverlässig.

Moneypuck (moneypuck.com) ist eine Premium-Plattform mit einem der fortgeschrittensten xG-Modelle. Du kannst Echtzeit-xG-Daten abrufen, Spieler vergleichen und historische Daten analysieren. Das Abonnement kostet etwa $10–20 pro Monat.

Evolving Hockey (evolving-hockey.com) konzentriert sich auf vorhersageoptimierte xG-Modelle. Die Plattform ist besonders beliebt bei ernsthaften Analytikern. Premium-Zugang kostet etwa $15 pro Monat.

Corsica Hockey (corsica.hockey) bietet kostenlose und Premium-Optionen mit detaillierten xG-Analysen und Spieler-Statistiken.

Kostenlos vs. Premium-Ressourcen

Kostenlose Ressourcen wie Natural Stat Trick und Corsica Hockey sind großartig für Anfänger. Sie bieten genug Daten, um mit xG-Analyse zu beginnen. Allerdings sind die Modelle nicht so fortgeschritten wie Premium-Dienste.

Premium-Ressourcen wie Moneypuck und Evolving Hockey bieten fortgeschrittenere Modelle, Echtzeit-Daten und bessere Vorhersagekraft. Wenn du ernsthaft Eishockey wetten möchtest, ist ein Premium-Abonnement wahrscheinlich lohnenswert.

Die Zukunft von xG im Eishockey

xG im Eishockey entwickelt sich schnell. Hier ist, was die Zukunft bringt.

Technologische Entwicklungen und verbesserte Modelle

Machine Learning und künstliche Intelligenz werden xG-Modelle immer genauer machen. Statt einfacher logistischer Regression können Modelle nun neuronale Netze und andere fortgeschrittene Techniken nutzen.

Echtzeit-xG: Früher wurden xG-Daten erst nach dem Spiel berechnet. Heute bieten Plattformen wie Moneypuck Echtzeit-xG – du kannst sehen, wie sich der xG-Wert während des Spiels verändert.

NHL EDGE und Bewegungsdaten: Die NHL hat NHL EDGE gestartet, ein System, das die Position jedes Spielers und der Scheibe in Echtzeit verfolgt. Diese Daten werden xG-Modelle revolutionieren, weil sie viel detailliertere Informationen über Defensivdruck und Torhüter-Position bieten.

Spielsituations-Spezifische Modelle: Zukünftige Modelle werden wahrscheinlich unterschiedliche xG-Modelle für Powerplay, Shorthanded und Gleichzahlspiel haben.

Wachsende Akzeptanz in der Branche

NHL-Teams nutzen xG: Viele NHL-Teams haben Analytics-Abteilungen und nutzen xG intern. Das ist nicht mehr nur für Hobby-Analytiker.

Mainstream-Medienberichterstattung: Immer mehr Sportmedien berichten über xG. Es wird nicht mehr nur von Nerds diskutiert.

Wettmarkt-Integration: Wettanbieter werden xG-Daten wahrscheinlich in ihre Preismodelle integrieren. Das bedeutet, dass die Quoten genauer werden und es schwieriger wird, Chancen zu finden – aber es bedeutet auch, dass xG-basierte Strategien weniger wertvoll werden.

Häufig gestellte Fragen zu Hockey xG

F: Wie unterscheidet sich xG von Corsi?

A: Corsi misst das Schussvolumen – wie viele Schussversuche ein Team generiert. xG misst die Schussqualität – wie gefährlich diese Schüsse sind. Ein Team mit hohem Corsi kontrolliert das Spiel, aber xG zeigt, wie gefährlich die Chancen sind. Ein Team kann hohen Corsi, aber niedriges xG haben, wenn es viele Schüsse von schlechten Positionen abgibt.

F: Kann ich xG allein für Wettprognosen verwenden?

A: Nein. xG ist ein wichtiger Indikator, sollte aber mit anderen Faktoren kombiniert werden: Mannschaftsform (letzten 5 Spiele), Verletzungen von Schlüsselspielern, Spielaufstellungen, Torhüter-Matchups und Wettquoten-Analyse. xG ist ein Teil des Puzzles, nicht das ganze Bild.

F: Welches xG-Modell ist das beste?

A: Es gibt kein "bestes" Modell. Natural Stat Trick, Moneypuck und Evolving Hockey haben unterschiedliche Stärken. Natural Stat Trick ist kostenlos und einfach. Moneypuck ist sehr genau und bietet viele Features. Evolving Hockey ist optimiert für Vorhersagen. Mein Rat: Vergleiche ihre Vorhersagen über mehrere Spiele hinweg und sieh, welches für deine Zwecke am besten funktioniert.

F: Warum hat mein Team 3,2 xG, aber nur 1 Tor erzielt?

A: Das ist Underperformance und kann mehrere Ursachen haben: Die Spieler schießen schlecht, der gegnerische Torhüter hat einen großartigen Tag, oder die Chancen waren nicht so gut wie die Positionen vermuten lassen. Über mehrere Spiele hinweg sollte sich die Quote normalisieren – wenn das Team weiterhin 3,2 xG generiert, wird es langfristig etwa 2,4–2,8 Tore pro Spiel erzielen.

F: Ist xG im Eishockey genauso zuverlässig wie im Fußball?

A: Nicht ganz. Eishockey hat weniger öffentliche Tracking-Daten und eine kleinere analytische Community. Die Modelle sind nicht so reif wie im Fußball. Aber die Situation verbessert sich – mit mehr Daten und besseren Modellen wird xG im Eishockey immer zuverlässiger.

F: Wie berechne ich xG selbst?

A: Du brauchst historische Schussdaten, Programmierkenntnisse und Statistik-Wissen. Du könntest mit Python und scikit-learn ein einfaches logistisches Regressionsmodell bauen. Aber für die meisten Wetter ist es einfacher und genauer, bestehende Plattformen wie Natural Stat Trick oder Moneypuck zu nutzen, die von Experten gebaut wurden.

F: Welche xG-Werte sind "gut"?

A: Das hängt vom Spiel und der Mannschaft ab. Ein xG von 3,0 ist für ein Team gut, aber nicht garantiert, dass es 3 Tore erzielt. Ein xG von 1,5 ist niedrig. Vergleiche immer den xG beider Teams – wenn dein Team 3,0 xG hat und der Gegner 1,5 xG, ist das ein gutes Zeichen. Wenn beide Teams ähnliche xG-Werte haben, ist das Spiel wahrscheinlich eng.

F: Kann xG mir helfen, beim Eishockey-Wetten Geld zu verdienen?

A: Ja, aber nicht allein. xG ist ein mächtiges Werkzeug, aber es ist kein Heilmittel. Du brauchst auch: gute Bankroll-Management, emotionale Disziplin, Verständnis für Quoten und die Fähigkeit, Chancen zu finden. Wenn du xG mit anderen Analysen kombinierst und langfristig denkst, kann xG dir einen Vorteil geben.

Hockey xG ist eine der wertvollsten Metriken im modernen Eishockey-Analytics. Wenn du es verstehst und richtig nutzt, kannst du bessere Entscheidungen treffen – ob als Fan, Analyst oder Wetter.