Obwohl sie die am häufigsten verwendete und repräsentativste Statistik ist, ist Expected Goals (xG) nicht die einzige Statistik zur Messung der Wahrscheinlichkeit, dass eine Spielaktion mehr oder weniger erfolgreich ist. Neben xG messen wir bei Driblab verschiedene Arten der Angriffssituationen, wie z.B. Expected Threat (xT), oder Expected Assists (xA), auf die wir uns in diesem Artikel konzentrieren werden.
Mit der Metrik Expected Assists (xA), versuchen wir, die Qualität eines Passes zu messen, der in einem Schuss endet. Wenn Vorlage nur gezählt wird, wenn der Schuss in einem Tor endet, versuchen wir mit xA den Wert eines Passes, der in einem Schuss endet, und seine Wahrscheinlichkeit, eine Vorlage zu werden, die in einem Tor endet, zu analysieren. In einem Satz zusammengefasst, messen die erwarteten Assists die Gefahr, die von einem Pass ausgeht, der in einem Schuss endet, und weisen ihm eine Wahrscheinlichkeit zu, die mit den Torchancen zusammenhängt.
Ob das Spiel in einem Tor und damit in einem Assist endet, hängt jedoch ausschließlich vom Schützen ab, was zeigt, dass es für die Analyse der erwarteten Assists entscheidend ist, bessere oder schlechtere Schützen in der Nähe zu haben. Daher ist neben xG auch xA nützlich, um zu wissen, wie gut die Torjäger einer bestimmten Mannschaft über einen bestimmten Zeitraum (eine Saison oder einen Wettbewerb) sind. xA misst die Qualität des Passes unter Berücksichtigung der Qualität des Schützen, wie wir später anhand eines individuellen und konkreteren Falls sehen werden.
In unserer Visualisierung steht jeder Kreis für einen Pass, der zu einem Schuss führt, die Größe ist der Wert von xA (die Wahrscheinlichkeit, dass ein Pass zu einem Schuss wird, der zu einem Tor führt), und die umringten Kreise sind Tore. Die Summe der xA in der oberen Grafik ist die Summe der gesamten xA für jede Mannschaft. In der xA-Karte des Spiels Kroatien gegen Spanien Euro2020 unterscheidet unsere Grafik die Assist-Wahrscheinlichkeit anhand der Farbe und Größe des Kreises, in dem der Mitspieler ein Tor erzielt.
xA angewendet auf die Spieleranalyse
Wie bereits in der Einleitung erwähnt, wird die xA-Kennzahl im Gegensatz zu xG auch unter Berücksichtigung der Qualität eines Mitspielers und nicht nur des Passgebers gemessen. Eine gute Methode, um zu messen, ob ein Spieler die Kapazität und Fähigkeit hat, erwartete Assists zu generieren, ist zu sehen, wie wahrscheinlich es ist, dass seine Pässe in Vorlagen umgewandelt werden und welche davon in einem Tor enden, indem man den Kontext um ihn herum betrachtet. Es ist möglich, dass ein Spieler mehr erwartete Assists generiert, aber seine Angreifer diese Chancen nicht nutzen, was sich in den individuellen Metriken für erwartete Vorlagen widerspiegelt. Dies ist der Fall für Neymar in der Saison 2020/21: 5 Vorlagen und 6,1 erwartete Vorlagen. Diese Situation kann auch in umgekehrter Richtung auftreten: Ein Spieler liefert dank sehr effektiver Mitspieler im Abschluss mehr Assists als er aufgrund der Qualität seiner Pässe produziert.
Am oberen Rand des Diagramms können Sie die Anzahl der erwarteten Vorlagen für jeden Pass, der zu einem Schuss führt, ablesen. Der Wert 0,1 zeigt an, dass diese Vorlage in 10 % der Fälle zu einem Tor führt. Bei der individuellen Analyse generiert Neymar 0,11 xA für jeden Pass, der zu einem Abschluss führt.
Im Gegensatz dazu trennen unsere Metriken und Visualisierungen alles, was im Spiel generiert wird, vor allem, was aus dem Spiel heraus generiert wird. So können wir die Spieler, die die meisten erwarteten Vorlagen im offenen Spiel generieren, von denjenigen unterscheiden, die produktiver aus Freistößen oder Ecken sind, wie wir weiter unten sehen werden.
xA angewendet auf die Mannschaftsanalyse
Diese Messungen werden auch auf kollektiver Ebene verwendet, wie es bei xG der Fall ist. Mit der xA-Karte einer ganzen Saison können wir zwei Faktoren überprüfen. Zum einen die Fähigkeit einer Mannschaft, erwartete Vorlagen zu generieren, was auch ein Maß für die von ihr erzeugte Gefahr ist, und zum anderen, wie viele dieser erwarteten Vorlagen von den Torschützen erzielt wurden. Ein sehr offensichtlicher Fall von mangelnder Effektivität ist Getafe, die 21 erwartete Vorlagen generierten und nur 14 umsetzten.
Unsere Visualisierungen können alle erwarteten Vorlagen, die im Spiel produziert werden, von denen unterscheiden, die bei Standard Situationen entstehen – obere linke Ecke des Diagramms -. In diesem Sinne zeigt uns der Fall von Getafe, dass sie bei Spielzügen weiterhin Probleme haben, wenn es darum geht, die Qualität der Pässe zu verwandeln, die nach dem Abschluss zu Toren führen können. Jedoch sind es die Spielzüge, bei denen ihre Effektivität im Verhältnis zu dem, was sie produzieren, besonders niedrig ist, was uns die Analyse erleichtert: Getafe generiert und legt mehr und besser vor als das, was sie in Tore umsetzen. Ihre Vorbereiter haben bessere Leistungen gebracht als ihre Torjäger.
Wir sind Driblab, ein Beratungsunternehmen, das sich auf die statistische Analyse von Spielern und Mannschaften spezialisiert. Unsere Arbeit konzentriert sich auf die Beratung und Risikominimierung bei der Entscheidungsfindung im Profifußball in Bereichen, die mit der Talenterkennung und der Bewertung von Fußballern zusammenhängen. Unsere Datenbank enthält mehr als 180.000 Spieler aus mehr als 180 Wettbewerben und deckt Informationen aus der ganzen Welt ab. Hier erfahren Sie mehr darüber, wie wir arbeiten und was wir anbieten.
