Problemstellung
Jeder Analyst kennt das Phänomen: Ein Team drängt, ein Spieler kommt, die xG‑Zahlen springen. Die Ursache liegt nicht im Ball, sondern im Wechsel.
Wie ein Spielereinsatz die xG-Matrix sprengt
Stell dir vor, xG ist ein Thermometer. Ein frischer Stürmer ist ein heißer Atemzug, der das Messgerät nach oben zieht. Der alte Mittelfeldspieler ist dagegen ein kühler Wind, der die Werte senkt. Kurz gesagt, jede Minute auf dem Platz verändert die erwartete Torwahrscheinlichkeit, als würde man ständig das Gewicht einer Waage ändern.
Statistische Schattenseiten
Die meisten Modelle behandeln das Spielfeld als statisch, ignorieren jedoch den dynamischen Fluss von Fitness bis Müdigkeit. Wenn ein Spieler nach 70 Minuten einsetzt, steigt seine xG pro Minuten dramatisch – nicht, weil er besser schießt, sondern weil er noch nicht erschöpft ist. Das führt zu einer Verzerrung, die leicht übersehen wird, wenn man nur den Endstand betrachtet.
Praxisbeispiel aus der Bundesliga
Erinnerst du dich an das überraschende Comeback von Freiburg gegen Stuttgart im Mai? Der Ersatzspieler G. Müller kam in der 68. Minute, drückte die xG von 0,27 auf 0,45 in nur zehn Minuten. Die Daten zeigen, wie ein einziger Wechsel das gesamte Erwartungsprofil des Teams neu definiert.
Methoden, die das Bild klarer machen
Ein Ansatz: xG pro 90 Minuten jedes Spielers tracken, nicht nur das Team‑Gesamt‑xG. Kombiniert mit einem „Fatigue‑Factor“ kann man die Realität abbilden. So wird aus einer glatten Kurve ein lebendiges Diagramm, das zeigt, wann ein Spieler wirklich Einfluss hat. Hier ein Link zu einer Detailanalyse: kifussballxganalyse.com.
Der Deal für deine nächste Analyse
Vergiss das klassische „End‑xG“. Stattdessen setz auf Minuten‑xG, berücksichtige die Müdigkeit und die Kontext‑Werte von Ein- und Auswechslungen. Und dann? Starte sofort einen Testlauf. Überprüfe die Differenz zwischen tatsächlichen Toren und den bereinigten xG‑Werten dieses Monats – das liefert die klarste Sicht, die du je hattest. Jetzt an die Daten, nicht mehr warten.