Expected Goals (xG) nelle Scommesse: Come Usarli per i Pronostici

Nel giro di pochi anni, gli expected goals sono passati dall’essere un indicatore di nicchia discusso nei forum di analisti a diventare la metrica più citata nei commenti post-partita di qualsiasi telecronaca. Il problema è che la popolarità non ha portato con sé una comprensione adeguata. La maggior parte delle persone che menzionano gli xG non sa come vengono calcolati, cosa misurano davvero e — soprattutto — come utilizzarli in modo operativo per le scommesse.

Questa guida smonta la metrica pezzo per pezzo, spiega come leggerla senza cadere nelle trappole interpretative più comuni e mostra come integrarla nel processo decisionale di uno scommettitore.

Indice dei contenuti

1. Cos’è l’xG e come viene calcolato
2. Come interpretare gli xG senza farsi ingannare
3. Dove trovare i dati xG gratuitamente
4. Come applicare gli xG ai mercati over/under
5. xG e mercato risultato finale: un approccio più sofisticato
6. Quando gli xG mentono: i casi limite
7. La metrica che racconta il futuro, non il passato

Cos’è l’xG e come viene calcolato

L’expected goals è un modello statistico che assegna a ogni tiro effettuato in una partita una probabilità di trasformarsi in gol, basandosi sulle caratteristiche del tiro stesso. Un tiro a tu per tu con il portiere dall’interno dell’area piccola avrà un xG di 0.75-0.85 — significa che, su un campione storico di tiri con caratteristiche simili, il 75-85% è finito in rete. Un tiro dalla distanza di 30 metri con due difensori davanti avrà un xG di 0.02-0.04.

Le variabili che entrano nel calcolo dipendono dal modello specifico, ma le principali sono la distanza dalla porta, l’angolo di tiro, la parte del corpo utilizzata (piede, testa), il tipo di azione che ha generato il tiro (gioco manovrato, contropiede, calcio piazzato) e la posizione del portiere. Modelli più avanzati — come quelli di StatsBomb — includono anche la pressione difensiva sul tiratore, la posizione dei difensori tra il tiratore e la porta e la velocità dell’azione.

La somma degli xG di tutti i tiri di una squadra in una partita produce l’xG totale della squadra per quella partita. Se l’Atalanta ha un xG di 2.3 e il Torino di 0.8, il modello sta dicendo che la qualità e la quantità delle occasioni create dall’Atalanta avrebbero prodotto, in media, 2.3 gol, contro 0.8 per il Torino. Il risultato effettivo potrebbe essere stato 1-1, ma l’xG racconta una storia diversa — e spesso più utile per le previsioni future.

Come interpretare gli xG senza farsi ingannare

L’errore più comune nell’uso degli xG è trattarli come una misura di quanto una squadra “meritava” di vincere. Questa interpretazione è sbagliata su più livelli. L’xG misura la qualità delle occasioni create, non il merito sportivo. Una squadra che produce un xG alto con tiri a bassa percentuale da fuori area non sta necessariamente giocando meglio — sta tirando molto, spesso male.

Il secondo errore è concentrarsi sui singoli match. L’xG di una partita è un dato rumoroso: con pochi tiri per squadra, la varianza è enorme. Il vero potere degli xG emerge sui campioni ampi — almeno dieci partite, idealmente una stagione intera. Se una squadra ha segnato 25 gol in 20 partite ma il suo xG cumulativo è di 35, c’è una discrepanza che probabilmente si correggerà nelle partite successive. Il contrario — più gol di quanti l’xG giustifichi — suggerisce sovraperformance che tenderà a regredire verso la media.

Un terzo aspetto spesso ignorato è la differenza tra xG e xG on Target (xGOT). L’xG standard valuta la qualità dell’occasione prima del tiro. L’xGOT valuta la qualità del tiro stesso — dove è stato indirizzato, con quale potenza, quanto era difficile da parare per il portiere. Un xGOT sistematicamente superiore all’xG indica che una squadra ha giocatori capaci di trasformare occasioni ordinarie in gol straordinari. Questa capacità è in parte sostenibile — certi attaccanti sono semplicemente più bravi — ma anche in parte casuale, e la distinzione tra le due componenti è il lavoro più difficile per l’analista.

Dove trovare i dati xG gratuitamente

Nel 2026, i dati xG sono accessibili senza spendere un centesimo, a patto di sapere dove cercare.

Understat resta la fonte di riferimento per un uso rapido e intuitivo. Copre i cinque maggiori campionati europei — Serie A inclusa — e offre xG per partita, per squadra e per giocatore, con la possibilità di filtrare per casa/trasferta, per avversario e per periodo temporale. La mappa dei tiri è particolarmente utile: visualizza ogni occasione su un campo stilizzato, mostrando posizione e valore xG.

FBref offre dati xG più dettagliati, basati sui dati di Opta (Stats Perform). Qui si trovano metriche avanzate come l’xG assisted (xAG) — il valore xG cumulativo dei tiri che un giocatore ha assistito — e gli xG per 90 minuti normalizzati. Il sito è meno intuitivo di Understat, ma la profondità dei dati è superiore.

Infogol è una fonte meno conosciuta ma estremamente utile per le scommesse, perché presenta i dati xG già interpretati in chiave previsionale, con pronostici basati su modelli proprietari per le partite in programma. Non va preso come oracolo, ma come punto di partenza per la propria analisi.

Una nota importante: i modelli xG di fonti diverse producono numeri diversi per la stessa partita. Understat, FBref e Infogol usano algoritmi differenti con variabili diverse. Questo non è un problema — è anzi un’informazione utile. Se tutti i modelli concordano sulla discrepanza tra una squadra e i suoi risultati effettivi, la fiducia nella previsione aumenta.

Come applicare gli xG ai mercati over/under

Il mercato dove gli xG offrono il vantaggio più diretto è l’over/under. La logica è lineare: se due squadre che si affrontano producono un xG combinato medio di 3.2 per partita ma segnano effettivamente solo 2.4 gol per partita, c’è una sottoperformance offensiva che probabilmente si correggerà. Le quote sull’over 2.5 per quella partita potrebbero non riflettere ancora questa correzione attesa.

Il processo operativo è semplice. Per ogni partita di interesse, si calcola l’xG medio prodotto e concesso da ciascuna squadra nelle ultime dieci partite. Si sommano i valori per ottenere un xG atteso combinato. Si confronta questo valore con le linee over/under offerte dal bookmaker. Se l’xG combinato atteso è 3.0 e il bookmaker offre l’over 2.5 a quota 2.10 — implicando una probabilità del 47.6% — ma storicamente le partite con xG combinato di 3.0 superano la soglia del 2.5 nel 62% dei casi, c’è valore.

Un raffinamento importante è distinguere tra xG in casa e in trasferta. Molte squadre hanno profili offensivi radicalmente diversi tra le mura domestiche e fuori. Una squadra con un xG medio di 2.0 che in casa produce 2.5 e in trasferta 1.5 va valutata con il dato specifico, non con la media globale. Lo stesso vale per il lato difensivo: l’xG concesso in casa e in trasferta racconta storie diverse.

Un’ulteriore applicazione riguarda il mercato over/under per tempo. I dati xG per primo e secondo tempo spesso rivelano pattern che le statistiche sui gol effettivi mascherano. Una squadra che nel primo tempo produce un xG medio alto ma segna poco sta probabilmente subendo la varianza — e l’over primo tempo su quella squadra potrebbe offrire valore superiore a quanto le quote suggeriscano.

xG e mercato risultato finale: un approccio più sofisticato

Applicare gli xG al mercato 1X2 è più complesso ma altrettanto potente. Il punto di partenza è la differenza tra gol segnati e xG prodotto. Una squadra che in venti partite ha segnato 30 gol con un xG di 38 sta sottoperformando in modo significativo. La regressione verso la media suggerisce che nelle partite successive segnerà di più rispetto alla media recente — non perché migliorerà improvvisamente, ma perché la qualità delle occasioni che crea è già alta.

Il passaggio successivo è costruire una previsione del risultato usando gli xG invece dei gol effettivi. Se il modello Poisson — che stima la probabilità di ogni risultato partendo dalle medie gol — viene alimentato con gli xG invece che con i gol reali, le probabilità risultanti riflettono la performance sottostante piuttosto che il rumore statistico dei risultati recenti. Questo approccio è particolarmente efficace a inizio stagione, quando il campione di partite è piccolo e i risultati effettivi sono fortemente influenzati dalla varianza.

Un’avvertenza fondamentale: gli xG non sono infallibili. Il modello non cattura tutti gli elementi che influenzano il risultato. La qualità del portiere, la capacità di gestire i momenti cruciali della partita, la coesione difensiva in situazioni di pressione — questi fattori incidono sui risultati ma non sono pienamente riflessi nei numeri xG. Per questo, gli xG vanno usati come uno degli input del processo decisionale, non come l’unico.

Quando gli xG mentono: i casi limite

Gli xG funzionano bene nella maggior parte delle situazioni, ma ci sono contesti specifici in cui il modello diventa meno affidabile. Riconoscere questi casi è altrettanto importante quanto sapere usare la metrica.

Il primo caso limite sono le squadre che giocano sistematicamente in contropiede. Queste squadre producono poche occasioni — e quindi un xG basso — ma le occasioni che creano sono spesso di altissima qualità, con attaccanti veloci lanciati in campo aperto. Il modello xG cattura in parte questa qualità attraverso la posizione del tiro, ma non sempre riflette pienamente il vantaggio dinamico del contropiede rispetto a un tiro dalla stessa posizione in una situazione di gioco statico.

Il secondo caso sono le squadre con un calciatore eccezionale sui calci piazzati. I calci di punizione dal limite dell’area hanno un xG medio molto basso — intorno a 0.04-0.06 — perché la stragrande maggioranza non finisce in rete. Ma se una squadra ha un tiratore d’élite che converte queste situazioni con una frequenza molto superiore alla media, il modello xG sottostimerà sistematicamente la sua produzione offensiva. Questo non è varianza — è abilità individuale che il modello non cattura adeguatamente.

Il terzo caso riguarda le partite con espulsioni o condizioni anomale. Un’inferiorità numerica prolungata distorce le dinamiche di gioco in modo che i dati xG della partita diventano poco rappresentativi della forza reale delle squadre. Includere queste partite nel campione senza aggiustamenti contamina l’analisi.

La metrica che racconta il futuro, non il passato

Chi usa gli xG per commentare le partite già giocate sta sprecando il potenziale della metrica. Dire che una squadra “meritava di vincere secondo l’xG” è una constatazione retrospettiva che non ha alcun valore operativo. L’xG diventa uno strumento davvero utile solo quando lo si usa in chiave prospettica — per prevedere, non per spiegare.

La domanda giusta non è “chi ha prodotto più xG nella partita di ieri” ma “quale squadra sta producendo xG superiori ai propri gol nelle ultime quindici partite”. Quella squadra ha un debito con la statistica, e prima o poi la statistica riscuoterà. Quando lo farà, le quote dei bookmaker — che si basano prevalentemente sui risultati recenti, non sugli xG — saranno in ritardo. E quel ritardo è il tuo margine.

Verificato da un esperto: Alice Pellegrini