Darios metod: Så analyserar jag matcher med xG

Jag heter Dario, men metoden jag ska beskriva lärde jag mig av en kompis som heter Erik — en kille från Göteborg som i åratal har tjänat pengar på att analysera fotboll med hjälp av expected goals, eller xG som det kallas i dagligt tal. Erik är ingen raketforskare. Han är en vanlig snubbe med ett Excel-ark och en nästan besatt kärlek till data. Hans approach är enkel men disciplinerad: han letar efter matcher där spelbolagens odds inte speglar det faktiska spelskapandet på planen. Det är i det gapet — mellan upplevd styrka och faktisk prestation — som value bets gömmer sig. I den här guiden tar jag dig genom hans metod steg för steg.

Vad är xG egentligen — och varför ska du bry dig?

Expected goals (xG) är ett statistiskt mått som tilldelar varje skottläge i en match ett sannolikhetsvärde — alltså hur stor chansen är att det specifika skottet ska resultera i mål. En straff har till exempel ett xG-värde på ungefär 0,76, vilket innebär att den förväntas bli mål i 76 procent av fallen. Ett skott från 30 meter med en tight vinkel kanske hamnar på 0,02 xG. Summerar du alla skott ett lag avlossar under en match får du lagets totala xG, som i praktiken visar hur många mål laget "borde" ha gjort baserat på kvaliteten på sina chanser. Det geniala med xG fotboll är att det skalar bort slumpen. Fotboll är en sport med få mål, och det gör att enstaka matcher kan ljuga rejält. Ett lag kan dominera helt, skapa chanser värda 2,8 xG men förlora 0–1 på en halvdålig kontring. Resultatet säger att de var sämst — xG-datan säger något helt annat. Det är precis den typen av diskrepans Erik letar efter.

Var hittar du xG-data?

Det finns idag flera gratisresurser som gör xG analys tillgänglig för alla. De mest använda är: • Understat (understat.com) — täcker de fem stora ligorna i Europa samt Ligue 1 och har detaljerad xG-data per match och per spelare. • FBref (fbref.com) — ägs av Sports Reference och levererar xG-statistik från StatsBomb, en av de mest respekterade datakällorna i branschen. Täcker bland annat Allsvenskan. • Infogol — en sajt som bygger hela sin modell kring expected goals och erbjuder xG-baserade odds. För svensk fotboll är FBref ett riktigt bra alternativ. Du hittar xG-data för Allsvenskan och i vissa fall Superettan. Erik kör just FBref som sin primärkälla för Allsvenskan och kompletterar med Understat för de europeiska ligorna.

Steg-för-steg-metod för xG-betting

Så här ser Eriks process ut inför varje spelvecka. Det är inget hokus pokus, men det kräver tålamod och systematik. **Steg 1: Samla xG-datan för de senaste 6–10 matcherna** Erik tittar aldrig på bara senaste matchen. Han tar ett snitt på minst sex, helst tio, matcher för att jämna ut variansen. Han noterar lagets xG (skapat) och xGA (expected goals against, alltså tillåtet). Det ger en bild av både offensiv och defensiv styrka. **Steg 2: Jämför xG med faktiska mål** Här är det intressanta. Om ett lag i snitt skapar 1,7 xG per match men bara gör 0,9 mål per match — då har de antagligen haft otur, dåligt avslut i en tillfällig svacka eller en kombination. Historisk data visar att lag tenderar att regressera mot sitt xG-snitt över tid. Det betyder att ett sådant lag sannolikt kommer börja göra fler mål framöver. Omvänt: ett lag som gör 2,3 mål per match men bara har 1,4 xG per match lever förmodligen över sin förmåga. De har haft marginella situationer som gått deras väg. Odds på sådana lag tenderar att vara för låga, eftersom marknaden och den breda publiken reagerar på faktiska resultat snarare än underliggande prestation. **Steg 3: Räkna fram en förväntad matchbild** Erik tar hemmalag-xG och bortalag-xGA och räknar ut ett viktat genomsnitt. Sedan gör han samma sak åt andra hållet. Det ger honom en uppskattad målbild — till exempel 1,6–1,1 för en match i Allsvenskan. Det här är hans "fair odds"-modell. **Steg 4: Jämför med spelbolagens odds** Nu loggar Erik in hos svenska spelbolag — han kör framför allt på de spelbolag som finns tillgängliga på den svenska marknaden — och kollar oddsen. Om hans modell visar att hemmalaget borde vinna med ungefär 48 procents sannolikhet, men oddset antyder 38 procent (odds runt 2,65), då har han en potentiell value bet. **Steg 5: Minst 5 procents edge för att spela** Erik spelar aldrig om inte hans beräknade sannolikhet är minst fem procentenheter högre än oddsen antyder. Det är hans marginal. Allt under det skippar han. Det här är en av anledningarna till att han ibland bara spelar två–tre gånger på en hel spelvecka — men det är just den disciplinen som gör metoden lönsam.

Ett praktiskt exempel: Allsvenskan och xG i handling

“

xG är inte en kristallkula, men det är det närmaste vi kommer ett objektivt mått på fotbollens chansskapande. Lär dig läsa det, och du har ett försprång mot marknaden.

Låt oss säga att vi analyserar en match i Allsvenskan. Hemmalaget har de senaste åtta matcherna skapat ett xG-snitt på 1,65 per match men bara gjort 0,8 mål per match. De har alltså underpresterat rejält i sina avslut. Deras xGA (tillåtet) ligger på 1,1 per match — defensivt stabila. Bortalaget å andra sidan har gjort 1,9 mål per match men bara skapat 1,2 xG per match. De har alltså överpresterat offensivt. Marknaden har satt bortalaget som favorit, kanske med ett odds på hemmavinst runt 3,10. Men om du litar på xG-datan — och du bör göra det i utsträckta perioder — borde hemmalaget vara betydligt mer konkurrenskraftigt än vad oddset speglar. Regressionen till medelvärdet jobbar i hemmalag-favör: deras chansskapande är bra, målen kommer att komma. Och bortalaget kommer förmodligen inte fortsätta göra mål ur ingenting. En xG analys pekar alltså på att hemmavinst-oddset potentiellt har value. Det betyder inte att hemmalaget vinner just den matchen — det handlar om att du över tid, genom att systematiskt identifiera sådana situationer, spelar med matematiken på din sida. Du kan dessutom använda xG-data för over/under-marknader. Om båda lagens sammanlagda xG och xGA pekar mot en match med ett förväntat totalt målantal kring 2,0 — men oddsen på under 2,5 mål bara är 1,60 — kanske det finns bättre value på det spelet om din modell säger att sannolikheten är högre.

Fallgropar med xG — vanliga misstag att undvika

xG är ett kraftfullt verktyg, men det är inte perfekt. Här är de vanligaste misstagen Erik ser: **1. För litet urval.** Att titta på en eller två matchers xG och dra slutsatser är meningslöst. Variansen i fotboll är enorm på kort sikt. Du behöver minst fem–sex matcher, helst fler, för att börja se mönster. **2. Att ignorera kontexten.** xG-modeller tar hänsyn till var skottet togs, från vilken kroppsdel och ibland speltyp — men de fångar inte allt. De tar till exempel sällan hänsyn till vilken målvakt som stod i mål, om nyckelspelare var skadade, eller om matchen redan var avgjord och tempot drog ner. Erik korrigerar alltid sin data med kvalitativa insikter. **3. Att behandla xG som en kristallkula.** xG fotboll visar vad som borde ha hänt givet kvaliteten på chanserna. Det berättar inget om framtida taktik, formförändringar eller tränarkonflikter. Använd det som en pusselbit — en viktig sådan — men inte den enda. **4. Att glömma xG-modellernas skillnader.** Det finns flera xG-modeller (StatsBomb, Opta, Infogol med flera) och de ger inte identiska resultat. Var konsekvent: välj en källa och håll dig till den så att dina jämförelser blir rättvisa.

Hur du kombinerar xG med andra verktyg

Erik kör aldrig xG i ett vakuum. Han kompletterar alltid med: • **Trupplägesnyheter** — en skadad nyckelspelare kan förändra ett lags chansskapande dramatiskt. • **Spelschema och rotation** — lag som spelar Europa-kvalmatcher mitt i veckan presterar ofta sämre i helgens ligamatch. xG-snittet kanske inte fångar det. • **Momentum och trender** — om ett lag bytt tränare och spelar med ett helt nytt system de senaste tre matcherna, kan äldre xG-data vara missvisande. Erik viktar de senaste matcherna tyngre i sådana fall. • **Passningskartor och skottyper** — för den som vill gå djupare finns data på om ett lags chanser skapas genom öppet spel, fasta situationer eller kontringar. Det ger ledtrådar om huruvida xG-nivån är hållbar. Den som lär sig xG betting på det här sättet — som ett komplement till annan analys — bygger över tid en robust analysmodell som inte åker berg-och-dalbana med varje överraskningsresultat.

Sammanfattning: Fem takeaways från xG-metoden

1. **xG mäter chansskapandets kvalitet** — inte bara hur många skott, utan hur farliga de var. Det är ett bättre mått på lagets verkliga styrka än tabellen många gånger. 2. **Regression mot medelvärdet är din bästa vän.** Lag som underpresterar i förhållande till sitt xG kommer sannolikt att förbättra sina resultat, och vice versa. Det är i det gapet du hittar value bets. 3. **Samla data från minst 6–10 matcher** innan du drar slutsatser. En match säger ingenting. 4. **Jämför din modells sannolikheter med spelbolagens odds.** Spela bara när din edge är minst fem procentenheter. 5. **Kombinera xG-data med kontextuell analys** — skador, spelschema, tränarbyte — för att fatta välgrundade beslut. Expected goals har på bara ett decennium gått från att vara en nischig datavetenskaplig kuriositet till att vara ett av de viktigaste verktygen i modern fotbollsanalys. Det finns ingen ursäkt att inte ha det i din verktygslåda.