Messungen, die trügen
Schau, jedes xG-Modell spuckt Zahlen, die wie Wettervorhersagen wirken – verführerisch, aber nie 100 % exakt. Der erste Stolperstein liegt in der Datenqualität, denn unvollständige Eventlogs aus der Saison 2024/25 lassen Lücken, die ein Modell schnell in die Irre führen.
Unvollständige Passdaten
Ein kurzer Pass, der in der Luft abgefangen wird, wird häufig als einfacher Flankenversuch klassifiziert, obwohl er bereits die Torwahrscheinlichkeit stark reduziert. Der Unterschied zwischen einem „Pass“ und einem „Kreuz“ ist nicht immer klar definiert, und das verzerrt die xG‑Berechnung gravierend.
Positionelle Verzerrungen
Hier ist der Deal: Viele Modelle setzen auf statische Koordinaten, ignorieren jedoch das dynamische Pressing‑System der Teams. Wenn ein Verteidiger mit 2 m Abstand den Ball kontrolliert, ändert das den Erwartungswert sofort – doch das wird selten berücksichtigt.
Modell‑Bias durch Trainingsdaten
Und hier ist warum: Historische Daten aus den 2010er‑Jahren dominieren das Training. Die Bundesliga hat sich seitdem weiterentwickelt, das Spieltempo ist höher, die Raumnutzung smarter. Ein Modell, das noch auf alte Muster schaut, liefert systematisch falsche Werte.
Team‑Spezifika vernachlässigt
Ein weiterer Knackpunkt: Jeder Verein hat sein eigenes xG‑Profil. Wer selten aus der Distanz schießt, bekommt bei einem generischen Modell zu hohe Chancen, weil die durchschnittliche Liga‑Statistik überschätzt wird. Der Fehler ist subtil, aber er summiert sich über 30 Spiele.
Was du jetzt tun solltest
Nutze aktuelle Event‑Feeds, filtere nach Mannschafts‑ und Spielstil, und justiere das Modell jedes Mal, wenn ein neuer Trainerwechsel erfolgt. So sparst du dir die größten Fallstricke.
