Expected Threat (xT) erklärt: mehr als xG

Arsenals Tor zum 3:1-Sieg gegen Burnley im Dezember 2018 war ein echtes Kunstwerk. Mesut Özil riss die Abwehr mit einem Pass in die Lücke auf, der Sead Kolašinac erreichte. Dieser legte den Ball quer vor das Tor zurück, so dass Pierre-Emerick Aubameyang zum 1:0 vollenden konnte. Die Vorlage ging an Kolašinac. Das Tor an Aubameyang. Özil bekam nichts.

Expected Threat, oder xT, erzählt eine andere Geschichte. Nach deren Berechnung erhöhte Özils Pass die Wahrscheinlichkeit, innerhalb der nächsten fünf Aktionen zu treffen, von 7,7 % auf 15,8 %. Kolašinacs Hereingabe steuerte lediglich 1,3 Prozentpunkte dazu bei. Özil erledigte 86 % der Arbeit, und die Statistiken haben das nicht registriert.

Das ist der Reiz von xT. Tore, Vorlagen und sogar xG zählen nur den letzten Schritt einer Kombination. xT würdigt die Pässe und Ballführungen, die diesen letzten Schritt erst ermöglicht haben, ein wenig so, als würde man eine Schachpartie nicht nur anhand des letzten Schlags bewerten. Hier ist, wie es funktioniert, woher es stammt und wie ein Wettbewerber es nutzen kann.

Es geht um die Frage, was Expected Threat (xT) tatsächlich misst.

Expected Threat setzt dem eine Zahl auf, wie stark jeder einzelne Pass, Ballführung oder Dribbling die Torchance eines Teams verändert. Expected Goals (xG) bewerten nur Schüsse. xT bewertet alles andere auf dem Platz, einschließlich der Aktionen, die gar nicht erst zu einem Schuss führen.

Die Idee ist wunderschön einfach. Man teilt den Platz in ein Raster auf und weist jeder Zone einen Threat-Wert zu: Wie oft führt Ballbesitz in dieser Zone innerhalb der nächsten paar Aktionen zu einem Tor? Sagt man, dass der Ball in der eigenen Strafraumhälfte etwa 0,01 wert ist, was einer Chance von 1 % entspricht, so könnte er in der Höhe des Elfmeterpunkts vielleicht etwas wie 0,35 wert sein. Bewegt man den Ball von einer Zone zur anderen, ist die Differenz das, was der Spieler als Kredit erhält.

Ein Pass aus der eigenen Hälfte an die Strafraumkante des Gegners bringt also mehr als nur Territorium. Er erhöht die Torchance messbar. Der entscheidende Unterschied: xG bewertet den Schuss, xT bewertet den Aufbau.

Unter der Haube stellt xT von jeder Position auf dem Platz eine einfache Frage: Schießen oder den Ball weiterrollen? Das Modell wiegt die Chance zu treffen, wenn man schießt, gegen den Wert der Position ab, an die der Ball mit hoher Wahrscheinlichkeit weitergeleitet wird.

Die Berechnung läuft in Runden, bis die Zahlen sich stabilisieren, in der Regel nach vier oder fünf. Jeder Runde fügt eine weitere Aktion an die Kette an, sodass die Zahl für eine Zone nach fünf Runden die Wahrscheinlichkeit darstellt, innerhalb der nächsten fünf Aktionen ab dieser Stelle zu treffen. In Formeln:

Die Mathematik hinter xT ist älter als ihr Name. 2011 stellte Sarah Rudd auf dem New England Symposium on Statistics in Sports an der Harvard University eine Arbeit vor, in der sie Markov-Ketten nutzte, um Ballbesitz in einer Handvoll Spielsituationen (Strafraum, Flanken, Mittelfeld, Tor, Ballverlust) zu bewerten. Ihr Modell bewertete den damals noch jungen Jordan Henderson, der bei Sunderland spielte, als einen der Top-25-Spieler der Premier League, während der produktive Stürmer Darren Bent nur schwach abschneidete. Damals sah das noch völlig verrückt aus. Heute wirkt es deutlich weniger abwegig.

Karun Singh machte die Idee anschließend einem größeren Publikum bekannt. Sein Blog-Artikel aus dem Dezember 2018 prägte den Begriff „Expected Threat“, ergänzte interaktive Visualisierungen und beschrieb die Methodik detailliert genug, damit jeder sie nachvollziehen konnte. Der Name hat sich gehalten, und sein Beitrag ist bis heute eine der am häufigsten zitierten Referenzen zu diesem Thema.

Das übliche Setup teilt das Spielfeld in ein 16x12-Raster, insgesamt 192 Zonen. Jede Zone trägt vier Zahlen, die aus historischen Daten stammen: wie oft Spieler den Ball von dort aus durch Pässe oder Dribblings bewegen, wie oft sie schießen (die beiden Werte addieren sich zu 100 %), wohin der Ball tendenziell als Nächstes geht und wie oft ein Schuss aus dieser Zone im Tor landet.

Das Modell startet mit jeder Zone bei null und baut sich in Runden auf. Runde eins ist im Grunde ein xG-Modell, denn nur Schüsse zählen. Runde zwei fügt „bewegen, dann schießen“ hinzu. Runde drei fügt „bewegen, bewegen, schießen“ hinzu, und so weiter. Ab Runde vier oder fünf ändern sich die Werte nicht mehr wesentlich, und die Zahl jeder Zone ist ihre Chance, innerhalb von fünf Aktionen ein Tor zu erzielen.

Warum bei fünf stoppen? Längere Sequenzen werden zunehmend unberechenbar, und die zusätzlichen Runden bringen sehr wenig. Es ist ein cleverer Kompromiss, und er hält die Zahlen leicht interpretierbar.

Einzelne Pässe oder Ballführungen zu bewerten ist kaum einfacher: Nimm den Bedrohungs-Wert, an dem die Aktion endete, und ziehe den Wert ab, an dem sie begann. Bringst du den Ball aus einer Zone mit einem Wert von 0,05 in eine mit 0,15, dann hat diese Aktion 0,10 xT erzeugt – zehn Prozentpunkte mehr Torschuss-Chance innerhalb von fünf Aktionen.

Summiere diese Gewinne über ein Spiel oder eine Saison und du hast ein Maß dafür, wie viel Bedrohung ein Spieler oder eine Mannschaft erzeugt, unabhängig davon, ob sich daraus ein Torschuss ergibt.

Die Idee hinter xT wurde in der Basketball-Analytik von Cervone und Kollegen formuliert: „Die meisten fortgeschrittenen Kennzahlen basieren weiterhin auf einfachen Zählungen im Hinblick auf die Endzustände der Ballbesitze... Das ist vergleichbar mit der Analyse einer Schachpartie, die nur auf dem Zug basiert, der zum Matt führt, und dabei die Möglichkeit übersieht, dass der entscheidende Zug einige Züge zuvor stattfand."

Der Fußball hat genau denselben Blindspot. Tore, Assists und xG sitzen alle am Ende eines Spiels. Sie übersehen den progressiven Pass, der eine defensive Linie durchbricht, das Dribbling, das Verteidiger aus ihrer Position zieht, und den Seitenwechsel zu einem überladenen Flügel. Und da die meisten Ballaktionen in einem Spiel Pässe und Dribblings sind und keine Schüsse, bleibt ein großer Teil des Fußballs ungewürdigt.

Expected Goals revolutionierten die Art und Weise, wie wir Schussqualität bewerten, aber ein Pass, der eine Linie bricht, ein Dribbling, das Raum öffnet, oder ein Ballvorwärts aus der Tiefe bringt in xG nichts. xT und xG messen unterschiedliche Fähigkeiten, daher kann ein Spieler hervorragend darin sein, Bedrohung zu erzeugen, ohne viele Schüsse zu machen.

Gehen wir zurück zu Özil und Kolašinac. Özils Pass durch die Mitte erhöhte die Bedrohung von 0,077 auf 0,158, was 0,081 xT und 86 % des Credits wert ist. Kolašinacs Rückpass erhöhte sie von 0,158 auf 0,171, was 0,013 xT und 14 % wert ist. Die Assist-Spalte gab alles Kolašinac, aber Özils Beitrag war etwa sechsmal größer. Das ist wichtig für das Scouting, für Vertragsverhandlungen und, wie wir sehen werden, für alle, die versuchen, in den Märkten einen Vorteil zu finden.

Der Henderson-Test

Die beste Werbung für das Possessionswert-Konzept ist bis heute Sarah Rudds Arbeit aus dem Jahr 2011. Ihr Modell identifizierte Jordan Henderson als einen der Top-25-Spieler der Premier League, während Darren Bent schlecht bewertet wurde. Damals klang das absurd: Bent war ein bewährter Torschütze, Henderson ein unspektakulärer Mittelfeldspieler. Henderson wechselte dann zu Liverpool für ein reportedes Transferpaket von 16 bis 20 Millionen Pfund, und Bent zu Aston Villa für bis zu 24 Millionen Pfund.

Jahre später hielt Henderson als Kapitän von Liverpool die Champions League, die Premier League, den FA Cup und den League Cup in die Luft. Die Analysten hatten etwas erkannt, das Tore und Vorlagen nicht hätten zeigen können.

Der ungeschätzte Außenverteidiger

Derselbe Logik erklärt, warum Außenverteidiger und tiefstehende Mittelfeldspieler in xT oft besser abschneiden als in den traditionellen Statistiken. Sie schießen selten Tore oder geben Vorlagen, aber sie bewegen den Ball immer wieder aus der Tiefe in gefährliche Bereiche. Diese Arbeit kommt nie in einer Highlight-Show vor, und doch ist genau das, was xT dazu gemacht ist, zu zählen.

Ein Team lesen

Die xT-Karten pro Team zeigen, wo eine Mannschaft Gefahr erzeugt: über die linke Seite, durch die Mitte, aus tiefen Läufen oder durch Flanken. Dreht man die Ansicht, sieht man, wo der Gegner am meisten verwundbar ist, und kann das mit den Pässzielen kombinieren, um die Angriffsachsen zu identifizieren, die man verteidigen muss. Plottet man die xT-Werte über den gesamten Spielverlauf, sieht man auch, wer wirklich das Sagen hat. Ein Team kann die Bedrohungs-Timeline dominieren, ohne viele Schüsse zu registrieren, einfach weil sein Aufbau das Ballspiel immer wieder in gefährliche Zonen bringt.

Spieler bewerten

xT honoriert die Spieler, die in den üblichen Statistiken untergehen: Außenverteidiger, Mittelfeldspieler und alle anderen, die den Ball nach vorne spielen, ohne den Angriff abzuschließen. Es lässt sich zudem sauber in Passes und Ballführungen aufteilen. Kevin De Bruyne ist der klassische Passgeber, Eden Hazard der klassische Ballführer, und Lionel Messi der Spieler, der beides konnte. Vergleicht man die Aktion, die ein Spieler gewählt hat, mit der besten verfügbaren Option, erkennt man auch seine Entscheidungsfindung.

Den nächsten Transfer finden

Für die Spielerakquisition ist die Frage die Passform. Ein Team, das auf Ballbesitz setzt, braucht ein anderes xT-Profil als ein Team, das auf Konter setzt. Und da xT Spieler hervorhebt, die den Aufbau anführen, ohne große Toren und Vorlagen zu haben, können Scouts damit Talente in kleineren Ligen entdecken, bevor die großen Clubs darauf aufmerksam werden.

Keine Metrik ist perfekt, und die schlichte Art von xT ist gleichzeitig seine Stärke und seine Schwäche. Die Forscher hinter dem VAEP-Rahmen an der KU Leuven sagen es unumwunden: Der ortsbasierte Ansatz von xT ist nicht der genaueste, denn die Gefahr liegt darin, wie der Ball bewegt wird, und nicht darin, wo er sich befindet.

Kein Gefühl für Druck und Abwehrspieler

Ein Pass in die Box gegen eine kompakte Defensive tief in der eigenen Hälfte wird genauso bewertet wie einer gegen eine weit aufgestellte Abwehr. Ohne Tracking-Daten sieht xT nur den Ball, aber nicht die Abwehrspieler um ihn herum, sodass eine Zone, die auf der Karte gefährlich aussieht, in Wirklichkeit voll mit Körpern sein kann. Dieselbe Aktion in einem anderen Kontext kann enorm schwerer sein.

Kein Gefühl für Risiko

Ein riskanter Pass in die Box zählt genauso viel wie ein sicherer, wenn beide ankommen. Basis-xT ignoriert auch Fehler: Ein abgefangener Durchball bringt null Punkte, selbst wenn es genau der richtige Ball zum Versuch war. Ein schnelles Umschaltspiel gegen eine desorganisierte Abwehr sollte mehr wert sein als ein geduldliches Aufbau-Spiel, das am selben Ort endet, und xT kann sie nicht voneinander unterscheiden.

Kein Gefühl für den Spielverlauf

Stand, Minute und taktische Situation sind nicht im Modell. Eine Mannschaft, die in der 85. Minute mit 0:3 zurückliegt, kann viel xT generieren, während die Gegner tief stehen, aber das ist keine echte Gefahr. Behandle die Zahlen als einen Leitfaden für den Prozess, nicht als ein Urteil.

Diese Lücken haben eine Familie intelligenterer Modelle zur Bewertung des Ballbesitzes inspiriert. VAEP, vom DTAI-Labor der KU Leuven, verwendet Machine Learning auf Basis umfangreicher Spielzustands-Features und bewertet sowohl Torgefahr als auch Gegentor-Gefahr. StatsBombs OBV baut auf seinem xG-Modell auf und nutzt 360-Daten, um zu sehen, wo sich die Spieler in der Nähe des Balls befinden. American Soccer Analysis hat sein eigenes Goals Added (g+) für die MLS.

Sie alle verfolgen das gleiche Ziel wie xT, nämlich jede Aktion zu bewerten und nicht nur die letzte, aber jeder fügt den Kontext hinzu, den das einfache xT nicht hat. Die Tabelle zeigt, wo jedes Modell seinen Platz findet.

xT wird dir keine sicheren Tipps liefern, aber es ist ein scharfer Blick, um herauszufinden, wer besser ist, als die Ergebnisse vermuten lassen. In Kombination mit einem soliden Fußball-Wettmodell zeigt es dir einige praktische Ansatzpunkte.

Mannschaften, deren Ergebnisse hinter ihrem Spielprozess zurückbleiben

Ein Team, das immer wieder gefährliche Situationen kreiert, aber schlecht daraus Kapital schlägt, ist eine gute Wette darauf, dass es sich nach oben korrigiert. xT misst die zugrunde liegende Leistung unabhängig vom Abschlussglück, was dir hilft, ein wirklich schlechtes Team von einem unglücklichen zu trennen. Dasselbe Denkmodell hilft auch bei den Torsätzen, genau dort greift unser Guide zu Over/Under-Torlinien ein.

Spieler- und Assist-Märkte

Mittelfeldspieler, die mit ihren Pässen viel Bedrohung erzeugen, können in den Assist-Märkten unterbewertet sein. Das Abschlussglück ihrer Mitspieler kann verdecken, wie gut der zugrunde liegende Prozess tatsächlich ist – genau dort versteckt sich oft der Wert.

Taktische Mismatches und Live-Betting

Halte die Gefahrenzonen eines Teams gegen die Schwachstellen des Gegners, und du findest einen Matchup-Vorteil. Wenn Team A die meisten Bedrohungen aus den Außenbereichen erzeugt und Team B viele Tore aus Flanken koncediert, sagt dir das etwas. Im Live-Spiel kann ein Team, das auf der xT-Timeline dominiert, aber auf dem Scoreboard zurückliegt, eine echte Live-Betting-Chance sein.

Die nächste Welle an Metriken nimmt bereits Gestalt an. Tracking-Daten ermöglichen es Analysten, defensive Positionierung zu berücksichtigen, Off-the-Ball-Bewegung zu belohnen und den geschaffenen Raum zu messen – nicht nur den zurückgelegten Boden. Dynamische Expected Threat (DxT) und ähnliche Modelle zielen darauf ab, defensiven Druck, Spielzustand und Übergangsgeschwindigkeit einzubeziehen, den Kontext, den das grundlegende xT nicht bietet.

Man darf auch mit mehr Risk-and-Reward-Denken rechnen, bei dem Modelle die Chance auf ein Tor gegen die Chance, ein Tor zu kassieren, abgewichten – insbesondere bei hochriskanten Passes, die die Linien durchbrechen. Da Possession-Value-Modelle bei StatsBomb und vielen Clubs zum Standard werden, werden Vergleiche von Methoden und Benchmarks leichter, und die öffentliche Diskussion wird dadurch klüger.

Expected Threat ist eine der nützlichsten Konzepte in der Fußballanalyse seit xG. Es wird dir nicht verraten, wer am Samstag gewinnt, aber es zeigt dir die Züge vor dem Matt: die Pässe, Ballführungen und Dribblings, die Chancen kreieren, bevor jemand den Abzug zieht. Es ist nicht perfekt, aber ein einfaches Modell, das dich schnell den größten Teil des Weges bringt, schlägt ein kompliziertes, das du nie verwendest.

• Prozess schlägt Ergebnis. Ein Team, das viel xT generiert, aber Spiele verliert, ist eher zum Umkippen fähig als eines, das mit glücklichen Endungen gewinnt.
• Die unsichtbaren Schöpfer finden. Pässe und Ballführer, die den Angriff aufbauen, erhalten selten eine Assistenz, also suche nach ihnen in den Spieler- und Chancen-Schaffungsmärkten.
• Gefahrenzonen auf Schwachstellen abstimmen. Wo ein Team seine Bedrohung erzeugt und wo der Gegner ausläuft, ist ein sauberer Winkel als reine Form.
• Den Kontext respektieren. Druck, Spielstand und Risiko sind im basischen xT nicht enthalten, also nutze es neben xG und deinen eigenen Augen.
• Nach der Live-Mismatch suchen. Ein Team, das die Bedrohungs-Zeitleiste dominiert, während es verliert, ist die Art von Live-Situation, die sich eine genauere Betrachtung wert macht.
• Einsätze vernünftig halten. Keine Metrik beseitigt Varianz, also setze nur, was du dir leisten kannst, und jage niemals Verluste.

Die Assistenz sagt dir, wer gepasst hat. Der Tor sagt dir, wer geschossen hat. xT hilft zu zeigen, wer die Chance wirklich kreiert hat.

• Wie man xG (erwartete Tore) für intelligentes Fußballwetten nutzt
• Wie man ein Sportwetten-Modell erstellt: Der komplette Leitfaden
• Heimvorteil vs. Teamstärke: Der erweiterte Fußballwetten-Leitfaden
• Minuten-Wetten: Wann Tore fallen

18+. Bitte wette verantwortungsvoll. Für kostenlose und vertrauliche Unterstützung besuche BeGambleAware.org.