DAL MODELLO AL DATO: COME SI CALCOLA L’XGOT

Match Analysis: Perché serve un “post‑shot” metric

Negli ultimi dieci anni il paramentro degli xG (expected goals) ha rivoluzionato il modo di descrivere la pericolosità di un’azione: misurando la probabilità che un tiro diventi gol in base al contesto prima dell’impatto (distanza, angolo, tipo di assist, ecc.).

Tuttavia il solo xG ignora cosa accade ad pallone già calciato: un rasoterra centrale e un destro all’incrocio, nati dalla stessa posizione, condividono lo stesso valore.

Per colmare questo vuoto Stats Perform e Opta hanno introdotto l’Expected Goals on Target (xGOT), un modello post‑shot che combina l’xG originario con la destinazione precisa del pallone nello specchio; i tiri diretti negli angoli ottengono un premio, quelli tesi al centro vengono penalizzati.

In sintesi: xG fotografa la chance creatasi, xGOT valuta come il tiratore l’ha realizzata.

Dal modello al dato: come si calcola l’xGOT

Partendo da oltre un milione di conclusioni archiviate, il modello confronta ogni nuovo tiro con i “gemelli” registrati in passato: ne stima la probabilità di rete in funzione di coordinate (x, y) finali, altezza d’impatto, punto d’arrivo in porta e postura del portiere.

Il risultato è un valore continuo fra 0 e 1 che non può mai essere zero (il tiro è in porta) né uno (esistono sempre variabili sottili).

Nella pratica, un tiro centrale dal limite può valere 0,07 xG e 0,04 xGOT; un colpo di testa frontale da area piccola 0,38 xG ma 0,60 xGOT se angolato.

La differenza fra i due indici è denominata Shooting Goals Added (SGA): positivo indica un’esecuzione sopra media, negativo un colpo mal indirizzato.

Cosa ci hanno insegnato le ultime cinque stagioni europee

Analizzando 25 campionati fra 2018/19 e 2022/23 – l’SGA dei capocannonieri spiega quanto l’elité offensiva trasformi la qualità costruita in vero vantaggio: Robert Lewandowski ha guidato la Bundesliga con SGA positivo per cinque stagioni, mentre Kylian Mbappé è stato l’unico in Ligue 1 capace di generare simultaneamente il miglior xG, xGOT e SGA in quattro annate.

Il dato interessante è la correlazione fra margine xGOT‑xG e classifica: le squadre campioni presentano un differenziale medio di +5 / +8 reti “post‑shot” rispetto agli inseguitori.

In Premier League, il Manchester City di Guardiola (2022/23) ha prodotto 94 gol da 84,6 xG e 89,2 xGOT: significa che esecuzione e finalizzazione hanno compensato perfino la supremazia territoriale già dominante.

In Serie A, al contrario, l’Inter 2021/22 si è fermata a 86 gol, 79,3 xG e 78,1 xGOT: la precisione sotto porta non ha retto il passo, aprendo la porta allo scudetto del Milan, più cinico (+4 fra xGOT e gol reali).

Portieri e “goals prevented”

Se l’xGOT affina il giudizio sui tiratori, offre un secondo vantaggio: misurare il merito o demerito del portiere.

Sottraendo i gol effettivamente subiti all’xGOT concesso, otteniamo i “goals prevented”. Jan Oblak (Atlético 2020/21) ha evitato 9 reti rispetto a quanto atteso, decisivo in un titolo vinto con due punti di margine.

In Ligue 1, Mike Maignan (Lille 2020/21) ha registrato il miglior save ratio e un differenziale di –8,3 xGOT, contribuendo a bloccare la serie del PSG.

Applicazioni pratiche per club e analisti

• Recruiting: comparare xGOT e xG svela finisher “sostenibili”.

  Un centravanti con +0,10 xGOT rispetto all’xG medio nei tre campionati precedenti è più affidabile di chi converte sopra attese per singola stagione.

• Player development: monitorare l’evoluzione delle heat‑map di tiro permette di addestrare i giocatori a spostare l’end‑location verso zone ad alto rendimento.

• Match preparation: evidenziare i tipi di parata in cui un portiere eccelle (alta, bassa, ravvicinata) aiuta a orientare la riallocazione delle scelte di tiro.

  
  

Limiti e futuri sviluppi

L’xGOT, come ogni modello, dipende da granularità e coerenza del tracciamento: dataset che non registrano altezza del tiro o posizione esatta del portiere riducono l’accuratezza.

L’indice si limita comunque solo ai tiri in porta: una squadra che crea occasioni clamorose senza portarle a segno, resterà sovrastimata dall’xG e “invisibile” all’xGOT.

Gli ultimi paper stanno introducendo variabili biomeccaniche (velocità del pallone, rotazione) e condizioni ambientali (vento, pioggia) per arricchirne la "predittività".

L’integrazione dell’Expected Goals on Target con le metriche tradizionali fornisce un quadro probabilistico che va ben oltre la mera descrizione tecnica di una partita; diventa, di fatto, uno strumento di pricing capace di individuare inefficienze di mercato.

Dove l’xG quantifica la qualità potenziale di un’occasione, l’xGOT valuta l’esecuzione effettiva: la differenza fra i due valori—espressa dallo Shooting Goals Added—misura la capacità di un attaccante di creare un vantaggio reale rispetto alla media storica.

Per gli sport trader, ciò significa disporre di un indicatore che cattura la componente “abilità” in modo più fine rispetto a quanto emerga dalla semplice frequenza dei gol. ​

Sul versante difensivo, il medesimo differenziale applicato ai portieri—i cosiddetti goals prevented—consente di stimare quanto un estremo difensore alteri l’esito atteso di un incontro.

Jan Oblak nel 2020/21 o Mike Maignan nel 2020/21 ne sono esempi emblematici: il primo ha preservato nove reti oltre l’atteso, il secondo oltre otto, risultati che si sono tradotti in scarti di classifica decisivi in campionati risolti sul filo.

Incorporare tali informazioni in un modello di previsione equivale a correggere le probabilità implicite offerte dal mercato quando queste sottostimano la resilienza di una squadra o sovrastimano la produttività offensiva dell’avversario. ​

Per chi si occupa di match ananlysis, riconoscere questo pattern significa anticipare movimenti di quota prima che l’efficienza di mercato li assimili. ​

Parliamo di:

1. Valutazione delle linee di rigore   Nel pre‑match, un attaccante con SGA positivo costante (> +0,05 a tiro) sposta la probabilità reale di segnare un rigore da 78 % (media storica) a circa 84 %. Adeguare i modelli di pricing a tale differenza consente di esporre capitale solo quando la valutazione implicita non riflette l’efficienza del tiratore.

2. Correzione in‑play   L’aggiornamento live delle quote spesso reagisce al solo conteggio dei tiri: integrare l’xGOT cumulativo offre una metrica più stabile del “momentum” e riduce la varianza nelle stime minute‑by‑minute.

3. Segmentazione dei portieri   Classificare i portieri in cluster (shot‑stopper puri, sweeper‑keeper, ibridi) aiuta a modulare la probabilità di reti tardive, notoriamente soggette a over‑reaction del mercato nei finali di gara.

4. Hedging cross‑league   Nei campionati con calendari asimmetrici (Bundesliga 34 g., Ligue 1 34+ play‑out), l’allineamento di xGOT per 90′ normalizza i parametri e consente strategie di copertura incrociata, sfruttando la diversa velocità con cui le informazioni vengono prezzate.

   
   

Linee di ricerca future

Gli sviluppi attuali puntano a modelli “multiview” che combinano tracking ottico, dati LIDAR sul rimbalzo e variabili atmosferiche.

L’obiettivo è ridurre ulteriormente l’intervallo di errore fra xGOT previsto e reale, con ricadute dirette sulla precisione delle valutazioni probabilistiche.

Parallelamente, l’adozione di reti neurali che incorporano la postura del portiere promette di affinare la stima dei goals prevented, un’area che presenta ancora margini di miglioramento significativi.

Nel panorama dello sport‑trading, l’Expected Goals on Target emerge come metrica cardinale: traduce in numeri l’intuizione secondo cui «non tutti i tiri in porta sono uguali».

Integrato con xG pre‑tiro e differenziale difensivo, fornisce un set di indici che identifica precocemente le discrepanze fra probabilità reale e prezzo di mercato.

In un settore dove l’informazione si converte istantaneamente in variazione di quota, padroneggiare l’xGOT significa ottimizzare l’allocazione del capitale, minimizzare l’esposizione sistemica e, soprattutto, individuare quelle opportunità spesso invisibili a chi si affida ai soli risultati finali.