Wie de afgelopen jaren ook maar enigszins in voetbal geïnteresseerd is, is het tegengekomen: xG. Expected goals. Het verschijnt in tv-analyses, op statistiekensites, in podcasts en in de discussies op social media na elke grote wedstrijd. Voor sommigen is het de ultieme graadmeter van voetbalkwaliteit, voor anderen een nietszeggende abstractie die het echte voetbal reduceert tot cijfers.
De waarheid ligt ergens in het midden — maar als je serieus wilt wedden op voetbal, is xG waarschijnlijk het krachtigste analytische instrument dat publiek beschikbaar is. Het probleem is dat de meeste mensen xG verkeerd begrijpen, verkeerd gebruiken of allebei. Dit artikel legt uit wat xG precies is, hoe het berekend wordt, waar de kracht ligt en — minstens zo belangrijk — waar de grenzen liggen.
Wat is xG precies?
Expected goals is een statistische maatstaf die aan elke doelkans een waarde toekent op basis van de historische kans dat een vergelijkbaar schot resulteert in een doelpunt. Een penalty krijgt een xG-waarde van circa 0.76, wat betekent dat historisch gezien 76% van de penalty’s erin gaat. Een schot van buiten het strafschopgebied, onder een scherpe hoek, met een verdediger in de weg krijgt misschien een xG van 0.03 — slechts 3% kans op een doelpunt.
De xG van een team over een hele wedstrijd is simpelweg de som van alle individuele schotkansen. Als een team tien schoten neemt met xG-waarden van 0.04, 0.12, 0.08, 0.35, 0.06, 0.02, 0.55, 0.10, 0.07 en 0.03, dan is de totale xG voor die wedstrijd 1.42. Dat betekent dat een gemiddeld team met dezelfde kansen naar verwachting 1.42 doelpunten zou scoren.
Het cruciale inzicht is dat xG niet meet hoeveel een team scoort, maar hoeveel het had moeten scoren. Een team dat drie keer scoort uit een xG van 0.8 heeft geluk gehad — het heeft zijn kansen boven verwachting benut. Een team dat niet scoort uit een xG van 2.3 heeft enorme pech gehad. Op de korte termijn kan geluk of pech weken aanhouden, maar over een heel seizoen convergeert het werkelijke doelpuntenaantal naar de xG-verwachting. Dat maakt xG een betere voorspeller van toekomstige prestaties dan werkelijke goals.
Hoe wordt xG berekend?
De berekening van xG is gebaseerd op enorme datasets van historische schoten. Dataleveranciers als Opta en StatsBomb hebben honderdduizenden schoten geanalyseerd en voor elk schot de uitkomst (wel of geen doelpunt) gekoppeld aan een reeks kenmerken. De belangrijkste kenmerken die in de meeste xG-modellen worden meegewogen zijn de afstand tot het doel, de hoek ten opzichte van het doel, het lichaamsdeel waarmee geschoten wordt (voet, hoofd, overig), het type aanval dat aan het schot voorafging (open spel, vrije trap, hoekschop, counter) en of de schutter werd gehinderd door verdedigers.
Geavanceerdere modellen — zoals dat van StatsBomb — nemen ook de positie van de keeper mee, de snelheid van de aanval, het aantal verdedigers tussen de bal en het doel, en of het schot uit de eerste aanraking kwam of na een dribbel. Hoe meer variabelen het model bevat, hoe nauwkeuriger het kan inschatten of een schot een doelpunt wordt.
De wiskundige basis is doorgaans een logistisch regressiemodel of een geavanceerder machine learning-algoritme. Het model leert uit historische data welke combinatie van factoren de kans op een doelpunt het best voorspelt, en past die kennis vervolgens toe op nieuwe schoten. Het resultaat is een getal tussen 0 en 1 dat de waarschijnlijkheid van een doelpunt weergeeft.
Een voorbeeld uit de praktijk
Om xG concreet te maken: stel dat Ajax thuis tegen Feyenoord speelt en de wedstrijd eindigt in 1-1. Op het eerste gezicht een gelijkwaardige wedstrijd. Maar de xG-data vertelt een ander verhaal. Ajax creëerde kansen ter waarde van 2.4 xG — twee grote mogelijkheden uit de rebound, een een-op-een met de keeper en diverse schoten van rand zestien. Feyenoord produceerde slechts 0.7 xG, voornamelijk afstandsschoten en één kopbal uit een hoekschop.
Wat zegt dit? Ajax was op basis van kanscreatie de veel betere ploeg. De 1-1 uitslag is niet representatief voor de wedstrijdbalans. Als deze twee teams tien keer tegen elkaar zouden spelen onder vergelijkbare omstandigheden, zou Ajax de meerderheid van die wedstrijden winnen. De Feyenoord-doelman had een uitstekende dag, Ajax was onnauwkeurig in de afronding, en de ene Feyenoord-kans die erin ging was een afstandskanonskogel met een xG van 0.05.
Voor een weddenschap is dit soort informatie goud waard. Als je vóór de volgende Ajax-wedstrijd de odds bekijkt en ziet dat Ajax met relatief hoge odds wordt aangeboden — misschien omdat de bookmaker reageert op de teleurstellende 1-1 uitslag — dan heb je potentieel een value bet te pakken. De markt reageert op het resultaat, terwijl jij reageert op de onderliggende prestatie.
xG gebruiken bij wedden
De meest directe toepassing van xG bij wedden is het identificeren van teams die boven of onder hun verwachte niveau presteren. Een team met significant meer doelpunten dan xG presteert boven verwachting in de afronding — en dat is historisch gezien niet houdbaar. Omgekeerd: een team dat ruim onder zijn xG scoort, gaat waarschijnlijk beter presteren naarmate het seizoen vordert.
Dit principe werkt ook defensief. Een team met weinig geïncasseerde doelpunten maar een hoge xGA (expected goals against) heeft een keeper die boven verwachting presteert of een dosis geluk. De keepersprestatie kan voor een deel structureel zijn — goede keepers stoppen consequent meer schoten dan het gemiddelde — maar het verschil normaliseert deels over een seizoen. Als de bookmaker de odds baseert op de werkelijke resultaten in plaats van de xG-data, is er ruimte voor een value bet.
Een andere toepassing is bij de over/under-markt. Als twee teams met een gecombineerde xG van gemiddeld 3.5 per wedstrijd tegen elkaar spelen, maar de werkelijke gecombineerde goals per wedstrijd gemiddeld 2.2 bedragen, is dat een teken dat de over/under-lijn mogelijk te laag is geprijsd. De markt reageert op de werkelijke goals, terwijl de kanscreatie suggereert dat er meer goals zouden moeten vallen.
Beperkingen van xG
Wie xG blindelings vertrouwt, maakt dezelfde fout als wie het negeert — maar dan in spiegelbeeld. xG is een krachtig instrument, maar het heeft reële beperkingen die je moet kennen om het effectief te gebruiken.
De eerste beperking is dat standaard xG-modellen niet differentiëren naar de kwaliteit van de schutter. Een schot met een xG van 0.15, genomen door een spits van wereldklasse, heeft in werkelijkheid meer kans om erin te gaan dan hetzelfde schot genomen door een middenvelder wiens schottechniek beperkt is. Geavanceerde modellen compenseren hier deels voor, maar de meeste gratis beschikbare xG-data doet dat niet.
De tweede beperking is dat xG niets zegt over kansen die niet in een schot resulteerden. Een counter die op het laatste moment wordt geblokkeerd, een speler die alleen voor de keeper staat maar besluit af te leggen op een teamgenoot die niet kan scoren — deze situaties zijn gevaarlijk maar genereren geen xG. Een team kan dominant voetbal spelen en veel gevaarlijke situaties creëren zonder een hoge xG te produceren, simpelweg omdat de kansen net niet in schoten werden omgezet.
De derde beperking is contextgevoeligheid. xG-modellen houden geen rekening met de wedstrijdcontext: een team dat met 3-0 voorstaat in minuut 70 speelt anders dan wanneer het met 0-1 achterstaat. De kansen die het in de laatste twintig minuten creëert, zijn minder geforceerd en mogelijk van lagere kwaliteit. Het totale xG-getal maakt dat onderscheid niet. Evenzo houdt xG geen rekening met rode kaarten, extreme weersomstandigheden of de specifieke invulling van tactische wissels.
Waar vind je xG-data?
Gelukkig is xG-data in 2026 breed beschikbaar, al is het landschap recentelijk veranderd. FBref was jarenlang de meest uitgebreide gratis bron en bood xG-data op team- en spelerniveau voor vrijwel alle professionele competities. De data was afkomstig van Opta (Stats Perform) en bevatte naast basis-xG ook geavanceerdere metrics als non-penalty xG (npxG), dat penalty’s uitsluit voor een zuiverder beeld van de kanscreatie vanuit open spel. Begin 2026 verloor FBref echter de toegang tot deze geavanceerde data, waardoor alternatieve bronnen belangrijker zijn geworden.
Understat biedt een overzichtelijke presentatie van xG-data per wedstrijd, met grafieken die het verloop van xG tijdens de wedstrijd tonen. Dit is bijzonder handig voor live wedden of voor het analyseren van wedstrijdpatronen. De site dekt de Premier League, La Liga, Bundesliga, Serie A en Ligue 1.
Voor de Eredivisie is de beschikbaarheid van gedetailleerde xG-data iets beperkter, maar FBref biedt redelijke dekking. Infogol is een andere bron die specifiek op xG is gericht en ook Europese competities dekt. De betaalde opties — zoals het volledige StatsBomb-pakket of Opta-data — zijn voor recreatieve gokkers doorgaans onnodig; de gratis bronnen bieden meer dan genoeg detail voor een solide analyse.
Het getal achter het getal
Misschien is het belangrijkste dat xG ons leert niet een specifiek getal, maar een manier van denken. Het traint je om voorbij het resultaat te kijken naar het proces. Een 1-0 overwinning kan een dominante prestatie verbergen of een diefstal maskeren. Een 3-3 gelijkspel kan het resultaat zijn van zes briljante kansen of zes gelukstreffers.
Wie xG begrijpt, kijkt anders naar voetbal. Niet beter of slechter — anders. Je ziet een gemiste kans niet als een fout, maar als data. Je ziet een doelpunt van dertig meter niet als briljant, maar als onwaarschijnlijk — en dus moeilijk herhaalbaar. Dat klinkt minder romantisch dan blind op je gevoel vertrouwen, maar het is wel de basis van winstgevend wedden. En laten we eerlijk zijn: er is niets onromantisch aan het structureel verslaan van de bookmaker.