Korištenje xG statistike u modernom fudbalu

xG statistika je u posljednjih nekoliko godina postala jedan od najvažnijih alata za razumijevanje onoga što se zaista dešava na terenu. Iako se najčešće spominje uz analizu šansi i postignutih golova, njena prava vrijednost je mnogo šira: pomaže da se razlikuju slučajnost i kvalitet, trenutna forma i održiv učinak, kao i rezultat koji vara od igre koja zaista ima temelj. Upravo zato xG danas koriste treneri, analitičari, skauti, mediji i sve veći broj ozbiljnih kladioničara. Ipak, kao i svaka napredna statistika, vrijedi samo onoliko koliko se pravilno tumači — jer bez konteksta može odvesti i do potpuno pogrešnih zaključaka.

Šta je zapravo xG i kako se računa?

xG, odnosno Expected Goals, mjeri kolika je vjerovatnoća da određeni šut završi golom na osnovu velikog uzorka sličnih šuteva iz prošlosti. Opta ga opisuje kao procjenu kvaliteta šanse na skali od 0 do 1, pri čemu 0 znači skoro nikakvu šansu, a 1 šansu koja bi se praktično uvijek morala pretvoriti u gol. Bundesliga u svom objašnjenju ide istim smjerom: ako je neka prilika 0.20 xG, to znači da bi se iz takve situacije očekivao gol otprilike u 20% slučajeva.

Ono što je važno za čitaoca jeste da xG nije “ocjena ljepote” šuta, nego procjena vjerovatnoće. Na tu vjerovatnoću utiču udaljenost od gola, ugao, dio tijela kojim je lopta upućena, tip akcije, vrsta asistencije i kontekst šuta. Bundesliga navodi distance, ugao, da li je udarac nogom ili glavom i da li je šut došao iz otvorene igre, prekida ili kontre, dok Opta dodaje i detalje kao što su tip asistencije, 1 na 1 situacije, “big chance”, pritisak protivnika i pozicija golmana. Zato penal vrijedi otprilike 0.76 xG, dok udarac sa 30 metara može biti tek oko 0.03.

Drugim riječima, xG pokušava da odgovori na vrlo jednostavno pitanje: koliko je ova šansa stvarno bila dobra? To je razlog zašto je metrika toliko korisna trenerima, skautima, analitičarima i kladioničarima. Ne zato što “predviđa budućnost”, nego zato što mnogo bolje od običnog rezultata opisuje šta se na terenu zaista dešavalo.

Zašto tradicionalna statistika često vara

Broj šuteva i broj udaraca u okvir gola mogu izgledati impresivno, ali često sakrivaju suštinu. Tim može uputiti 18 šuteva, a da većina bude sa distance i iz lošeg ugla. Drugi tim može doći do tri čiste situacije iz zone penala i ostaviti mnogo ozbiljniji utisak u xG-u, iako na papiru ima manje pokušaja. Zato ja broj šuteva gledam tek nakon što vidim odakle su ti šutevi dolazili.

Tu xG pravi razliku između kvantiteta i kvaliteta. Stats Perform baš zato naglašava da xG otkriva obrasce koje običan broj golova ne vidi: može pokazati da je tim pobijedio zahvaljujući izuzetnoj realizaciji ili sreći, a ne zato što je sistemski pravio bolje šanse. Isto važi i obrnuto: ekipa može odigrati vrlo dobar napadački meč, a izgubiti jer je loše završavala.

Naprednije varijacije koje vrijedi znati

npxG (non-penalty xG) je, po meni, često korisniji od “sirovog” xG-a kada procjenjuješ napad iz otvorene igre. Razlog je prost: penal nosi oko 0.76 xG i može ozbiljno napuhati sliku o napadačkoj opasnosti tima ili igrača. Kad izbaciš penale, dobiješ čistiji pogled na to koliko ekipa zaista stvara iz igre.

xGA (expected goals against) je odbrambeni parnjak xG-u. Ne govori samo koliko je tim primio golova, nego koliko je kvalitetnih šansi dopustio protivniku. Meni je to često bolji pokazatelj stabilnosti ekipe od samog broja primljenih golova, jer otkriva da li te odbrana stvarno štiti ili te samo trenutno spašava golman, prečka i malo sreće.

PSxG, koji mnogi izvori označavaju i kao xGOT ili post-shot xG, ide korak dalje. Klasični xG gleda šansu prije udarca, a post-shot model gleda kako je šut izveden i gdje je lopta završila u okviru gola. Stats Perform ga opisuje kao model koji uključuje originalni xG šuta, ali i krajnju lokaciju lopte u golu, pa više vrednuje udarce u same uglove nego lopte poslane pravo u golmana. Zato je posebno koristan za procjenu golmana: ne pita samo “koliko je šuteva odbranio”, nego “koliko je golova spriječio u odnosu na kvalitet onoga što je išlo u okvir”.

A kad želiš uhvatiti opasnost prije šuta, tu se otvara prostor za xT (Expected Threat). Hudl objašnjava xT kao model koji dijeli teren na zone i svakoj zoni daje vrijednost prema vjerovatnoći da napad iz te pozicije dovede do gola. To je korisno jer xG potpuno ignoriše opasne akcije koje ne završe šutem, a upravo takve situacije često odlučuju meč.

Kako tumačiti xG kod igrača

Kad napadač daje mnogo više golova nego što mu xG sugeriše, to može značiti tri stvari: vrhunsku završnicu, sjajan period forme ili kombinaciju oba faktora. Kad daje mnogo manje, to ne mora automatski značiti da je loš igrač. Naprotiv, često znači da se dobro kreće i ulazi u šanse, ali mu završnica trenutno nije na nivou. Stats Perform baš to ističe: ako su golovi znatno iznad xG-a, to može biti znak nestabilno održivog niza; ako su ispod, može govoriti o lošem finišu ili lošoj sreći, ali i dalje potvrđivati da igrač dolazi u opasne situacije.

Zato je xG dugoročno zanimljiviji od pukog broja postignutih golova. Ne zato što će svaki igrač “morati” tačno doći na svoj xG, nego zato što se ekstremi s vremenom često ublaže. Opta baš u analizi scoring streakova upozorava da overperformance zna izgledati spektakularno kratkoročno, ali da nije uvijek održiv. Ukratko: forma postoji, ali regresija prema prosjeku postoji takođe.

Aktuelni primjer iz sezone 2025/26: Bayern kao savršen test za xG

Najzanimljiviji aktuelni primjer mi je Bayern. Na dan 1. aprila 2026. Bayern je prvi u Bundesligi sa 70 bodova nakon 27 kola i gol-razlikom 97:25. Istovremeno, FootyStats ga vodi na 2.30 xG po utakmici i 1.05 xGA po utakmici, uz čak 3.59 postignutih golova po meču. Kad to pretvoriš u ukupan zbir do tog trenutka, dobiješ približno 62.1 očekivanih golova naspram gotovo 97 stvarnih. To je razlika od oko 35 golova više od onoga što bi prosječna realizacija sugerisala.

To, međutim, ne znači da je Bayern “lažni” lider. Naprotiv. Nizak xGA i ogromna bodovna prednost govore da je tim i dalje dominantan. Ali xG ovdje otvara pravo pitanje: može li ekipa baš ovim tempom realizacije nastaviti do kraja? Moj utisak je da će se dio tog jaza vjerovatno zatvoriti, ali ne nužno sav, jer elitni napadači i vrhunska struktura napada često mogu trajno živjeti iznad prosjeka. Poenta nije da xG poništi ono što gledamo, nego da objasni koliko je dio tog učinka vjerovatno održiv.

Sličan, samo blaži obrazac vidi se i kod Barcelone. Barça je prva u La Ligi sa 73 boda i 78 postignutih golova iz 29 mečeva, dok joj FootyStats daje 2.19 xG po meču i 2.69 golova po meču. To znači oko 63.5 očekivanih naspram 78 stvarnih golova, dakle otprilike 14.5 golova iznad očekivanja. Opet, to ne znači da Barcelona nije zasluženo na vrhu; znači samo da je realizacija trenutno jača od onoga što bi prosječan model predvidio.

Gdje se xG najviše koristi u praksi

U skautingu je xG vrijedan jer pomaže da odvojiš profil igrača od puke statistike. Napadač sa 9 golova iz 14 xG može biti zanimljiviji od napadača sa 14 golova iz 8 xG, jer prvi možda dolazi u kvalitetne situacije koje bi se uz malo bolju završnicu mogle naplatiti. Upravo zato klubovi koji žive od pametnog regrutovanja toliko vole ovakve metrike: one olakšavaju potragu za potcijenjenim profilima. Brighton javno govori o svom recruitment modelu koji “uvijek gleda sva tržišta”, dok se Brentford i godinama u medijima veže za analitički pristup i traženje tržišnih neefikasnosti.

U klađenju xG je koristan zato što tabela često kasni za stvarnom kvalitetom ekipe. Stats Perform otvoreno navodi da xG koriste i kladionice i analitičari tržišta kako bi bolje procijenili stvarnu kvalitetu šansi. U praksi to znači da možeš brže primijetiti kada je tim na nizu pobjeda koji nije potkrijepljen kreiranjem šansi, ili kada niz loših rezultata skriva ekipu koja zapravo igra bolje nego što tabela pokazuje. Tu se najčešće i traži value.

U medijima i TV prijenosima xG više nije egzotika. Premier League ga vodi kao zvaničnu statistiku još od sezone 2012/13 i navodi da se podaci skupljaju i provjeravaju kroz Optinu infrastrukturu. Bundesliga je otišla korak dalje sa svojim Match Facts sistemom powered by AWS, gdje se xGoals i druge napredne metrike obrađuju u realnom vremenu i prikazuju u prijenosima, na platformama i u aplikaciji.

Gdje xG griješi i zašto ga ne treba gledati slijepo

Ovdje je najvažnije biti pošten: xG ima limite. Prvo, nije svaki model isti. Bundesliga otvoreno kaže da različiti provideri rade sličnu ideju, ali sa sopstvenim detaljima i dodatnim slojevima podataka. Zbog toga ista utakmica može imati malo drugačiji xG na Opti, Wyscoutu, StatsBombu ili Understatu.

Drugo, ljudski faktor se ne može potpuno spakovati u jedan broj. Stats Perform je i sam ukazivao da je česta kritika xG modela to što ne hvata uvijek savršeno defanzivno pozicioniranje, kvalitet pritiska i sitne detalje koji odlučuju šut u djeliću sekunde. To znači da dva naizgled slična udarca nekad nisu baš toliko slična koliko model pretpostavlja.

Treće, kontekst meča zna prevariti brojke. Ako tim vodi 3:0, svjesno će se povući, prepustiti posjed i dozvoliti protivniku više bezopasnih pokušaja. Na kraju će protivnik možda skupiti pristojan xG, ali to ne znači da je bio ravnopravan. Iz iskustva, baš tu ljudi najčešće pogriješe: vide završni xG i zaborave kada su šanse nastale. xG je mnogo korisniji kad ga čitaš uz stanje utakmice, raspored šuteva i momentum meča.

I četvrto, xG ne vidi opasan napad koji nije završio šutem. Savršen pas kroz pet metara, povratna lopta koja prođe kroz kazneni prostor ili centaršut koji niko nije zakačio često vrijede 0 xG, iako svi koji gledaju meč znaju da je odbrana “visila”. Upravo zbog toga analitičari posežu za xT-om i sličnim possession-value modelima, koji pokušavaju uhvatiti prijetnju prije samog udarca.

Kad se pravilno koristi, xG je jedan od najboljih alata koje moderni fudbal ima. Pomaže da odvojiš dojam od stvarnosti, rezultat od procesa i formu od održivog kvaliteta. Ali najbolji je tek kad ga spojiš s onim što vidiš na terenu: profilom šansi, tempom meča, stilom ekipe i individualnim kvalitetom igrača.

Da skratim potpuno jednostavno: rezultat ti kaže šta se desilo, a xG ti pomaže da shvatiš zašto se desilo i koliko je vjerovatno da će se isto ponoviti. Upravo zato je postao nezaobilazan u skautingu, analizi učinka, TV prijenosima i sportskom klađenju. I upravo zato ga ja ne gledam kao zamjenu za fudbal, nego kao najbolji dodatak fudbalu koji već gledam svojim očima