AI Champions League Tipps xG: Wie Expected Goals KI-Prognosen revolutionieren

In der Welt der datengestützten Fußballanalyse gibt es kaum einen Begriff, der die Diskussion so stark geprägt hat wie Expected Goals. Diese Metrik, die mit xG abgekürzt wird, hat die Art und Weise verändert, wie wir über Spielleistung denken. Für KI-gestützte Wettprognosen in der Champions League sind xG-Werte inzwischen unverzichtbar geworden, weil sie einen tieferen Einblick in die tatsächliche Spielstärke von Teams erlauben als das bloße Ergebnis auf der Anzeigetafel.

Wer sich jemals gefragt hat, warum eine Mannschaft trotz optischer Überlegenheit verliert oder wie ein vermeintlicher Außenseiter zum Favoritenschreck werden kann, findet in den Expected Goals oft die Antwort. Diese Statistik erfasst etwas, das dem bloßen Auge häufig verborgen bleibt: die Qualität der Torchancen, nicht nur ihre Quantität. Und genau das macht xG zu einem so wertvollen Werkzeug für KI-Modelle, die versuchen, künftige Spielausgänge vorherzusagen.

Die Verbindung zwischen Expected Goals und künstlicher Intelligenz ist dabei keine zufällige Entwicklung. Beide Konzepte basieren auf der Idee, dass sich aus großen Datenmengen Muster erkennen lassen, die über intuitive Einschätzungen hinausgehen. Wenn ein KI-System Tausende von historischen Spielen analysiert, sind xG-Werte einer der aussagekräftigsten Indikatoren für die wahre Leistungsfähigkeit einer Mannschaft.

Was Expected Goals wirklich messen

Um zu verstehen, warum xG so wichtig für KI-Prognosen ist, muss man zunächst begreifen, was diese Metrik tatsächlich erfasst. Der Grundgedanke ist bestechend einfach: Jeder Torschuss im Fußball wird mit einer Wahrscheinlichkeit versehen, die angibt, wie oft ein durchschnittlicher Spieler aus dieser Situation heraus trifft.

Der xG-Wert liegt immer zwischen null und eins. Eine Chance mit 0,25 xG bedeutet, dass statistisch gesehen 25 von 100 Schüssen aus einer vergleichbaren Situation im Tor landen. Ein Elfmeter hat typischerweise einen xG-Wert von etwa 0,76 bis 0,79, je nach Modell. Das mag überraschen, denn gefühlt erscheint ein Strafstoß als sichere Sache. Doch die Daten zeigen eben, dass nur etwa drei von vier Elfmetern verwandelt werden.

In die Berechnung fließen zahlreiche Faktoren ein, die alle mit der räumlichen und situativen Konstellation zum Zeitpunkt des Schusses zusammenhängen. Die wichtigsten sind die Distanz zum Tor und der Winkel, aus dem geschossen wird. Ein Schuss aus fünf Metern zentraler Position hat naturgemäß einen höheren xG-Wert als ein Versuch aus spitzem Winkel vom Strafraumrand.

Weitere Variablen, die moderne xG-Modelle berücksichtigen:

• Die Art des Abschlusses: Kopfbälle sind schwieriger zu verwandeln als Schüsse mit dem Fuß
• Der Schusstyp: Volleys oder direkte Abnahmen sind anspruchsvoller als platzierte Schüsse
• Die Entstehung der Chance: Kam der Ball von einer Flanke, einem Steilpass oder nach einem Dribbling?
• Der Druck durch Verteidiger: Wie viele Gegenspieler standen zwischen Ball und Tor?
• Die Position des Torhüters: Konnte er sich optimal positionieren oder war er aus dem Spiel genommen?

Die fortschrittlichsten Modelle, wie sie etwa von Opta oder StatsBomb entwickelt werden, integrieren noch weitere Nuancen. Sie analysieren die Geschwindigkeit des schießenden Spielers, die Körperhaltung und sogar die Qualität der beteiligten Mitspieler bei der Chancenerarbeitung.

Die verschiedenen xG-Modelle und ihre Unterschiede

Nicht alle xG-Werte sind gleich. Je nachdem, welches Modell verwendet wird, können die Zahlen für dieselbe Situation leicht variieren. Das liegt daran, dass verschiedene Anbieter unterschiedliche Datenpunkte erfassen und unterschiedlich gewichten.

Einfachere Modelle konzentrieren sich hauptsächlich auf Position und Winkel des Schusses. Diese Basisvarianten sind weit verbreitet und liefern bereits brauchbare Annäherungen. Für KI-Prognosen in der Champions League, wo es auf feine Unterschiede ankommen kann, sind jedoch komplexere Ansätze vorzuziehen.

Opta gehört zu den führenden Anbietern von Fußballdaten und verwendet ein Modell, das auf Zehntausenden von historischen Abschlüssen trainiert wurde. Die Bundesliga nutzt für ihre Match Facts eine Variante, die in Kooperation mit AWS entwickelt wurde und besonders viele Tracking-Daten einbezieht.

StatsBomb ist bekannt für sein besonders detailliertes Modell, das den Druck durch Gegenspieler und die Torhüterposition explizit berücksichtigt. Die Ergebnisse weichen manchmal deutlich von anderen Anbietern ab, weil diese zusätzlichen Faktoren erheblichen Einfluss haben können.

Für Nutzer von KI-Wetttipps bedeutet das: Wenn verschiedene Plattformen unterschiedliche xG-Werte für dasselbe Spiel angeben, ist das kein Fehler, sondern spiegelt die methodischen Unterschiede wider. Seriöse Anbieter machen transparent, welches Modell sie verwenden, sodass du Vergleiche ziehen kannst.

Die Abweichungen zwischen den Modellen sind in der Regel gering genug, dass sie die grundsätzlichen Aussagen nicht in Frage stellen. Wenn ein Team einen xG-Wert von 2,8 erreicht hat, wird kein anderes seriöses Modell diesen Wert plötzlich auf 0,5 taxieren. Die Unterschiede liegen typischerweise im Bereich von zehn bis zwanzig Prozent.

Wie KI-Systeme xG-Daten verarbeiten

KI-basierte Wettprognosen nutzen xG-Werte nicht isoliert, sondern integrieren sie in komplexere Modelle. Der Mehrwert liegt in der Aggregation und Kontextualisierung der Daten über längere Zeiträume hinweg.

Ein typischer Ansatz funktioniert so: Das KI-System analysiert die xG-Werte beider Mannschaften aus den vergangenen Spielen und erkennt, welches Team konstant hochwertige Chancen kreiert und welches eher von einzelnen Momenten lebt. Ein Team mit einem saisonalen xG-Durchschnitt von 1,8 pro Spiel zeigt eine andere Angriffsqualität als eines mit nur 1,0, auch wenn die tatsächlichen Torzahlen ähnlich sein mögen.

Besonders aufschlussreich ist der Vergleich zwischen xG und tatsächlich erzielten Toren. Eine Mannschaft, die konstant mehr Tore schießt als ihr xG-Wert erwarten lässt, performt über ihrem statistischen Niveau. Das kann auf herausragende individuelle Klasse im Abschluss hindeuten, etwa wenn ein Weltklassestürmer auch schwierige Chancen regelmäßig verwertet. Es kann aber auch schlicht Glück sein, das sich über einen längeren Zeitraum normalisieren wird.

Umgekehrt gilt: Ein Team, das weniger Tore erzielt als sein xG suggeriert, hat womöglich Pech gehabt oder kämpft mit Effizienzproblemen. Für KI-Modelle ist diese Erkenntnis wertvoll, weil sie auf eine mögliche Trendumkehr hindeutet. Historisch gesehen tendieren solche Überperformances dazu, sich dem statistischen Mittel anzunähern.

Die besten KI-Systeme kombinieren xG-Analysen mit weiteren Metriken. Sie betrachten nicht nur, wie viele Expected Goals ein Team produziert, sondern auch, wie viele es zulässt. Die Differenz zwischen xGf (Expected Goals for) und xGa (Expected Goals against) ergibt ein Bild der relativen Stärke. Eine Mannschaft mit einer positiven xG-Differenz von 0,8 pro Spiel dominiert ihre Gegner statistisch klar.

Die praktische Anwendung bei Über/Unter-Wetten

Eine der stärksten Domänen von xG-basierten Prognosen sind Wetten auf die Gesamtzahl der Tore. Der Zusammenhang ist einleuchtend: Wenn beide Teams in der Vergangenheit hohe xG-Werte produziert haben, ist die Wahrscheinlichkeit für ein torreiches Spiel erhöht.

Für den Markt Über/Unter 2,5 Tore lässt sich das so nutzen: Du addierst die durchschnittlichen xG-Werte beider Mannschaften aus den letzten Spielen. Liegt die Summe deutlich über 2,5, spricht das für einen torreicheren Spielverlauf. Liegt sie darunter, tendiert die Statistik zu weniger Treffern.

Natürlich ist das eine Vereinfachung. Erfahrene Analysten berücksichtigen zusätzlich, wie sich die xG-Werte je nach Spielsituation verteilen. Manche Teams erzeugen ihre Chancen früh im Spiel, andere werden in der Schlussphase gefährlicher. Manche Teams zeigen ein anderes Offensivverhalten zu Hause als auswärts. Die besten KI-Modelle erfassen diese Nuancen.

Ein konkretes Beispiel: Vor einem Champions-League-Spiel zwischen Bayern München und einem vermeintlich defensivstarken Gegner könnte die xG-Analyse zeigen, dass der Außenseiter in der Defensive tatsächlich hohe xGa-Werte zulässt, obwohl die Torzahl niedrig erscheint. Vielleicht hatten gegnerische Stürmer schlicht häufig Pech oder der Torhüter spielte über seinem Niveau. Die KI erkennt dieses Muster und prognostiziert mehr Tore, als die bloße Ergebnishistorie erwarten ließe.

Both Teams to Score: Eine weitere xG-Domäne

Der BTTS-Markt, bei dem gewettet wird, ob beide Mannschaften mindestens ein Tor erzielen, profitiert ebenfalls von xG-Analysen. Hier kommt es darauf an, sowohl die offensive Qualität als auch die defensive Anfälligkeit beider Teams einzuschätzen.

Ein Team mit hohen xGf-Werten und gleichzeitig hohen xGa-Werten ist ein klassischer BTTS-Kandidat. Es kreiert Chancen und lässt sie zu, was auf offene Spiele mit Toren auf beiden Seiten hindeutet. Umgekehrt tendieren Teams mit niedriger xG-Differenz in beide Richtungen zu ausgeglicheneren, häufig torarmen Spielen.

Die Champions League bietet hier interessante Konstellationen, weil Teams aus verschiedenen Ligen aufeinandertreffen. Ein offensivstarkes Team aus einer taktisch offenen Liga wie der Premier League spielt gegen einen Verein aus einer traditionell defensivorientierten Meisterschaft. Die xG-Daten helfen, diese unterschiedlichen Spielkulturen zu quantifizieren und vergleichbar zu machen.

KI-Systeme nutzen diese Erkenntnisse, um BTTS-Wahrscheinlichkeiten zu berechnen, die oft präziser sind als rein auf Ergebnissen basierende Einschätzungen. Wenn ein Team in den letzten zehn Spielen nur dreimal ohne Gegentor blieb, aber die xGa-Werte zeigen, dass statistisch gesehen acht Gegentreffer zu erwarten gewesen wären, passt das KI-Modell die Prognose entsprechend an.

Grenzen der xG-basierten Prognosen

Bei aller Begeisterung für Expected Goals ist es wichtig, die Grenzen dieser Metrik zu kennen. xG erfasst die Qualität von Torchancen, aber nicht alle Aspekte eines Fußballspiels, die den Ausgang beeinflussen.

Der offensichtlichste Kritikpunkt betrifft die individuelle Qualität der Spieler. Ein Elfmeter von Erling Haaland hat denselben xG-Wert wie einer von einem Reservespieler der dritten Liga. Das Modell behandelt beide Situationen gleich, obwohl die tatsächliche Torwahrscheinlichkeit unterschiedlich sein dürfte. Fortschrittlichere Ansätze versuchen, spielerspezifische Korrekturen einzubeziehen, aber das bleibt eine methodische Herausforderung.

Ein weiteres Problem liegt in der Natur der Daten selbst. xG-Werte werden erst nach dem Schuss berechnet. Sie sagen nichts darüber aus, welche Chancen eine Mannschaft hätte kreieren können, wenn sie taktisch anders gespielt hätte. Ein Team, das früh in Führung geht und danach nur noch verwaltet, zeigt andere xG-Werte als eines, das bis zum Schluss auf Sieg spielt.

Die Stichprobengröße kann ebenfalls problematisch sein. In der Champions League treten Teams nur selten gegeneinander an. Wenn Bayern München auf einen Verein trifft, gegen den es in den letzten Jahren nicht gespielt hat, fehlen direkte Vergleichsdaten. Das KI-Modell muss dann auf indirekte Analysen zurückgreifen, was die Unsicherheit erhöht.

Schließlich erfasst xG keine psychologischen oder situativen Faktoren. Dass ein Team um den Einzug ins Finale kämpft oder bereits sicher qualifiziert ist, spiegelt sich in keiner xG-Statistik wider. Solche Motivationsaspekte können jedoch spielentscheidend sein.

Erweiterte Metriken: xGOT und PSxG

Die Fußballanalyse hat sich weiterentwickelt, und neben dem klassischen xG-Wert sind ergänzende Metriken entstanden, die noch feinere Einblicke ermöglichen. Für KI-Prognosen in der Champions League sind insbesondere Expected Goals on Target (xGOT) und Post-Shot Expected Goals (PSxG) relevant.

Der Unterschied zum klassischen xG liegt im Zeitpunkt der Messung. Während xG die Torwahrscheinlichkeit vor dem Schuss bewertet, erfasst xGOT, was nach dem Abschluss passiert ist. Ein Schuss, der aus einer Position mit niedrigem xG-Wert in den Winkel gezirkelt wird, erhält einen höheren xGOT-Wert als einer, der mittig auf den Torwart zurollt.

Das klingt zunächst wie eine akademische Feinheit, hat aber praktische Relevanz. xGOT trennt die Qualität der Chancenerarbeitung von der Qualität der Chancenverwertung. Ein Team kann aus wenigen Gelegenheiten viel machen, wenn seine Abschlüsse präzise platziert sind. Umgekehrt kann ein Team hohe xG-Werte produzieren, aber die Schüsse regelmäßig genau auf den Torwart schießen.

Für die Torhüterbewertung ist xGOT besonders wertvoll. Ein Keeper, der viele Schüsse hält, wirkt zunächst stark. Wenn diese Schüsse aber alle niedrige xGOT-Werte haben, weil sie zentral aufs Tor kamen, relativiert sich die Leistung. Die wirklich starken Torhüter verhindern Gegentreffer bei Schüssen mit hohem xGOT-Wert.

KI-Systeme, die xGOT in ihre Modelle integrieren, können differenziertere Prognosen erstellen. Sie erkennen, ob ein Team seine Überlegenheit bei den xG-Werten auch in qualitativ hochwertige Abschlüsse umwandelt oder ob es Probleme im letzten Drittel hat. Diese Unterscheidung kann den Ausschlag geben, wenn es um enge Prognoseentscheidungen geht.

Quellen für xG-Daten in der Champions League

Wer xG-basierte Analysen für Champions-League-Spiele nutzen möchte, braucht Zugang zu verlässlichen Datenquellen. Die gute Nachricht: Es gibt verschiedene Plattformen, die xG-Statistiken kostenlos oder zu moderaten Preisen bereitstellen.

FBref ist eine der umfassendsten frei zugänglichen Quellen. Die Seite bietet detaillierte xG-Statistiken für alle großen Ligen und Wettbewerbe, einschließlich der Champions League. Die Daten stammen von Opta und werden regelmäßig aktualisiert. Neben den reinen xG-Werten findest du dort auch PSxG-Daten und viele weitere fortgeschrittene Metriken.

Understat spezialisiert sich auf xG-Analysen und bietet eine übersichtliche Darstellung der Daten für mehrere Top-Ligen. Die Visualisierungen zeigen auf einen Blick, wo auf dem Spielfeld die Chancen entstanden sind und wie hoch die jeweiligen xG-Werte waren.

WhoScored und SofaScore integrieren xG-Daten in ihre Spielberichte, sodass du nach jedem Champions-League-Abend sehen kannst, wie die xG-Bilanz ausgefallen ist. Diese Plattformen sind besonders praktisch, weil sie xG mit anderen Statistiken kombinieren.

Für die Bundesliga bietet die offizielle Website der DFL die Match Facts mit xG-Werten an, die in Kooperation mit AWS berechnet werden. Diese Daten sind nützlich, um die deutschen Champions-League-Teilnehmer einzuschätzen.

Bei der Nutzung verschiedener Quellen solltest du beachten, dass die xG-Werte leicht variieren können, weil unterschiedliche Modelle verwendet werden. Ein direkter Vergleich zwischen Werten von FBref und Understat ist daher nur eingeschränkt sinnvoll. Konsistenz innerhalb einer Quelle ist wichtiger als absolute Zahlen.

Strategien zur Kombination von xG mit anderen Datenpunkten

Die besten KI-Prognosen verlassen sich nicht allein auf xG, sondern kombinieren diese Metrik mit weiteren Informationen. Für deine eigene Analyse kannst du ähnlich vorgehen und ein mehrdimensionales Bild der Spielstärke entwickeln.

Der erste Schritt ist die Betrachtung der xG-Trends über Zeit. Ein Team, dessen xG-Werte in den letzten Wochen steigen, befindet sich offensiv im Aufwind. Umgekehrt können sinkende xGa-Werte auf eine verbesserte Defensive hindeuten. Solche Entwicklungen erfassen KI-Modelle, indem sie gleitende Durchschnitte berechnen und Gewichtungen für aktuelle Spiele vornehmen.

Der zweite Schritt ist die Kontextualisierung nach Spielstärke der Gegner. Hohe xG-Werte gegen schwache Verteidigungen sind weniger aussagekräftig als ähnliche Zahlen gegen Topteams. In der Champions League ist das besonders relevant, weil das Niveau der Gegner stark variiert. Ein Team, das in der heimischen Liga konstant 2,0 xG pro Spiel produziert, wird diese Werte gegen die europäische Elite womöglich nicht halten können.

Der dritte Schritt ist die Integration von Kader- und Verletzungsinformationen. xG-Daten basieren auf historischen Spielen, aber wenn ein Schlüsselspieler ausfällt, ändern sich die Vorzeichen. KI-Systeme versuchen, solche Faktoren einzubeziehen, aber die Datenlage ist hier oft weniger robust als bei den reinen Spielstatistiken.

Schließlich lohnt sich der Blick auf die Heim- und Auswärtsbilanz. Manche Teams zeigen deutlich unterschiedliche xG-Profile je nach Spielort. Die Champions League mit ihren besonderen Atmosphären in den verschiedenen Stadien verstärkt diesen Effekt oft noch.

Fallbeispiele aus der Champions League

Die Theorie wird greifbarer, wenn man sie an konkreten Beispielen illustriert. In den vergangenen Champions-League-Saisons gab es zahlreiche Partien, bei denen xG-Analysen interessante Einblicke lieferten.

Ein klassisches Muster ist das Spiel, bei dem der Underdog den Favoriten bezwingt, obwohl die xG-Werte eine andere Sprache sprechen. Solche Siege werden gerne als Sensation gefeiert, doch die Statistik zeigt, dass sie oft auf ineffizienter Chancenverwertung des Favoriten beruhen. Für KI-Prognosen bedeutet das: Im Rückspiel ist eine Korrektur wahrscheinlich, weil die zugrundeliegenden Kräfteverhältnisse unverändert sind.

Umgekehrt gibt es Teams, die über längere Zeiträume unter ihrem xG-Niveau punkten. In solchen Fällen kann eine xG-basierte Analyse früher als das bloße Ergebnis anzeigen, dass eine Formkrise droht. Wenn eine Mannschaft Woche für Woche mehr Chancen zulässt als sie kreiert, aber dank glücklicher Umstände trotzdem gewinnt, ist eine Trendwende statistisch wahrscheinlich.

Die Champions League bietet durch das neue Ligaphase-Format besonders interessante Konstellationen. Teams spielen nun gegen acht verschiedene Gegner, was die Datenbasis für xG-Vergleiche verbreitert. Gleichzeitig sind die Stichproben für direkte Duelle kleiner, weil es keine Hin- und Rückspiele in der Gruppenphase mehr gibt. KI-Modelle müssen sich an diese veränderte Struktur anpassen.

Die Zukunft von xG in KI-Prognosen

Die Entwicklung steht nicht still. Sowohl die xG-Modelle selbst als auch ihre Integration in KI-Systeme werden kontinuierlich verfeinert. Bessere Tracking-Technologien liefern präzisere Daten, und leistungsfähigere Algorithmen können komplexere Zusammenhänge erfassen.

Ein Trend geht hin zu spielerspezifischen xG-Werten, die nicht nur die Situation, sondern auch die individuellen Fähigkeiten des Schützen berücksichtigen. Das adressiert eine der größten Schwächen des klassischen Modells. Wenn bekannt ist, dass ein bestimmter Spieler aus schwierigen Positionen überdurchschnittlich oft trifft, sollte das in die Prognose einfließen.

Ein anderer Entwicklungsstrang betrifft die Echtzeitanalyse. Bereits während eines Spiels könnten KI-Systeme die xG-Entwicklung verfolgen und ihre Prognosen für Live-Wetten anpassen. Die technischen Grundlagen dafür existieren, auch wenn die praktische Umsetzung noch nicht flächendeckend verbreitet ist.

Für die Champions League bedeutet das, dass xG-basierte Prognosen in den kommenden Jahren noch präziser werden dürften. Die Kombination aus besseren Daten, fortschrittlicheren Modellen und leistungsfähigerer KI verspricht Vorhersagen, die näher an der Realität liegen als je zuvor.

Praktische Tipps für deine eigene Analyse

Wenn du xG-Daten in deine Einschätzungen einbeziehen möchtest, hier einige konkrete Empfehlungen:

Beginne damit, die xG-Werte der Teams systematisch zu verfolgen, bevor du sie für Prognosen nutzt. Schaue dir an, wie aussagekräftig die Korrelation zwischen xG und tatsächlichen Ergebnissen in der Vergangenheit war. Je besser du ein Gefühl für die Metrik entwickelst, desto sinnvoller kannst du sie einsetzen.

Vergleiche immer xGf und xGa gemeinsam. Ein Team mit hohem xGf-Wert ist offensiv stark, aber wenn der xGa-Wert ebenso hoch ist, gibt es defensive Probleme. Die Differenz beider Werte sagt mehr über die Gesamtstärke aus als jeder einzelne Wert für sich.

Achte auf die Stichprobengröße. xG-Werte aus nur zwei oder drei Spielen sind wenig aussagekräftig, weil einzelne Ausreißer das Bild verzerren können. Für belastbare Einschätzungen brauchst du mindestens acht bis zehn Spiele, besser mehr.

Hinterfrage extreme Abweichungen. Wenn ein Team deutlich mehr oder weniger Tore erzielt als sein xG-Wert erwarten lässt, kann das verschiedene Gründe haben. Manchmal handelt es sich um nachhaltige Überperformance durch individuelle Klasse, manchmal um statistische Ausreißer, die sich normalisieren werden. Die Unterscheidung ist nicht immer einfach, aber sie ist entscheidend für gute Prognosen.

Kombiniere xG mit deiner eigenen Beobachtung. Zahlen erzählen nicht die ganze Geschichte. Wenn du ein Spiel selbst gesehen hast, weißt du vielleicht, dass die xG-Werte die Spielrealität nur unzureichend abbilden, weil besondere Umstände herrschten. Diese qualitative Einschätzung ist eine wertvolle Ergänzung zur quantitativen Analyse.

Fazit: xG als unverzichtbares Element moderner KI-Prognosen

Expected Goals haben die Fußballanalyse revolutioniert, und für KI-gestützte Wettprognosen in der Champions League sind sie längst unverzichtbar. Die Metrik bietet einen tieferen Einblick in die tatsächliche Spielstärke als traditionelle Statistiken und ermöglicht differenziertere Vorhersagen.

Gleichzeitig sind xG-Werte kein Allheilmittel. Sie erfassen wichtige, aber nicht alle relevanten Aspekte eines Fußballspiels. Die besten Prognosen entstehen, wenn xG-Analysen mit anderen Datenpunkten und qualitativen Einschätzungen kombiniert werden.

Für dich als Nutzer von KI-Wetttipps bedeutet das: Achte darauf, ob die Plattformen, denen du vertraust, xG-basierte Analysen transparent einbeziehen. Je nachvollziehbarer die Methodik, desto besser kannst du einschätzen, wie belastbar die Prognosen sind. Und wenn du selbst tiefer einsteigen möchtest, stehen dir zahlreiche kostenlose Datenquellen zur Verfügung, um deine eigene xG-Kompetenz aufzubauen.

Die Champions League mit ihren Duellen zwischen den besten Mannschaften Europas bietet das ideale Testfeld für xG-basierte Prognosen. Die hohe Qualität der Spiele, die gute Datenverfügbarkeit und die emotionale Intensität des Wettbewerbs machen jede Analyse zu einer spannenden Angelegenheit. Wer die Sprache der Expected Goals versteht, sieht den Fußball mit anderen Augen.