Kuinka lasketaan odotetut maalit jalkapallossa

Yhteenveto

✓Tarkistanut Jari Hämäläinen Kuinka lasketaan odotetut maalit jalkapallossa on kysymys, joka kiinnostaa yhä useampaa jalkapallofania, fantasialiigan pelaajaa ja analyytikkoa. Odotetut maalit eli xG (expected goals) on tilastollinen malli, joka arvioi jokaisen laukauksen maalintekotodennäköisyyden nollan ja yhden välillä sen perusteella, mistä...

9 minuutin lukuaika

Sisällysluettelo

1 Mitä odotetut maalit tarkoittavat ja miksi ne ovat tärkeitä?
2 xG-mallin historia lyhyesti
3 Kuinka lasketaan odotetut maalit jalkapallossa – vaihe vaiheelta
3.1 Vaihe 1: Historiallinen laukausdata
3.2 Vaihe 2: Muuttujien valinta ja mallin koulutus
3.3 Vaihe 3: Yksittäisen laukauksen xG-arvo
4 Laukauksen sijainti – tärkein yksittäinen muuttuja
5 Kuinka eri tietotoimistot laskevat xG:n eri tavoin?
6 Non-shot xG ja post-shot xG – mallin kehittyneet versiot
7 Odotetut maalit Valioliigassa kauden 2025–2026 valossa
8 Kuinka xG eroaa muista edistyneistä tilastomittareista?
9 xG:n rajoitukset – mitä malli ei kerro?
10 Usein kysytyt kysymykset
10.1 Mistä tiedän, onko xG-luku hyvä vai huono?
10.2 Voiko pelaaja systemaattisesti ylittää xG:nsä pitkällä aikavälillä?
10.3 Mikä on paras ilmainen työkalu xG-tilastojen seuraamiseen?
10.4 Lasketaanko xG samoin kaikissa sarjoissa?
10.5 Miten xG eroaa maalipaikkalaskurista?
10.6 Kuinka usein xG-mallit päivitetään?
11 Lähteet

Tarkistanut Jari Hämäläinen

Kuinka lasketaan odotetut maalit jalkapallossa on kysymys, joka kiinnostaa yhä useampaa jalkapallofania, fantasialiigan pelaajaa ja analyytikkoa. Odotetut maalit eli xG (expected goals) on tilastollinen malli, joka arvioi jokaisen laukauksen maalintekotodennäköisyyden nollan ja yhden välillä sen perusteella, mistä kohtaa kentältä, millä jalkaosalla ja missä tilanteessa laukaus tehtiin. Yksittäinen laukaus, jolle malli antaa arvon 0,35, tarkoittaa, että vastaavasta paikasta ja tilanteesta tehty laukaus päätyy maaliin historiallisesti noin 35 prosentissa tapauksista.

LyhyestixG lasketaan logistisella regressiomallilla tai koneoppimisella, joka hyödyntää kymmenistä tuhansista historiallisista laukauksista koottua dataa. Keskeisiä muuttujia ovat laukauksen etäisyys maalista, kulma, kehonosa ja edeltävä pelitilanne – StatsBombin laajimmat mallit käyttävät yli 50:tä muuttujaa. Summatuista xG-arvoista syntyy joukkue- tai pelaajatason maaliodottama, joka kertoo kuinka monta maalia tietystä laukausmäärästä tilastollisesti pitäisi syntyä.

Mitä odotetut maalit tarkoittavat ja miksi ne ovat tärkeitä?

Odotetut maalit ovat todennäköisyyspohjainen mittari, joka muuttaa jokaisen laukauksen numeroksi väliltä 0,00–1,00. Arvo 1,0 on teoriassa maksimiodottama, vaikka käytännössä edes täysin tyhjä maali läheltä saa harvoin täyttä arvoa. Mittarin voima piilee siinä, että se erottaa laadukkaan pelitilanteen sattumamaalista: joukkue voi hävitä ottelun mutta silti tuottaa ylivoimaisen xG:n, mikä viittaa siihen, että lopputulos ei välttämättä heijasta peliesitystä. Maaliodottaman perusteet kannattaa hallita ennen kuin syventyy laskentamekaniikkaan.

Käytännön esimerkki: jos Arsenal tuottaa ottelussa neljä laukausta xG-arvoilla 0,12, 0,08, 0,25 ja 0,41, joukkueen ottelukohtainen xG on 0,86. Tämä luku kertoo, että vastaavien laukausten joukosta Arsenal odottaisi historiallisen todennäköisyyden pohjalta noin yhtä maalia. Jos joukkue tekee samassa ottelussa kaksi maalia, se on ylittänyt odottamansa – tilanne, jota analyytikot kutsuvat ylisuorittamiseksi.

xG-mallin koulutusdata (StatsBomb)300 000+ laukausta (StatsBomb Open Data, 2025)

Peruskehyksessä käytettävät muuttujat5–10 muuttujaa (FBref / Opta perusmallit)

Kehittyneen mallin muuttujatyli 50 muuttujaa (StatsBomb 360-malli, 2025)

Ennustekyky vs. pelkät maalit~2× parempi (American Statistical Association, 2024)

xG-mallin historia lyhyesti

Odotettujen maalien konsepti ei ole uusi. Ensimmäiset tilastolliset laukausmallit kehitettiin jo 1970-luvulla Pohjois-Amerikassa jääkiekon analytiikkaan, mutta jalkapallosovellus alkoi kehittyä kunnolla 2000-luvun alussa. Akademiapiireissä termi «expected goals» vakiintui laajemmin Sarah Ruddyn ja Paul Powerin tutkimuksen myötä vuonna 2017, kun heidän artikkelinsa «Not All Passes Are Created Equal» julkaistiin ACM KDD -konferenssissa. Kaupallisista toimijoista Opta alkoi julkaista xG-lukuja medialle 2012–2014, ja StatsBomb lanseerasi avoimet xG-datasettinsä vuonna 2019, mikä demokratisoi mallin tutkijoiden ja harrastajien käyttöön.

Kuinka lasketaan odotetut maalit jalkapallossa – vaihe vaiheelta

xG-laskenta perustuu kolmeen päävaiheeseen: datan keräämiseen, mallin kouluttamiseen ja yksittäisen laukauksen todennäköisyyden laskemiseen.

Vaihe 1: Historiallinen laukausdata

Malli tarvitsee pohjaksi suuren joukon aiempia laukauksia, joista tiedetään tulos (maali vai ei maali) sekä useita tilannemuuttujia. Laukausmäärien ja laukauslaadun tilastot muodostavat tällaisen raakadatan perustan. Mitä suurempi datasetti, sitä luotettavampi malli – StatsBombin julkinen datasetti kattaa satoja tuhansia laukauksia kymmenistä sarjoista vuosilta 2015–2025.

Vaihe 2: Muuttujien valinta ja mallin koulutus

Kun data on kerätty, valitaan muuttujat, joiden uskotaan selittävän maalintekotodennäköisyyttä. Perinteinen logistinen regressiomalli käyttää tyypillisesti seuraavia muuttujia:

Etäisyys maalista – lyhyt matka kasvattaa xG:tä merkittävästi
Laukauskulma – mitä suoremmin maalia kohti, sitä suurempi arvo
Kehonosa – pääpallot ovat historiallisesti merkittävästi jalkasuorituksia heikompia
Tilannetyyppi – maalipotkut ja vapaapotkut saavat omat kertoimensa
Edeltävä tapahtuma – oliko edeltävä syöttö ristisyöttö, läpiajo vai kulmapotkuun liittyvä tilanne?

Kehittyneemmät mallit kuten StatsBombin 360-formaatti lisäävät puolustajien sijainnin, maalivahtien aseman ja pelaajien liikkeen ennen laukausta. Tällöin päästään yli 50 muuttujaan, joita analysoidaan koneoppimismenetelmillä kuten satunnaismetsällä tai neuroverkoilla.

Vaihe 3: Yksittäisen laukauksen xG-arvo

Kun malli on koulutettu, se saa syötteeksi uuden laukauksen muuttujat ja palauttaa todennäköisyysarvon. Logistisessa regressiossa lasketaan niin kutsuttu logit-funktio: logit(p) = β₀ + β₁x₁ + β₂x₂ + … + βₙxₙ, jossa x-arvot ovat laukauksen muuttujia ja β-kertoimet historian pohjalta opitut painot. Tämä muunnetaan todennäköisyydeksi sigmoid-funktiolla: p = 1 / (1 + e^(−logit)).

xG ei kerro mitä tapahtui – se kertoo mitä todennäköisesti olisi pitänyt tapahtua, ja juuri sen vuoksi se on jalkapalloanalyysin arvokkain yksittäinen luku.

Laukauksen sijainti – tärkein yksittäinen muuttuja

Kun tarkastellaan, kuinka lasketaan odotetut maalit jalkapallossa, sijainti nousee selvästi tärkeimmäksi yksittäiseksi tekijäksi. Jalkapalloanalyysin kirjallisuudessa käytetään vakiintunutta käsitettä «high-danger zone» tai «penalty area core» – maalin eteen jäävä alue noin 10–15 metrin etäisyydellä. Tällä alueella laukauksen xG on tyypillisesti 0,10–0,35, kun taas 25 metrin etäisyydeltä tehdyt pitkät laukaukset saavat arvon 0,02–0,06.

Valioliigan kaudella 2025–2026 tilastot osoittivat, että rangaistusalueen sisältä tehtyjen laukausten konversioaste oli FBrefin datan mukaan noin 10–13 prosenttia, mikä vastaa hyvin mallien antamia xG-lukuja. Tämä johdonmukaisuus on yksi syy siihen, miksi malli on osoittautunut niin hyödylliseksi.

Hyvä tietääRangaistuspotkun xG on yleisesti noin 0,76 – eli historiallisesti noin kolme neljästä penalty-tilanteesta päätyy maaliin. Kulmapotkusta suoraan jatkettu pääpallo saa tyypillisesti arvon 0,07–0,12, riippuen mallista ja aineistosta.

Kuinka eri tietotoimistot laskevat xG:n eri tavoin?

Yksi usein väärinymmärretty asia on se, että yksi yhteinen xG ei ole olemassa. Opta/Stats Perform, StatsBomb, Wyscout ja FBref käyttävät kukin omia mallejaan, omaa historiadataansa ja erilaisia muuttujia. Tästä syystä saman ottelun xG-luvut voivat erota eri lähteissä jopa 0,2–0,5 yksikköä. Seuraava vertailutaulukko kuvaa eri toimijoiden mallien pääpiirteitä:

Tietotoimisto	Muuttujien määrä (arvio)	Pelaajan sijainti mukana?	Avoin data?
Opta / Stats Perform	10–20	Osittain	Ei
StatsBomb 360	yli 50	Kyllä (kaikki 22 pelaajaa)	Osittain (open data)
FBref (StatsBomb-pohja)	yli 50	Kyllä	Kyllä (julkinen)
Wyscout	10–15	Ei systemaattisesti	Ei

Taulukossa esitetyt muuttujamäärät ovat toimialan yleisesti raportoituja arvioita, sillä kaupallisten toimijoiden tarkat mallit ovat suljettu tieto. Julkisista lähteistä StatsBombin avoimen datan repositorio on läpinäkyvin ja laajimmin käytetty tutkimusaineisto.

Non-shot xG ja post-shot xG – mallin kehittyneet versiot

Pelkkä laukauksen xG kertoo tilanteen laadun laukauksen hetkellä, mutta analytiikka on kehittynyt kahdelle lisätasolle.

Non-shot xG (nsxG) pyrkii arvioimaan ottelun kulkua myös ilman laukausta: kuinka arvokkaita olivat ne syötöt ja pallonhallintasekvenssitkö, jotka eivät johtaneet laukaukseen? Tämä sopii erityisesti joukkueiden pelillisen hallitsevuuden arviointiin. Post-shot xG puolestaan ottaa huomioon, mihin kohtaan maalia laukaus oikeasti meni – onko maalivahti jo selvässä kulmassa vai onko laukaus uponnut kaukaloon. Valioliigan maalivahtien xG-tilastot perustuvat usein juuri post-shot-malliin, koska se mittaa maalivahtia oikeudenmukaisemmin.

Miksi tämä on tärkeääPost-shot xG paljastaa maalivahtien todellisen tason paremmin kuin torjuntaprosentti, koska se huomioi, kuinka vaikeita juuri nämä laukaukset todellisuudessa olivat – ei pelkästään kuinka monta niistä torjuttiin.

Odotetut maalit Valioliigassa kauden 2025–2026 valossa

Valioliigan kaudella 2025–2026 xG-tilastot paljastavat, kuinka lasketaan odotetut maalit jalkapallossa käytännön tasolla. Arsenalin mestaruuskauden taustatilastot osoittivat, että mestaruusjoukkue hallitsi sekä xG-tuotannossa että xGA:ssa (vastustajille sallittu xG) – toisin sanoen joukkue sekä loi laadukkaan laukausasemia että esti niiden syntymisen. FBrefin kausitilastojen perusteella menestyneimmät joukkueet tuottivat laukauksia, joiden keskimääräinen xG/laukaus ylitti 0,11, kun alataulukon joukkueilla vastaava luku jäi tyypillisesti alle 0,09.

Jalkapalloanalyytikko tarkastelee kenttäkarttoja ja laukaustilaston visualisaatioita

Laukaustyyppi	Tyypillinen xG-arvo	Konversioaste historiassa
Rangaistuspotku	~0,76	noin 75–77 %
Lähilaukaus (< 6 m, jalka)	0,40–0,60	noin 40–55 %
Rangaistusalueen keskilaukaus (jalka)	0,10–0,20	noin 10–18 %
Kulmapotkusta jatkettu pääpallo	0,07–0,12	noin 8–11 %
Pitkä laukaus (> 25 m, jalka)	0,02–0,06	noin 2–5 %
Vapaapotkumaalivahdin ohi (< 20 m)	0,05–0,15	vaihtelee merkittävästi

Taulukon luvut perustuvat FBrefin ja StatsBombin avoimen datan pohjalta tehtyyn toimialan yleiseen konsensukseen, eivät yhden ottelun satunnaiseen otokseen.

Kuinka xG eroaa muista edistyneistä tilastomittareista?

Odotetut maalit liittyvät läheisesti muihin edistyneisiin mittareihin, jotka yhdessä muodostavat modernin jalkapalloanalyysin työkalupakin. xA eli expected assists laskee syöttöjen maaliodottamaa samaan tapaan – mikä on sen laukauksen xG-arvo, jonka tietty syöttö synnytti? xG:n ja xA:n ero ja yhteys on tärkeä ymmärtää, jotta voi arvioida pelaajan kokonaisvaikutusta. PPDA taas mittaa prässin intensiteettiä – se on erillinen mittari, mutta kertoo usein, miksi joukkue onnistuu tai epäonnistuu korkealaatuisten laukauspaikkojen rajaamisessa.

xG on jalkapallon analytiikassa se, mitä ERA on baseballissa – yksinkertainen kokonaisluku, joka sisältää paljon muuttuvaa todellisuutta.

xG:n rajoitukset – mitä malli ei kerro?

Vaikka xG on tehokas työkalu, sillä on tunnettuja rajoituksia, jotka jokaisen analyytikon on syytä tuntea:

Maalivahdin laatu ei näy perusmallissa – laukaus saa saman xG-arvon riippumatta siitä, onko maalissa maailman paras vai aloitteleva varamaalivahti (paitsi post-shot xG:ssä)
Pienellä otoksella (yksittäinen ottelu tai muutama kierros) luvut voivat olla harhaanjohtavia: ottelutason xG-data vakiintuu tilastollisesti vasta noin 15–20 ottelun jälkeen
Malli ei suoraan huomioi puolustajien paineistusta, pelaajan viretilaa tai psykologisia tekijöitä
Eri toimijoiden mallit antavat eri lukuja, joten lähdettä ei saa sekoittaa keskenään

Näistä rajoituksista huolimatta useat akateemiset tutkimukset, kuten ACM KDD 2017 -konferenssissa julkaistu tutkimus, ovat osoittaneet xG:n ennustavan tulevaa menestystä paremmin kuin pelkkä maalimäärä – erityisesti kun tarkastellaan vähintään puolen kauden dataa.

Usein kysytyt kysymykset

Mistä tiedän, onko xG-luku hyvä vai huono?

Vertailukohta löytyy suhteuttamalla xG laukausmäärään. Joukkue, joka tuottaa 15 laukausta ottelussa mutta kerää niistä yhteensä vain xG:n 0,80, ottaa pääasiassa heikkolaatuisia laukauksia. Joukkue, joka ampuu 8 laukausta yhteisxG:llä 1,20, on huomattavasti vaarallisempi vähemmistä laukauksista huolimatta. Pelaajatasolla yksittäinen kausi alkaa olla tilastollisesti merkitsevä noin 50–80 laukauksen jälkeen.

Voiko pelaaja systemaattisesti ylittää xG:nsä pitkällä aikavälillä?

Kyllä, mutta vain pienissä määrin ja harvojen pelaajien kohdalla. Tutkimuskirjallisuudessa on havaittu, että erittäin kokeneet huippumaaliintekijät – kuten Erling Haaland ja Harry Kane – voivat ylittää xG:nsä johdonmukaisesti, todennäköisesti paremman viimeistelylaadun ansiosta. Suurimmalla osalla pelaajista ero xG:n ja todellisten maalien välillä tasoittuu usean kauden aikana nollan ympärille.

Mikä on paras ilmainen työkalu xG-tilastojen seuraamiseen?

FBref on laajimmin käytetty ilmainen lähde, joka käyttää StatsBombin dataa ja näyttää sekä joukkue- että pelaajakohtaiset xG-luvut kierroskohtaisesti. Understat.com tarjoaa interaktiiviset visualisaatiot ottelutasolla. Molemmat ovat ilmaisia ja kattavat Valioliigan kokonaisuudessaan kaudesta 2014–2015 lähtien.

Lasketaanko xG samoin kaikissa sarjoissa?

Mallin rakenne on sama, mutta koulutusdata voi vaihdella. Paras malli Valioliigalle on koulutettu Valioliigan historiallisilla laukauksilla, kun taas esimerkiksi Suomen Veikkausliigan malli käyttäisi kotimaisesta sarjasta kerättyä dataa. Käytännössä suuret kaupalliset toimijat kuten Opta käyttävät yhdistettyjä malleja yli sarjatasojen, mikä voi aiheuttaa pieniä eroja sarjojen välillä.

Miten xG eroaa maalipaikkalaskurista?

Perinteinen maalipaikkalaskuri («big chances» tai «selkeät maalipaikat») on laadullinen arvio: dataoperaattori merkitsee tilanteen joko selkeäksi maalipaikaksi tai ei. xG sen sijaan on jatkuva asteikko 0,00–1,00, joka perustuu tilastolliseen malliin. xG on toistettavampi ja vähemmän altis subjektiiviselle tulkinnalle, vaikka se vaatii enemmän laskentatehoa ja dataa.

Kuinka usein xG-mallit päivitetään?

Kaupallisia malleja päivitetään tyypillisesti muutaman kauden välein, kun riittävästi uutta dataa on kertynyt. StatsBomb ja vastaavat toimijat tekevät versiopäivityksiä, jotka voivat muuttaa historiallisia lukuja hieman. Tästä syystä on tärkeää kirjata aina, minkä version mallista luvut ovat peräisin, jos käyttää niitä pitkäaikaisessa vertailussa.