Expected goals ou xG

La plupart de fans de football connaîtront ce sentiment. On est en train de regarder un match de son équipe favorite, un joueur reçoit une grande occasion et rate de manière incompréhensible. Notre frustration déborde et nous avons alors tous un jugement au sujet du joueur qui a manqué l’immanquable. Mais est-ce que cette frustration est justifiée ? Peut-être moins que tu ne le penses. Selon le modèle des Expected goals (buts attendus) ou xG, ce sont les fans qui devraient adapter leurs attentes. Ci-dessous, nous expliquons la raison derrière ce raisonnement.

Que sont les « Expected goals » ?

Expected goals est un modèle prédicatif qui est utilisé pour analyser chaque occasion de marquer un but et la chance qu’un but soit réellement marqué. Un modèle xG calcule pour chaque occasion la probabilité qu’un but soit marqué sur base de ce que nous savons au sujet de cette occasion, comme des variables qui sont basées sur l’évènement ou le match même. Plus haut le score xG, avec 1 comme maximum et 0 comme minimum, plus élevée la chance qu’un but soit marqué. Nous prenons comme exemple le score de 0.2xG. Ce genre d’occasions doit être marqué 20 % du temps. Si une occasion reçoit un score de 0.99xG, ceci signifie que cette phase à 99 % de chance de fournir un but.

Un modèle xG typique tient compte des variables suivantes qui sont liées à l’évènement afin de calculer la qualité de l’occasion de but :

• la distance jusqu’au goal
• l’angle par rapport au goal
• le joueur joue-t-il la balle du pied ou de la tête
• dans quelles circonstances est-ce que l’occasion est jouée (durant le jeu même, un coup franc direct, un coup de coin, une contre-attaque…)
• le joueur vient-il d’éliminer un joueur de l’autre équipe ?

Une frappe de près d’une position centrale a par exemple une valeur xG plus élevée qu’une occasion qui est jouée de la tête d’un angle fermé, si toutes les autres circonstances sont les mêmes. Le modèle ci-dessus est le modèle standard, mais certaines sociétés utilisent d’autres technologies et algorithmes afin d’obtenir des résultats de prédiction encore meilleurs du modèle xG. Des données supplémentaires sont par exemple la position du gardien de but ou la pression qui est exercée sur le joueur qui tente de marquer un but.

Pour quelle raison est-ce que le modèle des Expected goals est utile ?

L’idée derrière le modèle xG est qu’il donne une indication sur le fait que les résultats sont basés sur des facteurs durables comme la création d’un grand nombre d’occasions consécutives ou sur d’autres facteurs comme la chance ou un très bon gardien de but. Si un joueur a par exemple une valeur xG plus élevée que les buts qu’il a réellement marqués, ceci signifie qu’il a mal joué ou qu’il n’avait simplement pas de chance. Et le contraire vaut également. Si un joueur marque plus de buts que sa valeur xG, ceci peut être dû à une prestation individuelle extraordinaire.

Expliqué simplement, xG peut être vu comme une manière d’évaluer de manière efficace la qualité des occasions. Avec les statistiques qui sont utilisées pour chaque match, on ne fait pas de distinction entre un tir au but de 25 mètres ou un tir au but de 2 mètres. Avec le modèle xG, c’est le cas. Une occasion de 2 mètres a une valeur qualitative plus élevée qu’un tir au but de 25 mètres. Nous pouvons prendre comme exemple l’attaquant du Bayern de Munich, Robert Lewandowski. C’est évidemment un excellent joueur et il a marqué durant la saison 2018 – 2019 le plus de buts en Allemagne. Mais ceci ne veut pas dire qu’il est le meilleur finisseur. Il a peut-être simplement marqué les occasions les plus qualitatives.

Le modèle xG nous aide donc à évaluer la qualité des joueurs individuels, mais aussi des équipes. En utilisant ce modèle xG, on peut même prédire les prestations futures de ces équipes. Si une équipe joue à un certain niveau au début de la saison, on peut, en utilisant le modèle xG, voir s’ils maintiendront ce niveau. S’ils marquent plus de buts que les buts attendus, il est plus que probable que le niveau de cette équipe baissera dans le futur proche. S’ils marquaient moins de buts que le nombre prédit par le modèle xG, tu peux compter sur le fait que leur forme s’améliorera. Mais le modèle xG va encore plus loin. On peut également utiliser le modèle pour afficher les tendances défensives et offensives. Ce sont ces tendances qui démontrent combien d’occasions une certaine équipe créera, mais aussi le nombre d’occasions que leurs adversaires recevront. On peut aussi calculer le nombre de passes décisives (la passe qui mène à un but). La prochaine fois que tu es en train de crier sur tes joueurs débordant de frustrations, tu dois te poser la question suivante : est-ce que c’était réellement une occasion en or ?

Qui utilise le modèle xG ?

Il y a de nombreuses parties qui utilisent le modèle xG. En première instance, on pense évidemment aux équipes de football même. Si un coach analyse un futur adversaire, il est évidemment très pratique de connaître la valeur xG de chaque joueur, mais évidemment aussi pour l’équipe dans son ensemble. Il y a heureusement encore des choses dans le football que l’on ne peut pas prédire, mais ce modèle donne tout de même une très bonne indication des occasions que ton adversaire créera probablement. Pour un coach, ce modèle est donc très utile pour établir son propre plan tactique.

Les analystes et les brokers (en ligne) utilisent aussi ce modèle pour effectuer des prédictions. En tenant compte de la valeur xG de chaque joueur et des équipes, on peut évidemment effectuer de meilleures prédictions au sujet des futurs vainqueurs et perdants. Les brokers utilisent e.a. ce modèle pour calculer leurs cotes.

Tout le monde connaît bien les statistiques traditionnelles qui sont utilisées, comme le nombre total de tirs, le nombre total de tirs cadrés, le nombre de cartes jaunes et rouges par équipe, la possession de balle, la distance qui a été parcourue par l’équipe et par un joueur individuel… Ces statistiques sont utilisées durant un programme à la télévision pour expliquer la dominance d’une équipe, mais aussi pour chercher où se trouve le problème de l’équipe perdante. De plus en plus de programmes télévisés utilisent désormais aussi des statistiques xG durant un match comme source d’informations supplémentaire pour expliquer et analyser les prestations des équipes. Si l’on regarde les tendances récentes, il est clair que le modèle des Expected Goals sera de plus en plus utilisé.

Plus de détails pour une meilleure compréhension du modèle xG

Peut-être que l’explication ci-dessus semble un peu trop abstraite. C’est pour cette raison que désormais nous allons expliquer le modèle xG à l’aide d’un exemple concret. Comme exemple nous prenons la star argentine et joueur du FC Barcelona, Lionel Messi. Nous analysons ses occasions et buts durant la saison 2018 – 2019. Voici quelques statistiques de cette saison :

• Buts marqués : 36
• Buts marqués sans penaltys : 32
• Passes décisives : 13
• Nombre moyen de tirs durant 90 minutes : 5,66
• Nombre moyen de passes durant 90 minutes qui mènent à un tir : 3,10
• Expected goals: 26
• Expected assists: 15,34
• Nombre moyen de buts attendus durant 90 minutes : 0,87
• Nombre moyen de passes décisives attendues durant 90 minutes : 0,51

Lionel Messi est évidemment un joueur exceptionnel. C’est la raison pour laquelle durant cette saison le nombre de buts marqués est plus élevé que les expected goals. En d’autres termes, Lionel Messi marque dans plus de situations que d’autres joueurs dans la même situation. On peut évidemment aussi analyser les prestations des joueurs match par match en fonction des expected goals. Alors, il y a deux possibilités :

• le xG est plus élevé que les buts réellement marqués, ceci signifie que le joueur se trouve en dessous du niveau de la prestation attendu
• le xG est plus bas que les buts réellement marqués, ceci signifie que le joueur se trouve au-dessus du niveau de la prestation attendu

Nous pouvons illustrer ceci par le match que Lionel Messi a joué durant la saison 2018 – 2019 contre Eibar. Il a terminé le match avec un xG de 1,88. Durant ce match, il a marqué 4 fois sur 5 tirs. Son xG est donc clairement plus bas que le nombre de buts qu’il a réellement marqué. En marquant 4 buts sur 5 tirs, le numéro 10 argentin a évidemment inscrit une prestation de qualité mondiale.

Le tir est évidemment une des variables qui sont utilisées pour établir une valeur xG. Il y a 5 sortes de tirs :

• un tir durant le jeu
• un coup franc direct
• un coup de coin
• un penalty
• une remise en jeu

Le 21 décembre 2019, Lionel Messi marque un but durant le match contre Alaves. En soi, ceci n’a rien d’extraordinaire, sauf que cette occasion avait une valeur xG de 0,03. Chaque joueur n’avait que 3 % de chance de transformer cette occasion en but. Et voici une des seules faiblesses du modèle xG. Ce modèle statistique ne tient pas compte du joueur même. Une occasion pour Messi par exemple a la même valeur xG que pour son coéquipier Gerard Piqué. Même si ce défenseur est un joueur très talentueux, tout le monde sait qu’il y a plus de chance que Messi marque un but que si la balle se retrouve dans les pieds de Piqué dans les mêmes circonstances.

L’endroit d’où part le tir est évidemment aussi très important. Il est dans de circonstances normales plus facile de marquer un but si l’on se trouve proche du but que lorsque l’on se trouve plus loin du but. Pour cette raison, le modèle xG tient aussi compte de 3 positions différentes :

• en dehors de la surface de réparation
• dans la surface de réparation
• dans les 6 mètres

Pour Messi par exemple, il n’est pas très important où il se trouve sur le terrain. Ses statistiques de buts sont plus élevées que sa valeur xG aussi bien en dehors de la surface de réparation que dans la surface de réparation. Ce qui est très remarquable est que le petit Argentin marque moins de goals dans les 6 mètres que les attentes des expected goals.

Comme tout le monde qui a déjà joué au football sait, il est plus facile de marquer avec son « bon » pied qu’avec son « mauvais » pied. Pour cette raison, le modèle xG se base aussi sur quelle partie du corps est utilisée pour tirer au but :

• pied gauche
• pied droit
• tête
• autre partie du corps

Analyser les prestations d’une équipe avec le modèle xG

Comme déjà mentionné, on peut en plus des prestations d’un joueur individuel aussi étudier les prestations de toute une équipe avec le modèle des expected goals. Les variables qui sont utilisées pour ceci sont les suivants :

• situation de jeu : coup de coin, coup franc, possession de balle, penalty…
• formation de jeu utilisé : 433, 442, 532…
• score : perd d’un goal, perd de deux goals, gagne d’un goal, gagne de deux goals, match nul…
• minute du match : 0 – 15^e, 15^e – 30^e, 30^e – 45^e…
• zone du tir : dans les 6 mètres de l’adversaire, surface de réparation, en dehors de la surface de réparation…
• vitesse de l’attaque : attaque rapide, contre-attaque…

Comme tu peux le voir, on tient compte d’un grand nombre de variables pour établir le modèle xG de toute une équipe. Une des variables les plus intéressantes pour le vrai fan de football est la valeur xG en fonction de la formation utilisée. Les supporters dans le monde entier peuvent débattre durant de nombreuses heures au sujet de quelle formation est la meilleure pour leur équipe. Avec le modèle xG les discussions ne sont plus nécessaires. Les statistiques suivantes sont calculées pour la formation choisie :

• xGA : les buts attendus de l’adversaire
• xGA90 : le nombre moyen de buts par l’adversaire durant 90 minutes
• xGD : la différence entre les buts attendus contre et pour l’équipe

De manière simple, tu peux donc rapidement voir dans quelle formation ton équipe marque le plus de goals, mais en encaisse aussi. C’est la tâche de l’entraineur, et non des supporters, d’alors trouver le bon équilibre.

Expected goals ou xG est un modèle statistique qui permet de voir si un joueur ou toute une équipe joue au-dessus ou dessous du niveau attendu. Il est utilisé dans le monde entier par des analystes, des brokers et aussi des supporters pour juger les prestations de leur joueur favori ou équipe favorite.