Expected goals (xG) v sázení na fotbal — datový přístup | KURZLAB

Studie publikovaná v Journal of Sports Analytics ukázala, že sázkový model založený na metrice xG dosahoval na 11 sezónách Bundesligy ROI kolem 10 % při průměrných tržních koeficientech a až 15 % při nejlepších dostupných kurzech. To jsou čísla, která stojí za pozornost – protože většina sázkových systému, o kterých se mluví na fórech a v reklamách, nedokáže předložit jediný ověřený údaj o své ziskovosti. xG modely ano. A právě proto je xG nejdůležitější metrika, kterou by měl každý seriózní sázkař rozumět.

Sám jsem s xG začal před zhruba pěti lety, kdy jsem si všimnal, že některé týmy vyhrávaly zápasy, které podle „očekávaných gólů“ neměly vyhrát – a že se to časem vracelo k průměru. Zespoda jsem pochopil, že xG není jen moderní slovíčko z televizních přenosů. Je to nástroj, který umí odhalit, jestli je výkon týmu udržitelný, nebo jestli má prostě štěstí. A pro sázkaře je tohle rozlišení klíčové.

V této příručce vám ukazují, co xG je, jak ho použít v praxi a kde najít spolehlivý data. Žádný marketing, žádné sliby – jen čísla a metoda. A na konci budete vědět dost na to, abyste xG začali používat ve svých vlastních analýzách – nebo alespoň na to, abyste rozpoznali, kdo xG používá správně a kdo jen předstírá.

Co je xG a proč mění způsob, jakým se díváme na fotbal

Před pár lety jsem sledoval zápas, ve kterém domácí vyhráli 3:0. Dominantní vítězství, řekl byste. Když jsem se potom podíval na xG, realita byla úplně jiná: domácí měli xG 0,8, hosté 1,4. Tri góly domácích přišly že tři střel mimo pokutové území s nulovou šanci na gol – a přesto padly. Hosté měli lepší příležitosti, víc střel z nebezpečných pozic, ale brankář domácích chytil všechno. Když se tyto dva týmy potkaly o měsíc později, hosté vyhráli 2:1. xG to předpovědělo lépe než výsledek.

Expected goals – očekávané góly – je metrika, která každé střele na branku přiřazuje pravděpodobnost, že skončí gólem. Střel z pět metru přímo proti brankáři má xG třeba 0,35 (35% šance na gol). Hlavička po rohu z dvanácti metru má xG 0,06. Penalta má xG kolem 0,76. Sečtete-li xG všech střel jednoho týmu v zapase, dostanete číslo, které říká, kolik gólů by tým „měl“ vstřelit na základě kvality svých příležitosti.

To je zásadní posun oproti klasickým statistikám. Počet střel vám řekne, kolikrát tým střílel – ale ne, jestli střílel z dobrých pozic. Držení míče vám řekne, jak dlouho měl tým balon – ale ne, jestli s ním něco udělal. xG říká: „Tenhle tým vytvořil příležitosti za 2,3 očekávaného gólů.“ To je informace, se kterou se dá pracovat.

Model xG se počítá z historických dát – obvykle že stovek tisíc střel v profesionálních ligách. Každá střel je popsána parametry: vzdálenost od branky, úhel, typ střely (nohou, hlavou), jestli sla po zemí nebo vzduchem, jestli předcházela přihrávka z křídla nebo průhrávka, kolik bránících stalo v cestě. Z těchto parametru model spočítá pravděpodobnost gólů. Čím víc dát a čím víc parametru, tím přesnější model.

Pro sázkaře je xG důležité že dvou důvodů. Zaprvé: odhaluje, jestli je forma týmu skutečná, nebo je to jen štěstí. Tým, který pět zápasu za sebou vyhrává navzdory nižším xG hodnotám, pravděpodobně brzy začne prohrávat – protože jeho výsledky jsou nad úrovní, kterou jeho hra ospravedlňuje. Tomuhle jevu se říká regrese k průměru a je to jeden z nejmocnějších konceptů, které sázkař může využít. Zadruhé: bookmakerů sice xG používají, ale jejich modely nejsou dokonalé a ne vždy se shodnou s vaším vyhodnocením. A tam, kde se neshodnou, může být prostor pro value bet.

Důležité je rozumět, že různě xG modely dávají různě výsledky. Základní modely používají jen pozici střely a typ střely. Pokročilejší modely zahrnují i situací před střelou – jestli předcházelo driblingu, průhrávka, ztráta míče soupeře. Nejpokročilejší modely používají sledování pozic všech hráčů na hřišti. Pro sázkaře to znamená, že xG číslo z jednoho zdroje se může lišit od xG z jiného zdroje – a to je normální. Nepracujte s xG jako s přesným číslem, ale jako s odhadem s určitou míry nejistoty.

xG versus skutečné skóre – kde vzniká příležitost pro sázkaře

Globalni sportovní průmysl dosahuje hodnoty 480 miliard dolarů a sektor sázek v něm generoval v roce 2022 obrat 1,41 bilionu eur, z toho 730 miliard eur připadlo na fotbal. V tomto obrovském trhu se každý den rozhodují miliony sázek na základě výsledku, formy a statistik. A většina sázkařů se dívá na jednu jedinou vec: výsledky posledních zápasu. „Tým vyhral tři z posledních pěti? Sázím na něj.“ To je přístup, který ignoruje to nejdůležitější – kvalitu hry.

xG vám umožní podívat se pod povrch. Příklad: tým A vyhrall poslední tři zápasy s celkovym skóre 5:1. Bookmakerů na něj dávají kurz 1,65 na další domácí vítězství. Ale když se podíváte na xG, zjistíte, že tým A měl v těchto trech zápasech kumulativní xG 3,2 a inkasoval xG 3,8. Jinými slovy – střílel pět gólů z příležitosti za tři a inkasoval jen jeden gol z příležitosti za skoro čtyři. Jeho skutečná hra neodpovídá výsledkům. A kurz 1,65 na další vítězství je pravděpodobně příliš nízký – protože trh reaguje na výsledky, ne na kvalitu hry.

Opačný případ: tým B prohrál poslední dva zápasy 0:1 a 1:2. Bookmakerů mu dávají kurz 3,40 na výhru v příštím zapase. Ale xG říká, že tým B měl v posledních dvou zápasech celkové xG 4,1 a inkasoval xG jen 1,6. Tento tým hrál výborně, vytvořil spoustu příležitosti, ale měl smulu v zakončení. Kurz 3,40 může být obrovský value bet – protože trh penalizuje tým za výsledky, které neodpovídají jeho skutečnému výkonu.

Tohle je jádro xG přístupu k sázení: hledáte rozdíl mezi tím, co trh vidí (výsledky), a tím, co data říkají (kvalita hry). Čím větší je tento rozdíl, tím větší je šance, že jste našli hodnotu. Není to záruka – trh může mít pravdu i vy se můžete mýlit. Ale systematický hráč, který sleduje xG, má lepší východiska než ten, který sleduje jen tabulku.

Jedna důležitá poznámka: xG není dokonalé. Model nepočítá s kvalitou brankáře (některé modely ano, ale základní ne), nezohledňuje psychický stav hráčů, nedokáže zachytit taktické změny během zápasu. xG je nástroj, ne věštecká koule. Ale i s těmito limity je to ten nejlepší nástroj, který sázkař v roce 2026 má.

V praxi to používám takhle: před každým zápasem, na který zvažuji sázku, si otevřu xG data obou týmu za posledních 6-8 zápasu. Porovnam jejich kumulativní xG a xG against (inkasované xG) a podívám se, jestli se výsledky shodují s očekáváními. Když tým vstřelil za posledních 6 zápasu 10 gólů, ale jeho kumulativní xG je jen 6,5, je to signal, že vstřelí méně gólů, než by zasloužil – a trh ho pravděpodobně nadsazuje. A naopak – když tým vstřelil jen 3 góly při xG 7,2, je podceněný a jeho kurzy mohou být hodnotové.

Další užitečný přístup je sledovat rozdíl mezi xG a skutečnými góly v čase. Krátké odchylky (2-3 zápasy) jsou normální – to je prostě variance. Ale když tým konzistentně přestřeluje své xG po 10-15 zápasech, začíná být pravděpodobně, že má nějakou systematickou výhodu, kterou model nezachycuje – třeba vynikajícího střelce, který zakončuje lépe než průměr. Tyto výjimky existují, ale jsou vzácné. Ve většině případů se výsledky vrátí k xG průměru.

Akademická data o ROI systému založených na xG

Většina sázkových systému, které najdete na internetu, vám slíbí ziskový přístup, ale nepředloží jediný důkaz. Proto má práce Stefana Wilkense publikovaná v Journal of Sports Analytics takovy význam – je to recenzovaná studie s reálnými daty a meritními výsledky.

Wilkensova studie analyzovala 11 sezón Bundesligy a testovala, jestli model založený na xG dokaze identifikovat value bety, které generují dlouhodobý zisk. Výsledek: ROI kolem 10 % při průměrných tržních koeficientech. To znamená, že na každé vsazené korunce model v průměru vydělal 10 haléřů. Na první pohled to nezní ohromující, ale v kontextu sázení je to skvělý výsledek – většina profesionálních sázkařů cílí na yield 3-7 %.

Ještě zajímavější je druhý poznatek: při nejlepších dostupných kurzech (když sázkař aktivně porovnaval kurzy více kanceláří a sázil za ten nejvyšší) ROI stoupl až na 15 %. To potvrzuje dva klíčové principy. Za prv, xG model funguje jako základ pro identifikaci hodnoty. Za druhé, porovnávání kurzů je neoddělitelnou součástí každého seriózního sázkového systému. Bez porovnávání necháváte peníze na stole – a ty peníze mohou dělat rozdíl mezi systémem, který funguje, a systémem, který troší bankroll.

Co ale studie neříká – a co je stejně důležité – je to, že xG model nefunguje jako černý box, do kterého hodite data a vypadne tip. Aby model generoval kladné ROI, musíte ho správně nastavit: zvolit správný čas pro sázení (idealne brzy, když kurzy ještě nejsou zpřesněné trhem), sázet na správných trzích (1X2, over/under, handicap) a správně interpretovat rozdíly mezi xG a skutečnými výsledky. To vyžaduje znalost, zkušenost a čas.

Další kontext: moderní AI modely sportních prognóz dosahují přesnosti 75-85 % v určování vítězů, zatímco tradiční statistické modely zůstávají na 50-60 %. xG modely jsou někde uprostřed – nejsou tak sofistikované jako nejnovější AI systémy, ale jsou transparentnější a snáze pochopitelné. Pro individuální sázkaře, kteří chtějí chápat, proč jejich systém doporučuje určitou sázku, je xG přístup ideální. U AI často nevíte, proč model něco doporučil – a to je problém, když potřebujete svým rozhodnutím věřit.

Můj osobní přístup: používám xG jako jeden že tři hlavních vstupů do svého modelu. Další dva jsou forma posledních pěti zápasu (měřena body, ne xG) a síla souperu (strength of schedule). Žádný z těchto vstupů by sám o sobě nestačil, ale dohromady dávají obraz, který je přesnější než cokoli, co mi řekne intuice. A právě ta kombinace – xG jako jádro, doplněné dalšími faktory – je to, co z mé zkušenosti funguje nejlépe.

Je ale fér říct, že ne každý sázkař musí stavět celý systém na xG. Pokud nemáte čas na analýzu, nemáte přístup k datům nebo vám matematická práce není po chuti, xG vám nepomůže. Ale i v takovém případě je užitečné alespoň rozumět, co xG říká – protože to změní způsob, jakým čtete výsledky a hodnotíte formu týmu. A to samo o sobě má hodnotu.

xA a další pokročilé metriky, které stojí za pozornost

Když už rozumíte xG, přirozeně váš zajímá, co dalšího vám data mohou říct. A odpověď je: hodně. xG je jen špička ledovce – existují desítky dalších metrik, které vám pomohou lépe pochopit, co se na hřišti děje. Ne všechny jsou užitečné pro sázení, ale některé rozhodně ano.

xA – expected assists, očekávané asistence – měří kvalitu přihrávek před střelou. Když hráč prihrava do pozice, že které má spoluhráč 30% šanci na gol, xA té přihrávky je 0,30. Je to užitečné hlavne pro hodnoceni ofenzivního výkonu týmu: vysoké xG s nízkými xA znamená, že tým vytváří šance spíš z individuálních akcí, což může být méně udržitelnější než týmy se systematickým kombinačním útočením.

PPDA – passes per defensive action – měří intenzitu pressingu. Tým s nízkým PPDA (třeba 8) hraje agresivní pressing, zatímco tým s PPDA 14 nebo 15 nechá soupeře kombinovat a čeká na chybu. Pro sázení na góly (over/under) je tohle užitečné: zápasy dvou presujících týmu mívají víc střel a víc gólů, zatímco zápasy dvou defenzivních týmu jsou často na méně gólů.

xGOT – expected goals on target – zpřesňuje xG tím, že zohledňuje, jestli střel skutečné mířil na branku. xG počítá s každou střelou, xGOT jen s těmi, které šly na branku. Rozdíl mezi xG a xGOT týmu vám řekne, jak dobře tým zakončuje – tým, který konzistentně střílel mimo branku, pravděpodobně nevyužije ani dobře příležitosti.

Build-up a progression statistiky ukazují, jak tým postupuje s balonem do útočné třetiny. Týmy, které dominují v postupu míčem, ale mají nízké xG, často nemají problém se hrou, ale se zakoncením. Naopak týmy s vysokým xG ale nízkým držením míče často hraji z protiútoku a jejich styl je efektivní, ale zranitelný proti soupeřům, kteří jim nedají prostor pro brejky.

Pro sázkaře je klíčové používat tyto metriky jako doplněk, ne jako náhražku xG. Moje doporučení: začnete s xG a xG against (inkasované xG). Až budete mít zkušenost s interpretací těchto dvou čísel, přidejte PPDA a xGOT. A až budete mít pocit, že rozumíte, co vám data říkají, zkuste další metriky. Ale nikdy nepoužívejte metriku, které nerozumite – to je horší než ji nepoužít vůbec.

Z praxe: já sleduji u každého týmu čtyři základní čísla – xG na zápas, xG against na zápas, PPDA a podíl střel z pokutoveho území. Tyhle čtyři hodnoty mi řeknou, jestli tým útočí kvalitně (xG), brání kvalitně (xG against), hraje aktivně (PPDA) a stáží do nebezpečných pozic (podíl střel z boxu). Když se některý z těchto ukazatelů výrazně změní oproti sezónnímu průměru – třeba po změně trenéra nebo po zranění klíčového hráče – je to signal, že se něco děje, co trh ještě nemusel plně nacenit.

Kde najít spolehlivý zdroj xG dát

Jednou mi na fóru napsal začínající sázkař: „xG zní super, ale kde to vlastně najdu?“ Oprávněná otázka. A odpověď je jednodušší, než si myslíte – dnes existuje víc zdrojů xG dát než kdykoli předtím a většina z nich je zdarma.

Understat je pro mnoho sázkařů první volba. Pokryva pět hlavních evropských lig (Premier League, La Liga, Bundesliga, Série A, Ligue 1) a nabízí xG pro každý zápas, pro každého hráče a pro každý týden sezóny. Data jsou prehledna, snadno stažitelná a aktualizovaná den po zapase. Pro sázení na hlavní ligy je to skvělý základ. Nevýhoda: nepokryva menší ligy, včetně české.

FBref, který je součástí rodiny Sports Reference, má nejširší pokrytí lig na světě. Najdete tu xG data pro desítky soutěží včetně menších evropských lig. Data pochazi od společnosti Opta, což je jeden z nejuznávanějších poskytovatelů sportovních statistik. Pro sázkaře, kteří chtějí pokrýt i českou ligu nebo druhé ligy, je FBref nezastupitelný.

Footystats nabízí specificky sázkový úhel pohledu – kromě xG tu najdete statistiky BTTS (obe týmy skórují), over/under procenta, formové křivky a další metriky přímo orientované na sázkaře. Některé funkce jsou placené, ale základní přehled je zdarma. Je to dobrý nástroj pro ty, kdo chtějí rychlý přehled bez hloubění do surových dát.

Kromě těchto tři hlavních platforem existují i další zdroje. WhoScored nabízí detailní hodnoceni hráčů a týmu s vlastnim ratingovým systémem. InStat a Wyscout jsou profesionální nástroje používané trenéry a skauty – pro běžného sázkaře jsou drahé, ale pokud máte k ním přístup, data jsou výborně kvality. A pak tu jsou sázkové specifické nástroje, které kombinuji xG data s kurzy a rovnou ukazují potenciální value bety – ale u těch buď opatrní, protože kvalita se velmi liší.

Trh AI v sportu dosahuje v roce 2026 hodnoty 10,8 miliardy dolarů a roste tempem 21 % ročně. Část tohoto růstu přichází právě z datových platforem, které poskytují stále sofistikovanější analyticke nástroje. Pro sázkaře to znamená, že nástrojů bude přibývat a jejich kvalita se bude zlepšovat. Ale zároveň to znamená, že i bookmakeři mají přístup k lepším datům – a tedy že váš edge se časem zúží, pokud nebudete držet krok.

Moje praktické doporučení: používejte minimálně dva zdroje. Každý model xG počítá trochu jinak a rozdíly mezi nimi vám řeknou, jak velká je nejistota v hodnotách. Když Understat říká, že tým měl xG 1,8 a FBref říká 2,1, víte, že skutečná hodnota je někde mezi – a můžete pracovat s průměrem. Když oba zdroje ukazují podobné číslo, můžete mít větší důvěru v data. Základem každého systému sázení na fotbal je právě schopnost pracovat s více zdroji a vyhodnocovat jejich shodu či neshodu.

A poslední řada k datům: nebojte se si data stahovat a pracovat s nimi offline. Vytvořte si vlastní tabulku, do které pravidelně importujete xG data z vašeho oblíbeného zdroje a srovnáváte je s kurzy. Po pár týdnech začnete vidět vzorce, které byste na webu nikdy neobjevili – třeba že u určitých typů zápasu (derby, zápasy o sestup, zápasy po reprezentační pauze) se xG chová jinak než obvykle. A tahle pozorování váš odliší od tisicu lidi, kteří se na stejných stránky jen dívají.

Co sázkaři nejčastěji řeší u xG modelu