xG hockey betting – hur expected goals förändrar din analys
Available in US
Avancerad statistik – bettarens skarpaste verktyg
I tre säsonger oddsade jag på SHL baserat på tabellplacering, formkurva och magkänsla. Resultatet var mediokert – lite plus, lite minus, aldrig riktigt kontroll. Sedan började jag använda expected goals. Inte som enda verktyg, men som en lins att filtrera allt annat genom. Skillnaden var omedelbar. Plötsligt kunde jag se vilka lag som överträffade sin xG-nivå och var på väg mot regression, och vilka som underpresterade och var undervärderade av marknaden.
SHL har den lägsta andelen favoritvinster bland världens tolv mest populära hockeyligor – bara 59,04 procent. Den siffran säger oss att ishockey redan är en oförutsägbar sport, och det gör avancerad statistik extra värdefull: ju mer varians en liga har, desto mer belönas den som ser bortom resultaten och analyserar den underliggande prestationen.
Avancerad hockeystatistik är inte ny. NHL-analytiker har använt shot-based metrics i över ett decennium. Men det som är relativt nytt är tillgängligheten – och tillämpningen inom betting. Ishockey rankas som den tredje mest populära sporten bland svenska bettare med 29 procent av aktiva spelare, och de allra flesta av dem analyserar fortfarande med traditionella metoder. Det skapar ett kunskapsgap som den som behärskar xG kan exploatera.
xG i hockey: vad det mäter och vad det missar
Expected goals – xG – kvantifierar kvaliteten på ett lags skottchanser snarare än antalet skott. Varje skott tilldelas en sannolikhet att bli mål baserat på en rad faktorer: avstånd till målet, vinkel, typ av skott, om det föregicks av en passning eller rebound, matchsituation och mycket mer. Summan av alla dessa sannolikheter ger lagets xG för en match.
Skillnaden mellan faktiska mål och xG berättar en historia. Ett lag som gör fem mål på en xG om 2.5 har haft tur – eller en extraordinär kväll framför mål. Men över tid tenderar den typen av överprestationer att regressera mot genomsnittet. Omvänt: ett lag som förlorar 1-3 trots en xG-fördel på 3.1 mot 1.8 var det bättre laget den kvällen, oavsett vad resultattavlan visade. För oddssättning är den insikten ovärderlig.
Vad xG missar: individuell finish-kvalitet. Vissa spelare – tänk elitskyttar med exceptionell puckhantering framför mål – överträffar konsekvent sin xG, och det är inte tur utan skill. Modellen fångar inte heller det fulla värdet av en dominant målvaktsprestation, där räddningskvaliteten snarare än skottmängden avgör matchen. Det betyder att xG fungerar bäst som komplement till annan analys, inte som ersättning. Jag använder det som ett filter: om tabellen säger en sak och xG säger en annan undersöker jag varför – och svaret avslöjar nästan alltid en bettingmöjlighet.
Corsi och Fenwick – skottbaserade mått
Innan xG blev standard var Corsi och Fenwick de mest använda avancerade statistikerna i hockey. De är enklare mått – Corsi räknar alla skottförsök (skott på mål, blockerade skott och missar), medan Fenwick exkluderar blockerade skott – men de ger en bild av hur mycket av spelet ett lag kontrollerar.
Corsi FF% (Corsi For Percentage) på 50 procent eller högre innebär att ett lag genererar fler skottförsök än motståndaren. Det korrelerar med framgång, men svagare än xG. Anledningen är att Corsi inte viktar skottens kvalitet – ett skott från mittcirkeln räknas lika tungt som ett skott från straffpunkten. Det gör Corsi till ett trubbigt verktyg på matchnivå men användbart för att identifiera trender över längre perioder, speciellt om du analyserar fem-mot-fem-spelet separat från specialteams.
Fenwick har en fördel i specifika sammanhang: genom att exkludera blockerade skott fångar den bättre hur väl ett lag lyckas generera kvalitativa skottmöjligheter. Lag som blockerar många skott – ofta defensivt starka lag – kan se bättre ut i Corsi-termer för sina motståndare än de faktiskt är, och Fenwick korrigerar delvis för det.
I min analysprocess använder jag Corsi och Fenwick som en snabb screening. Om ett lag har Corsi FF% under 47 procent under de senaste tio matcherna tittar jag djupare på deras xG-profil. Ibland avslöjar xG att de ändå skapar högkvalitativa chanser trots låg skottvolym – ett tecken på effektiv men selektiv offensiv. Andra gånger bekräftar xG att laget genuint underpresterar i alla mått, och då är oddset på deras motståndare sannolikt attraktivt.
Så använder du siffrorna i praktiken
Teori utan tillämpning är akademisk övning. Så här integrerar jag xG, Corsi och Fenwick i min bettingprocess för en typisk SHL-match.
Steg ett: kontrollera xG-trenden över de senaste fem matcherna för båda lagen. Titta inte på enskilda matcher – variansen är för hög och kan ge en helt missvisande och vilseledande bild. Fem matcher ger en tillräcklig bas för att se om ett lag konsekvent skapar bättre chanser än de realiserar, eller tvärtom.
Steg två: jämför lagets xG-trend med deras faktiska resultat. Om ett lag har gått 1-4 under de senaste fem matcherna men deras xG-profil visar att de borde ha legat närmare 3-2, är det ett lag vars odds sannolikt är överdrivet generösa. Marknaden reagerar på resultat, inte på underliggande prestation. Den diskrepansen – mellan vad som hänt och vad som borde ha hänt – är kärnan i xG-baserad betting, och det är den som ger dig edge mot bettare som bara tittar på tabellen.
Steg tre: kontrollera Corsi FF% i fem-mot-fem-spelet. Det ger dig en indikation på huruvida xG-trenden är hållbar. Ett lag med stark xG men fallande Corsi kan vara på väg mot en period där skottvolymerna inte räcker till. Omvänt: ett lag med stigande Corsi men svag xG kan vara på väg att ”bryta ut” resultatmässigt. Den specifika divergensen mellan Corsi och xG är en av de allra mest pålitliga prediktiva signalerna jag hittat i SHL-data.
Det sista steget är att jämföra din slutsats med oddsen. Om din analys pekar på att ett lag är undervärderat – och oddset reflekterar marknadens syn baserat på senaste resultat snarare än underliggande prestation – har du hittat ett potentiellt värdespel. Dokumentera ditt resonemang, kontrollera oddsjämförelsen och agera. En guide till hela den strategiska processen finns i vår genomgång av hockey betting-strategi.
Var hittar man xG-statistik för SHL och NHL?
För NHL finns xG-data på publika plattformar som Natural Stat Trick och MoneyPuck. SHL-statistik är svårare att hitta men finns tillgänglig via InStat och vissa specialiserade analytiker. Datadjupet varierar – NHL-data är mer detaljerad och uppdateras snabbare.
Kan man bygga en modell med xG för hockey betting?
Ja, men det kräver datahanteringskunskaper och en förståelse för statistisk modellering. En enklare approach är att använda befintliga xG-plattformar och jämföra deras output med spelbolagens odds manuellt. Det ger en analytisk fördel utan att kräva avancerad programmering.
Framtagen av redaktionen på ”Betting Ishockey”.
