xG i Superligaen — sådan læser du Expected Goals som spiller

Editorial Team «bet Tips Fodbold» maj 13, 2026 Læsetid: 20 min

Derfor slog jeg op i mine gamle kuponregnskaber

Jeg sad en søndag aften sidste år og bladrede gennem tre sæsoners kuponhistorik for at forstå, hvorfor min vinderprocent på under/over 2,5 havde været så svingende. Det var ikke formen. Det var ikke vejret. Det var, at jeg i mere end halvdelen af tilfældene havde kigget på resultatet for at vurdere kampens dominans — ikke på, hvilke chancer holdene faktisk havde skabt. En kamp, der endte 1-0 efter et afrettet straffespark, blev i mit hoved registreret som “knap besejret”. En kamp, der endte 3-2 med fire klare chancer ubenyttet for taberen, blev registreret som “mål-kamp”. Begge vurderinger var forkerte. Det, jeg manglede, var xG.

Expected Goals — eller forventede mål, som det oversættes til på dansk — er det tal, der i de seneste seks sæsoner har flyttet hele den måde, seriøse spillere læser Superligaen på. Ikke fordi det fortæller, hvem der vinder, men fordi det fortæller, hvad der faktisk skete — uafhængigt af hvordan bolden lagde sig. I sæsonen 2024/25 satte den danske topliga rekord med et gennemsnitligt xG per kamp på 2,93, det højeste i de seks sæsoner, hvor Superligaen officielt har registreret tallet. Samme sæson blev der i grundspillet scoret 406 mål — et gennemsnit på 3,08 per kamp, og det højeste snit siden 2002/03. Det er ikke en tilfældighed, at disse to rekorder kommer samtidigt.

I denne guide gennemgår jeg, hvordan jeg selv bruger xG som en del af value-analysen — ikke som orakel, men som korrektionsværktøj. Hvordan tallet bygges, hvad det fortæller, hvad det ikke fortæller, og hvornår det bedrager. Efter ni år i branchen har jeg set xG blive hypet op og ned, og min bedste hovedregel er enkel: tallet bliver først rigtig værdifuldt, når du forstår dets svagheder lige så godt som dets styrker.

xG på almindelig dansk — uden omveje

Første gang jeg forsøgte at forklare xG for en kammerat på Brøndby Stadion, brugte jeg ti minutter og endte med at forvirre os begge. Siden har jeg lært at holde det kort: xG er den statistiske forventning om, hvor ofte en bestemt afslutning ender som mål, baseret på historiske data fra tusindvis af lignende skud.

Et skud med xG 0,70 betyder, at 70 procent af alle skud taget fra samme position, vinkel, situation og kropstype ender i mål, hvis vi ser på historiske data. Et skud med xG 0,05 betyder, at kun 5 ud af 100 lignende skud går ind. Summen af xG-værdier for alle skud i en kamp giver kampens samlede xG for hvert hold. Det er tallet, der ender i statistikkerne efter kampen.

Hvorfor er det nyttigt? Fordi det flytter fokus fra udfald til proces. Et hold, der skaber 2,4 xG og taber 0-1, har spillet en god kamp på chance-niveau. Et hold, der vinder 1-0 med 0,6 xG, har været heldige. Over 30-38 kampe i en sæson udjævnes heldet delvist — og holdets xG-tabel ligner ofte den “rigtige” tabel mere end den faktiske kamp-for-kamp tabel gør. Det er grundlaget for, at xG er blevet den centrale data-variabel hos stort set alle professionelle analytikere.

En vigtig nuance: xG vurderer chance-kvalitet, ikke chance-kvantitet alene. Femten skud fra 30 meter med blokeringer foran mål kan summere til lavere xG end tre nærkampe foran målstregen. Det gør xG langt mere nuanceret end “skud på mål”-statistik, som mange danske sportsnyheder stadig hænger fast i. Kommentatoren Morten Bruun udtrykte pointen ved den rekordhøje mål-sæson 2024/25 sådan her: mål er bare attraktive — men det, xG fanger, er, at det ikke er alle mål, der er ens, og ikke alle manglende mål, der er tilfældige.

For spillere som os handler xG grundlæggende om at skille lag fra hinanden. Der er holdets performance, der er kampens udfald, og der er markedets pris. Når de tre ikke stemmer overens, opstår de bedste value-muligheder. xG er ét af redskaberne til at se, om performance og udfald flugter — og derfra kan du tage stilling til prisen.

Sådan bygger modellerne tallet

Jeg har brugt flere weekender på at pille modeller fra hinanden for at forstå, hvorfor to xG-udbydere kan give forskellige tal for den samme kamp. Svaret er, at xG ikke er én ting. Det er en familie af modeller, der hver især vægter variable forskelligt.

Grundmekanikken er den samme overalt. Hver afslutning bliver kodet med en række attributter: afstand til mål, vinkel, skuddets kropsdel (fod, hoved, anden), typen af forarbejde (indlæg, gennembrudspasning, dødbold), antal forsvarere mellem bold og mål, om skuddet er opstået efter rebound eller ej, og ofte også pres fra nærmeste modstander. Modellen er trænet på historiske data — som regel tusindvis af kampe på tværs af ligaer — og leverer en sandsynlighed mellem 0 og 1 for hver afslutning.

Forskellene kommer fra to ting. For det første hvilket datasæt modellen er trænet på. En model trænet på Premier League er ikke identisk med en trænet på Superligaen, fordi skud-typer, presniveau og forsvarsstil varierer. For det andet hvilke features modellen inkluderer. Nogle modeller vægter målmandsplacering ved afslutningstidspunktet, andre ikke. Nogle tager højde for, om skuddet er taget efter mange touches eller direkte. Det kan skabe forskelle på 0,1-0,2 xG over en hel kamp.

Det vigtigste praktiske tip: vælg én xG-kilde og hold fast. Vælg den, der leverer data på Superligaen, og stol på den kilde gennem hele sæsonen. Sammenligning på tværs af kilder er ikke meningsfuld, fordi du sammenligner æbler og pærer. For min del bruger jeg den officielle Superliga-statistik som primær kilde og krydstjekker lejlighedsvis med en uafhængig international udbyder.

Der findes også et relateret mål, npxG — non-penalty expected goals — som fjerner straffesparksbidraget. Det er nyttigt, fordi straffespark har en fast xG på cirka 0,76, og et enkelt tildelt straffespark kan skævvride et holds xG betydeligt i en kamp. Når jeg kigger på sæsonbaserede tal for at vurdere holdets underliggende niveau, foretrækker jeg ofte npxG frem for xG. Forskellen er typisk 0,1-0,2 xG per kamp for et normalt Superliga-hold.

Endelig: xG er en retrospektiv måling, ikke en prognose. Den fortæller, hvad der burde være scoret i kampene, der er spillet. For at bruge det til at forudsige fremtidige kampe skal du selv bygge broen — typisk ved at tage glidende gennemsnit over de sidste 8-12 kampe og justere for hjemme/ude-effekt og modstanderkvalitet. Tallet er et råmateriale, ikke en færdig ret.

Rekordsæsonen 2024/25 — hvad tallene faktisk siger

Jeg har brugt noget tid på at studere 2024/25-sæsonens offensive eksplosion, fordi den siger mere om, hvorhen Superligaen udvikler sig, end enkeltkampe nogensinde kunne. Lad mig servere tallene først, og derefter fortolkningen.

I grundspillet blev der scoret 406 mål — 3,08 per kamp i snit, det højeste siden 2002/03. Gennemsnitligt xG lå på 2,93 per kamp, rekord i de seks år ligaen officielt registrerer xG. Skud per hold per kamp var 13,3 i snit, og skud på mål 4,61 — begge rekordtal i de syv sæsoner, de statistikker bliver ført. Det er ikke bare en enkelt kamp-anomali. Det er en strukturel forskydning mod mere offensivt fodbold på hele ligaplanet.

Hvorfor sker det? Flere faktorer spiller ind. Superligaens taktiske trend har i de seneste tre-fire sæsoner bevæget sig mod højere presning, hurtigere omstillinger og mere aggressivt etableret pres — alt sammen noget, der producerer flere skudmuligheder, men også flere defensive fejl. Samtidig er transferbudgetterne vokset: FCKs spillerbudget i 2025/26-sæsonen er omkring 300 millioner kroner, FC Midtjyllands over 200 millioner, mens bunden af ligaen, med Fredericia som eksempel, ligger markant under 50 millioner. Jo større budget-spread, jo mere åbne kampe mellem top og bund.

Jesper Jørgensen fra Deloitte har i et interview om Superligaens økonomi beskrevet strukturen med ordene om, at økonomien i klubberne aldrig har været mere robust. Den robusthed betaler sig i spillerindkøb, og spillerindkøb betaler sig i offensive tal. Der er en direkte linje fra medierettigheder — TV-puljen for 2024/25 lå på 327 millioner kroner, 2025/26 stiger til 338 millioner, og fra 2029/30 når den 392 millioner kroner — til den offensive kvalitet på banen. Men linjen går også den anden vej: jo mere offensiv liga, jo sværere at ramme præcise totals-linjer.

Fra en spillers perspektiv har rekordsæsonen konkrete implikationer. For det første: bookmakernes linjer på over/under 2,5 mål har forskubbet sig. Hvor 2,5 mål i tidligere sæsoner lå som en relativt balanceret linje, er den i 2025/26 systematisk forskubbet mod under 2,5 — fordi markedet har justeret sig efter mål-boomen. Det betyder, at value på under 2,5 ikke er så let at finde længere som tidligere.

For det andet: BTTS (begge hold scorer) er blevet mere interessant som marked. Når gennemsnits-xG ligger på 2,93 per kamp, og fordelingen af chancer typisk er jævnt fordelt i åbne kampe, stiger frekvensen af BTTS-udfald. Mit eget glidende gennemsnit for BTTS-rate i Superligaen lå i 2024/25 på 58 procent — og bookmakernes implied probability for BTTS ja ligger ofte på 56-60 procent, altså knap nok margin over reel frekvens. Her kræver det virkelig godt analysearbejde for at finde edge.

For det tredje: tabeldominans og xG-tabel begynder at divergere oftere i offensivt-rige sæsoner. Et tophold kan vinde kampe på heldige situationer, mens et mellemhold skaber store xG-tal uden at få resultaterne med. Det er guld for den, der ser på xG som kilde — men det kræver disciplin at skille det fra “holdet bør snart vinde en kamp”-logikken, som er farlig tænkning.

Når xG og resultatet fortæller to forskellige historier

En af de mest værdifulde lektioner, jeg har lært på ni år, er, hvor lidt den enkelte kamp fortæller, når du kigger på xG. En kamp kan ende 3-0 med xG 1,2 mod 1,1. Den vindende manager taler om brillant præstation, tabende manager taler om uheld, og de har begge delvist ret.

Over en hel sæson er xG-totaler og faktiske mål-totaler relativt tæt på hinanden for de fleste hold — typisk inden for 5-10 mål forskel. Men i enkelte kampe kan differencen være dramatisk. Et hold kan lave 2,5 xG og score 0. Det samme hold kan en anden dag lave 0,8 xG og score 3. Begge er normale variationer i chance-udfaldsfordelingen.

I Superligaen vinder hjemmeholdet typisk 45-50 procent af kampene, udeholdet 25-30 procent, resten er uafgjort, og gennemsnittet for scorede mål per hold per kamp ligger mellem 1,3 og 1,5. Det er basislinien, du sammenligner konkrete xG-tal mod. Hvis et hold over de seneste 10 kampe har skabt 1,7 xG hjemme men kun scoret 1,1 mål per kamp, peger det på en underperformance i afslutningen — men ikke nødvendigvis på edge, medmindre markedet også ignorerer det.

For at bruge divergensen praktisk ser jeg efter to signalmønstre. Det første: vedvarende afvigelse. Et hold, der over 8-10 kampe har underperformet sit xG med mere end 3-4 mål samlet, tenderer statistisk til at konvergere tilbage mod det forventede niveau. Det er ikke en garanti — konvergensen kan tage lang tid — men sandsynligheden for en positiv spike stiger.

Det andet: asymmetri mellem hold. I en kamp, hvor hjemmehold A har xG-snit 1,8 hjemme og har scoret 1,3 i snit, mens udehold B har xGA-snit 1,5 ude og indkasseret 1,7 i snit, er der en latent mismatch mellem forventet og faktisk niveau. Det kan påvirke min vurderede sandsynlighed for hjemmesejr eller BTTS mere, end markedet fanger. Det er her, edge kan findes — ikke i resultatet af enkeltkampe, men i mønsteret mellem hold, der ikke har fået balance mellem skabt kvalitet og scoret resultat.

Vigtigt: xG er en klar indikator, men ikke en retningspil alene. Jeg har set mange spillere bygge en hel strategi på “mean reversion” af xG og tabe stort, fordi de ikke har tænkt på hvorfor holdet underperformer. Hvis en topscorer er skadet i to måneder, er underperformen ikke variance — det er signal. xG-mean-reversion forudsætter, at holdets offensive profil er uændret. Er den ikke det, er divergensen en ny basislinje, ikke en korrektionsmulighed.

Defensivt xG — kampens anden halvdel

De fleste snakker kun om offensivt xG. Jeg bruger mindst lige så meget tid på xGA — expected goals against — og det er måske min bedste edge mod analytikere, der overser defensiv-siden.

xGA er den samme matematik, bare spejlvendt. For hvert skud modstanderen tager mod holdet, beregnes skudkvaliteten, og summen er det forventede antal mål, holdet burde have indkasseret. Et hold med lav xGA har en defensiv struktur, der enten begrænser modstanderens skudantal eller skudkvaliteten — eller begge. Et hold med høj xGA er omvendt sårbart bagud, uanset hvor få mål det aktuelt har indkasseret.

Den praktiske pointe: xGA er en langt bedre indikator for en målmands præstation end rene clean sheets. En målmand, der redder 0,45 xG hver kamp — altså har en shot-stopping performance 0,45 mål bedre end forventet — er en stor ressource. En målmand, der giver 0,3 xG oven i sit hold per kamp, er en belastning, selv hvis holdet samlet har gode resultater.

Jeg bruger xGA til to specifikke typer bud. Det første er under-linjer. Et hold med konsistent lav xGA spiller målfattige kampe uafhængigt af egne offensive svingninger. Her ligger der ofte value på under 2,5 eller under 3,5, især når bookmakerens linje er trukket mod flere mål af hype omkring rekordsæsonens tendenser.

Det andet er clean-sheet-markeder. Jeg ser jævnligt bookmakere prissætte hjemme-clean-sheet som en funktion af holdets mål-mod-snit, mens den reelle xGA fortæller en anden historie. Et hold, der har holdt fire clean sheets de seneste seks kampe, men hvis underliggende xGA har været 1,2 eller højere, kommer sandsynligvis til at begynde at indkassere igen. Modsat gælder også: et hold uden clean sheets, men med stabil xGA under 1,0, har sandsynligvis en periode med færre indkasseringer foran sig.

En sidste pointe: xGA gælder også for angribere indirekte. Når et hold trækker deres bagkæde højt op for at presse, stiger både deres xG og xGA samtidig. Det betyder, at en værdibud-analyse aldrig kan kigge på den ene side alene. Balance mellem xG og xGA, ikke toppen af xG, fortæller dig hvor robust et hold faktisk er.

Live betting og xG — den hurtige version

Jeg spiller sjældent live. Det er en bevidst beslutning efter at have prøvet og tabt penge i to-tre sæsoner tidligt i karrieren, fordi markedet bevæger sig hurtigere end mine vurderinger. Men når jeg gør det, er xG-tal den eneste grund.

Scenariet, der oftest trigger mig, er en kamp hvor resultatet og xG efter 30-40 minutter divergerer kraftigt. Hjemmehold fører 1-0, men live-xG er 0,4 mod 1,2 i modstanderens favør. Markedet prissætter hjemmesejr lavt, fordi de fører — men chance-billedet siger klart, at modstanderen skal nærmere en udligning. Hvis oddsene på uafgjort eller udesejr pludselig er for høje i forhold til den reelle momentum, er der potentielt value.

Problemet er, at live-xG-data i Danmark er ret begrænset tilgængeligt for private spillere. De fleste live-dashboards viser skud og skud på mål i realtid, men ikke xG. Man skal derfor enten have adgang til en betalt datakilde eller mentalt estimere chancekvaliteten. Det sidste kræver betydelig erfaring — jeg tøver stadig med mine egne estimater efter ni år.

Den konservative tilgang, jeg anbefaler, er at bruge xG som en retrospektiv kontrol ikke en live-trigger. Efter kampen: hvad var det endelige xG-regnskab, og gav markedets prisning på uafgjort eller sent mål mening i lyset af det? Over 50-100 kampes observation får du en fornemmelse for, hvornår live-markeder systematisk overreagerer på scoringer og undervurderer chancesituationer.

Der er også et risikoelement, som er specifikt for live. Live betting bevæger sig meget hurtigere end pre-match, og bookmakerens margin er ofte højere (6-10 procent mod 3-5 procent på pre-match). Du skal have en betydelig større edge i din live-vurdering, før buddet er profitabelt. Og du skal have et koldt nervesystem, fordi live-impulsbud er den direkte vej mod større tab, ikke mindre.

Min egen regel: live bud kun når jeg har set hele første halvleg, har xG-tal tilgængelige, og stadig kan få oddsen til at stemme med min vurdering plus en margin på mindst 5 procent edge. Det betyder, at jeg spiller måske 1-2 live bud per måned. Resten af markedet er ikke mit marked.

Fem ting xG ikke fortæller dig

Jo længere jeg arbejder med xG, jo mere bevidst er jeg om, hvad tallet ikke kan. Det er ikke en svaghed ved xG — det er en svaghed ved den måde, mange spillere bruger det på.

For det første: xG fortæller ikke om kampens taktiske struktur. Et hold kan have høj xG, fordi modstanderen spiller med ti mand i sidste halvtime. Tre minutter i overtal giver flere chancer, men det afspejler ikke en generel dominans. Du skal altid kigge på, hvornår i kampen xG blev skabt.

For det andet: xG vægter ikke game state. En kamp, der står 3-0 efter 20 minutter, producerer anderledes chance-mønstre end en tæt 1-1-kamp. Det tabende hold presser, og begge hold får flere muligheder. xG i blowouts er ikke direkte sammenlignelige med xG i jævne kampe.

For det tredje: xG ignorerer individuel afslutningsevne. Nogle spillere — jeg skal ikke navngive, men eliten ved Superligaens top — overperformer systematisk deres xG med 5-10 procent over store stikprøver. Ikke fordi de er heldige, men fordi de afslutter bedre end gennemsnittet. En model, der ikke justerer for spilleridentitet, vil undervurdere deres bidrag.

For det fjerde: xG er dårlig til standardsituationer. Et indlæg til hovedstød fra en dødbold er en kompleks interaktion af placering, markeringsvalg, spillernes hovedstyrke og målmandsposition. De fleste modeller håndterer det klodset, og standardsituationer kan skævvride kampbilledet særligt i lave-xG-kampe.

Endelig: xG er baseret på tidligere data. Hvis spillestilen i Superligaen ændres fundamentalt — som det er sket i de seneste tre sæsoner med højere pres og flere skud — vil historisk trænede modeller være lettere out-of-date. Min personlige tommelfingerregel er at antage, at aktuelle xG-modeller underestimerer xG lidt i den nuværende rekord-offensive periode.

Ofte stillede spørgsmål om xG i Superligaen

Her er tre spørgsmål om xG, jeg får stillet igen og igen. Svarene er praktiske, uden teorikapitler.

Sådan flettes xG ind i en rigtig tipsrutine

Værdien af xG i din egen rutine er ikke, at tallet afgør buddene. Det er, at tallet giver dig en uafhængig vurdering, som ikke er påvirket af resultater, kommentatorernes narrativer eller dine egne forventninger. Det er en kølende kraft i analysen.

I min egen proces kigger jeg på xG tre steder. Før kampen: glidende gennemsnit over de sidste 8-12 kampe for både xG og xGA, hjemme/ude-split hvor relevant. Under kampen (sjældent): live-xG som momentum-check, men kun med disciplin. Efter kampen: retrospektiv læsning af, om resultatet matchede spillet, og om markedet fangede divergensen eller ej.

Den sidste del er den vigtigste for langsigtet forbedring. Hvis du systematisk logger, hvordan xG-xGA-forholdet i dine bud-kampe udfoldede sig, og hvordan markedets linje bevægede sig, får du en feedback-løkke, der over 100-200 bud vil vise, om dine xG-justeringer faktisk tilfører edge eller blot er støj. Det er den slags kedelig bogføring, der adskiller praktikere fra teoretikere.

For en bredere ramme omkring, hvordan xG passer ind i den fulde analytiske rutine fra odds til færdigt værdibud, findes der en samlet guide til bet tips fodbold, som sætter xG ind i den større kontekst af markedsstruktur, bankroll og dansk regulering. Det er der, den egentlige brug af xG bliver konkret på hverdagens kamper.

Skabt af redaktionen på ”bet Tips Fodbold”.