Expected Goals ändrade hur vi läser Premier League – och vad det säger om datadriven analys

Premier Leagues säsong 2025/26 har producerat flera statistiska avvikelser som synliggör gapet mellan vad lag förväntas prestera och vad de faktiskt levererar. Manchester United, placerat utanför toppfyra i den riktiga tabellen, skulle enligt xG-modellen ligga bland de fyra bästa. Morgan Rogers har gjort sju mål på ett förväntat underlag av 2,86 – en överprestationskvot som nästan saknar motstycke i Europas fem stora ligor. Siffrorna väcker frågan om tabellplaceringar verkligen mäter det vi tror att de mäter eller om de bara fångar slutresultatet av processer som kräver djupare analys.

Modellen som blev analytikerns vardagsverktyg

Expected Goals, eller xG, mäter sannolikheten att ett skott resulterar i mål baserat på historisk data om skottvinkel, avstånd till mål och typ av assist. Modellen tar hänsyn till över 20 variabler per skottillfälle, bland annat defensivt tryck, bollhöjd och om avslutaren använde huvud eller fot. Metoden utvecklades i den akademiska sfären men fick genomslag när klubbar som Brentford och Brighton använde den för att konkurrera med lag som hade mångdubbelt större budgetar. Enligt Opta-analytikernas genomgång av Premier Leagues xG-filer säsongen 2025/26 toppar Manchester United ligan med 1,78 xG per match, medan Wolverhampton ligger sist med 1,10. Skillnaden illustrerar hur ojämnt fördelade chanserna är redan innan bollen når nätet.

Det som gör xG användbart är att modellen avslöjar mönster som tabellen döljer. Ett lag som vinner matcher trots lågt xG lever på marginaler som sällan håller en hel säsong. Omvänt signalerar högt xG med få mål att utdelningen troligen kommer, givet tillräckligt med matcher. Brighton under Roberto De Zerbis tid är läroboksexemplet: laget underpresterade sin xG-kurva under hösten 2022 men avslutade säsongen med sin bästa placering någonsin. Mönstret har upprepats tillräckligt ofta för att analytiker numera behandlar stora xG-avvikelser som en investeringssignal snarare än en statistisk kuriositet.

Datapunkterna bakom analyserna

Varje Premier League-match genererar uppskattningsvis 2 000 datapunkter. Passningar, avslut, pressaktioner och positionsdata samlas in i realtid och matas in i modeller som klubbarna använder för rekrytering, matchplanering och träningsupplägg. Rekryteringsprocessen har förändrats mest påtagligt: klubbar screnar numera spelare genom att jämföra deras faktiska produktion med förväntat utfall, och spelarnas marknadsvärde påverkas direkt av hur deras xG-siffror ser ut över tid.

Enligt Idrottens Affärer har svenska fotbollsklubbar börjat använda AI-baserad analysplattform Playmaker.AI för att bearbeta motsvarande data i Allsvenskan, ett tecken på att det analytiska tänkesättet sprider sig nedåt i divisionssystemet.

Dataanalysen stannar inte vid fotbollsplanen. Samma grundprincip – att fatta beslut baserat på sannolikheter snarare än magkänsla – har fått fäste inom en rad branscher. Finans, försäkring och logistik använder liknande statistiska modeller för riskbedömning. Gemensamt är att stora datamängder omvandlas till beslutsunderlag som minskar osäkerheten, oavsett om det handlar om en forward som ska välja skottvinkel eller en analytiker som värderar risk. Försäkringsbranschen har arbetat så i decennier, men fotbollen nådde samma mognadsnivå först under 2010-talet, driven av billigare datainsamling och snabbare processorkraft.

Analytiskt tänkande utanför planen

Det analytiska synsättet som xG representerar har spridit sig till hur människor närmar sig digital underhållning i stort. Plattformar som MegaRiches online casino möter en publik som är van vid att tänka i sannolikheter och förväntade utfall, en generation formad av sportstatistikens genombrott. Kopplingen är inte att fotbollsanalys och casinospel är samma sak, utan att den analytiska kulturen som Premier League-data odlat färgar hur en bred publik förhåller sig till risk och utfall. Förväntansvärden, volatilitet och sannolikhetsfördelningar har blivit begrepp som en mainstreampublik faktiskt förstår, till stor del tack vare fotbollens popularisering av statistiskt tänkande.

Trendens riktning är tydlig. Premier League-klubbarna investerar alltmer i analysavdelningar, med ett genomsnitt som växt från fyra till sex heltidsanställda analytiker mellan 2020 och 2025 enligt branschuppskattningar. De största klubbarna siktar mot 10 till 15 datavetare inom kort. Rekryteringsmönstret har också förändrats: klubbarna söker inte längre bara före detta spelare utan statistiker, fysiker och ingenjörer med erfarenhet av storskalig datamodellering. Samma utveckling syns hos licensierade spelplattformar, där integration med sportdata redan börjar bli industristandard.

Vad xG faktiskt berättar

xG-modellens största insikt handlar inte om fotboll utan om hur vi värderar information. Tabellen berättar vad som hänt. xG-tabellen berättar vad som borde ha hänt om slumpen tagits bort. Gapet mellan de två avslöjar vilka lag som lever över sina tillgångar och vilka som har mer att ge. Modellen tvingar analytiker att separera process från resultat – ett lag kan göra allt rätt taktiskt och ändå förlora, precis som ett dåligt förberett lag kan vinna genom ren marginal. Över tid korrigerar sig dock siffrorna. Lag med högt xG tenderar att klättra, och lag som överpresterar tenderar att falla tillbaka. Den typen av tänkande, att skilja signal från brus, är användbar långt bortom fotbollsplanens kritstreck. Den formar hur en växande publik förstår osäkerhet, sannolikhet och vad det innebär att fatta beslut när utfallet aldrig är givet.