Зачем вообще разбираться в разных моделях xG
Expected goals давно перестали быть игрушкой для футбольных гиков. Сейчас, в 2025 году, xG — это база для скаутинга, ставок, телетрансляций и даже контрактных переговоров. Но есть нюанс: «xG» — это не один конкретный стандарт. Под капотом скрываются разные expected goals модели, сравнение которых иногда даёт разный ответ на один и тот же удар.
Одни клубы опираются на модель Elliott, другие — на системы Shot Quality от медиапровайдеров, третьи строят собственные гибридные подходы. И если мы говорим о серьёзной аналитике, надо понимать, почему цифры расходятся и чем конкретно отличаются лучшие модели xG в футболе.
Основы: что вообще считает любая xG-модель
Любая модель отвечает на один простой вопрос: «Какова вероятность, что из этого конкретного удара будет гол?». Вероятность от 0 до 1 (или 0–100%).
Чтобы объяснить, как рассчитать xG в футболе на базовом уровне, обычно берут:
1. Дистанцию до ворот.
2. Угол обзора ворот.
3. Тип удара (ногой, головой, после дриблинга, после навеса и т.д.).
4. Ситуацию: пенальти, стандарт, игра с хода.
5. Давление защитников (если данные позволяют).
6. Позицию вратаря (в продвинутых моделях).
Дальше используется статистика сотен тысяч ударов: смотрим, как часто из таких же позиций забивали раньше, обучаем модель (чаще всего логистическую регрессию или градиентный бустинг) и получаем прогноз.
На бумаге просто. На практике — разница в том, какие именно признаки включены, как они измеряются и какие алгоритмы используются. Тут как раз и начинаются расхождения между Elliott, Shot Quality и прочими.
Модель Elliott: «классика» с академическим лицом
Что это за подход
Под именем Elliott обычно подразумевают семейство моделей, идущих от работ Джона и Майкла Эллиоттов и их последователей. Это классический «академический» взгляд на expected goals: строгая статистическая база, прозрачность, минимум «магии» внутри.
Длинный абзац обещал — получайте. В таких моделях ключевой упор делается на интерпретируемость. Берётся большой набор исторических ударов (условно, все удары топ‑лиг за 5–7 сезонов), потом чистятся данные: выбрасываются странные эпизоды, уточняются координаты, нормализуются названия соревнований и т.п. Далее строится логистическая регрессия, в которой каждый фактор имеет понятный коэффициент: например, каждые дополнительные 2 метра до ворот уменьшают вероятность гола на N процентов, удар головой режет вероятность ещё на M процентов и так далее. Плюс учитывается «качество момента» через прокси‑переменные: количество защитников в коридоре удара, зона поля, предударной пас и его тип (сквозной, прострел, навес).
За счёт такой прозрачности тренер или спортивный директор могут точно объяснить игроку: «Вот почему твои удары имеют низкий xG — ты постоянно бьёшь из мёртвых позиций под острым углом». Это сильнее работает в коммуникации, чем черный ящик нейросети.
Сильные и слабые стороны Elliott
Коротко: модель Elliott хорошо объясняет прошлое, но не всегда идеально ловит тонкости современного футбола.
Плюсы:
1. Лёгкая интерпретация: понятно, почему именно такой xG.
2. Относительная устойчивость к переобучению: меньше «подгонки под шум».
3. Удобна для публикаций, презентаций, обучения внутри клуба.
Минусы:
1. Ограничения линейных методов: сложные нелинейные эффекты (например, комбинация позиции вратаря и расстановки защитников) ловятся хуже.
2. Меньшая гибкость при добавлении новых типов данных (tracking, биометрия).
По состоянию на 2025 год многие клубы используют не «чистую» Elliott‑модель, а её гибридную версию: базовый каркас — классика, поверх — регуляризация и локальные ML‑надстройки.
Shot Quality: продуктовый, медийный и «картинкоориентированный» подход
Чем Shot Quality отличается от классического xG
Shot Quality — распространённое коммерческое название моделей, которые акцентируются на визуализации «качества удара» для медиа и болельщиков. Так работают крупные поставщики данных: Opta/Stats Perform, Wyscout, другие статики, которые не всегда открывают точный рецепт.
Главное отличие: фокус на продукт. Система должна быть:
— быстрой (обновление xG почти в реальном времени),
— устойчивой для разных лиг (от АПЛ до второго дивизиона Турции),
— удобной для графики и телетрансляций.
Поэтому Shot Quality‑модели обычно используют:
— значительно больше признаков;
— современные ML‑алгоритмы (градиентный бустинг, нейросети);
— элементы трекинг‑данных: скорость атакующего, положение вратаря, линия офсайда, плотность защитников вокруг мяча.
Именно из-за этого мы часто видим, что у одного и того же удара xG по версии Elliott — 0.07, а Shot Quality провайдер даёт 0.12. Данные глубже, модель сложнее, результат — заметно другой.
Плюсы и минусы Shot Quality как рыночного стандарта
Сильные стороны:
1. Лучшая подгонка под реальную динамику: учитываются позиционные детали эпизода.
2. Готовый медийный продукт: графики, тайм‑лайн xG, живые панели для трансляций.
3. Более точные долгосрочные оценки для целых команд и сезонов.
Слабые:
1. Меньше прозрачности: аналитик часто не может объяснить игроку, почему именно этот удар получил xG=0.28.
2. Зависимость от качества исходных данных: нет трекинга — модель режет функционал, а точность падает.
3. Сложность кросс‑сравнения: разные провайдеры — разные Shot Quality, и expected goals модели сравнение между ними превращается в отдельное исследование.
Другие подходы: нейросети, гибриды и «контекстные» модели
Нейросетевые xG в 2025 году
Сейчас активно растёт третье направление: полностью нейросетевые модели, где xG — это часть более широкой экосистемы оценки событий.
Типичная схема:
— вход: координаты, трекинг игроков, положение вратаря, пасовая сеть до удара, иногда даже видео‑фреймы;
— архитектура: смесь градиентного бустинга и глубоких сетей (LSTM/Transformers для последовательностей действий, CNN/Visual Transformers для карт позиций);
— выход: не только вероятность гола, но и вероятность развития эпизода (рикошет, добивание, контратака соперника).
Такие подходы уже используются в нескольких клубах АПЛ и Бундеслиги, но почти не попадают в публичное пространство.
Коротко: в теории они дают самую высокую точность, но полностью закрыты и узко заточены под конкретный клуб.
Контекстные модели: xG не живёт в вакууме
Отдельный тренд 2023–2025 годов — отказ от идеологии «xG удара сам по себе». Всё больше аналитиков смотрят на:
— xThreat / possession value: ценность владения до и после удара;
— вероятность добивания (post‑shot xG и xG chain);
— риск контратаки после промаха.
Контекстные модели отвечают не только на вопрос «насколько этот удар был голевым», но и «насколько разумным было вообще бить в таком сценарии».
И тут как раз заметна разница: Elliott‑подобные системы проще адаптировать под подобную логику (понятные коэффициенты), Shot Quality требует сложной инженерии, а нейросети естественно «впитывают» такой контекст, если правильно подготовлены данные.
Статистические сравнения: где расходятся Elliott, Shot Quality и нейросети
Глобальные метрики точности
Если не залезать в матан, а говорить на человеческом, сравнение моделей обычно сводится к трём вопросам:
1. Насколько хорошо модель предсказывает, будет ли гол (AUC/ROC, Brier score).
2. Насколько «калиброваны» вероятности (удары с xG 0.2 реально превращаются в гол примерно в 20% случаев?).
3. Насколько стабильно модель ведёт себя при смене лиг и сезонов.
По опубликованным к 2024–2025 годам исследованиям:
— классические Elliott‑модели показывают устойчивую, но не максимальную точность на уровне топ‑лиг;
— коммерческие Shot Quality с трекингом выигрывают у простых логистических моделей по AUC на 3–7% пунктов;
— гибридные нейросети ещё на пару процентов лучше на больших выборках, но иногда переобучаются под конкретную лигу.
При этом расхождение по одному конкретному удару может быть в 2–3 раза: для «безумных» ударов через себя, лупящихся из полупозиции, сложные модели часто дают xG заметно выше — потому что «видят» неочевидные паттерны серии действий перед ударом.
Экономика xG: кто платит и за что
Деньги вокруг данных
Сейчас футбольная аналитика — это уже полноценный рынок. Когда клуб, медиа или беттинг‑компания хотят использовать качественные данные, встаёт практический вопрос: «Где взять футбольная статистика xG, купить доступ к данным быстро и не разориться?».
На рынке в 2025 году:
— «базовые» пакеты (xG по ударам, матчам, сезонам) стоят относительно недорого и доступны даже для клубов второй лиги;
— доступ к трекинг‑данным и кастомным Shot Quality‑моделям в разы дороже, и позволить их могут себе в основном топ‑клубы и крупные букмекеры;
— индивидуальные исследования (настроить модель лично под клуб) — это уже консалтинг с пяти‑ и шестизначными ценниками в евро.
Elliott‑подход часто используется как «входной билет»: клуб берёт открытые описания, строит свою прозрачную модель, а потом по мере роста бюджета докупает более продвинутые Shot Quality‑решения или заказывает кастомную нейросетевую версию.
Зачем букмекерам и клубам разные модели
Интересы расходятся.
Клубам важна интерпретация: нужно объяснить тренеру, игрокам, болельщикам, почему команда играет лучше/хуже счёта. Здесь модели типа Elliott и гибридные варианты удобнее — они читаемы и обучаемы.
Букмекерам важна маржа и борьба с арбитражниками. Им нужна аналитика expected goals для ставок на футбол, которая:
— даёт небольшое, но стабильное преимущество над рынком;
— минимально раскрывает внутреннюю логику, чтобы её нельзя было легко воспроизвести;
— быстро обновляется во время матча (live‑линии).
Поэтому букмекеры чаще платят за очень детализированные Shot Quality‑модели с трекингом и закрытыми алгоритмами, а клубы — за комбинацию интерпретируемых и продвинутых, но «объяснимых» систем.
Влияние на индустрию: от трансляций до переговоров по зарплате
Телевидение и фанатская среда
Если вы смотрите топовые трансляции, вы уже заметили: xG‑графики стали такой же нормой, как владение мячом или количество ударов.
Медиа используют Shot Quality‑модели, потому что:
— они красиво выглядят;
— дают драму: «Команда A должна была забивать на 2 мяча больше»;
— позволяют делать простой сторителлинг для широкой аудитории.
Это формирует у болельщиков новый язык обсуждения футбола: раньше — «моментов было много», теперь — «xG был 2.8, а забили только один».
Скаутинг и контракты
Для клубов xG стал аргументом в переговорах.
Примеры:
— нападающий с 10 голами, но 16 xG — обычно недоиспользует моменты, и к нему вопросы по реализации;
— нападающий с теми же 10 голами, но 6 xG — наоборот, может быть гениальным финишером или просто провёл аномальный сезон.
Разные модели дают немного разные числа, но тренд один: без xG‑оценки уже почти никто не обсуждает форвардов и креативных полузащитников. Причём клубы всё чаще сравнивают сразу несколько моделей — Elliott, Shot Quality и собственные гибриды — чтобы не зависеть от одного источника правды.
Прогноз до 2030 года: куда всё движется
Слияние подходов вместо «войны школ»
Скорее всего, к 2030 году дискуссия «что лучше — Elliott или Shot Quality» уйдёт в прошлое. Ожидается, что:
1. Elliott‑подобные, интерпретируемые ядра будут использоваться как «скелет» модели: они дадут базовую структуру и понятные коэффициенты.
2. Поверх этого будут работать нейросетевые и градиентные модули, которые уточняют xG с учётом трекинга, биометрии и контекста владения.
3. Модели станут «живыми»: они будут постоянно дообучаться на свежих сезонах, адаптируясь под изменения стилей игры (например, ещё больший упор на быстрые атаки и позиционные ротации).
Иными словами, expected goals модели сравнение через пять лет будет уже не между брендами, а между архитектурами гибридных систем.
Интеграция видео и трекинга по умолчанию
Короткий прогноз: к концу десятилетия baseline‑уровень данных изменится. Сейчас трекинг есть далеко не во всех лигах; к 2030‑му он, вероятно, станет стандартом на уровне хотя бы топ‑ и полупрофессиональных чемпионатов.
Это означает:
— Shot Quality превратится в «video+tracking quality»: модели начнут напрямую учитывать информацию из видео, а не только из координат;
— появятся новые метрики вроде «ожидаемого качества решения» (насколько игрок выбрал оптимальное действие среди всех доступных вариантов);
— xG станет частью более широкой экосистемы оценок — expected possession value, expected build‑up value и т.д.
Рынок данных и роль открытых моделей
Экономически логика такая:
— коммерческие провайдеры продолжат продавать доступ к суперподробным, закрытым Shot Quality‑моделям и трекингу для клубов и беттинга;
— параллельно будут развиваться открытые Elliott‑подобные модели в академической среде и среди независимых аналитиков;
— всё больше клубов среднего уровня начнут строить свои «полукоммерческие» системы: на открытой основе, но с локальными улучшениями.
Для аналитика это время золотой лихорадки: спрос на людей, которые понимают разницу между моделями, умеют их калибровать под задачу и грамотно объяснять результаты, будет только расти.
—
Если резюмировать разговорным языком: xG уже давно не один‑единственный «циферка про моменты». Есть строгий и понятный Elliott, есть медийно‑продуктовый Shot Quality, есть закрытые нейросети клубов и букмекеров.
В 2025 году выигрывает тот, кто не выбирает «единственно верную» модель, а понимает сильные и слабые стороны каждой, умеет их совмещать и превращать в конкурентное преимущество — на поле, на экране и в финансовом отчёте.