Все чаще слышно: «xG устарел, надо что‑то посерьёзнее». На самом деле сам по себе xG норм, просто мир поменялся: команды давят выше, бегут агрессивнее, отнимают мяч у чужой штрафной. Если в расчётах не учитывать прессинг, вы теряете полкартины. Дальше разберём, как «подружить» прессинг и xG, на каких цифрах опираться за последние три года и где подтянуть навыки, если хочется не просто смотреть футбол, а реально на нём зарабатывать или выигрывать матчи.
—
Почему без прессинга xG уже не работает
Классический xG родился в эпоху, когда ключевым считалось положение удара: угол, расстояние, тип передачи. Но с 2022 по начало сезона 2024/25 по данным StatsBomb и Opta (округлённо) доля голов после высоких отборов выросла в топ‑5 лигах Европы с ~10–11 % до 14–16 %. То есть каждый шестой–седьмой гол — прямое следствие прессинга. Если ваш модельный xG не различает шот после спокойной позиционной атаки и удар через три секунды после перехвата у чужой штрафной, прогноз по xG становится смазанным, а любые модели xG для ставок на футбол начинают системно недооценивать команды с агрессивным давлением.
—
Какая статистика по прессингу за 2022–2024 годы
Возьмём усреднённые метрики: PPDA (передачи соперника на одно защитное действие) и долю ударов после высоких возвратов мяча. В сезоне 2021/22 в АПЛ средний PPDA был около 11,5, в 2022/23 — около 10,9, а к сезону 2023/24 вплотную подошёл к 10,3. Это означает более частые попытки отборов в высокой зоне. Параллельно, по данным FBref, доля ударов после перехвата в последних 40 метрах поля выросла примерно на 2–3 процентных пункта за эти три сезона. В xG‑моделях это должно отражаться через повышенную вероятность гола для шотов после высоких отдач мяча, иначе вы недооцените команду по качеству созданных моментов.
—
Вдохновляющие примеры: как клубы монетизируют прессинг
Самый очевидный пример — клубы, вроде «Ливерпуля» и «Байера» Алонсо последних сезонов: в ряде матчей до 40 % xG команда набирает после отборов выше средней линии. В Бундеслиге 2022/23 по оценкам StatsBomb топ‑3 прессингующих команд генерировали до 0,6–0,8 xG за матч только из высоких возвратов мяча. Это не абстрактные цифры: клубы используют их и в скаутинге, и в подготовке к сопернику. Внутри отделов анализа строят специальные слои к модели xG, учитывающие интенсивность давления, расстояние до ворот в момент отбора и количество пасов до удара.
—
Как технически «зашить» прессинг в xG
Условно есть три уровня. Базовый — добавить бинарный флаг «удар после высокого отбора» и обучить отдельный коэффициент для таких моментов. Средний — учитывать время от отбора до удара, зону потери соперником, направление первой передачи. Продвинутый — использовать трекинг‑данные: плотность игроков вокруг мяча, скорость передвижения линии обороны и атакующих. На практике многие начинают именно с флага и постепенно усложняют архитектуру модели, когда данных становится больше. Важно постоянно валидировать результат: сравнивать предсказанный xG с реальными голами именно по сегменту моментов после прессинга.
—
Рекомендации по развитию навыков учёта прессинга
Если вы аналитик или беттор, начните с простого: выгрузите шоты за 2–3 сезона и отметьте моменты, где удар был нанесён в течение 5 секунд после отбора в последних 40 метрах. Сравните их конверсию в гол с «обычными» ударами — даже по публичным данным увидите разницу в 3–6 процентных пунктов. Потом добавьте признаки: сколько пасов до удара, насколько узкой была линия защиты, сколько игроков атакующей команды впереди мяча. Не нужно сразу городить нейросети: иногда логистической регрессии с парой умных признаков достаточно, чтобы почувствовать, как прессинг меняет картину xG.
—
• На старте хватит:
— флага «высокий отбор»
— координат отбора и удара
— времени между событиями
• Позже добавляйте:
— характеристики давления (кол-во игроков в радиусе)
— качество позиции вратаря
— контекст матча: счёт, минута, усталость
—
Кейсы успешных проектов: от любительских до профуровня
Есть немало частных проектов, где энтузиасты начинали с телеметрии из открытых источников и дошли до того, что их модели брали на стажировки клубы из Скандинавии и Нидерландов. За последние три года особенно выстрелили те, кто сфокусировался на давлении и переходных фазах. Они показывали командам, как менять триггеры прессинга, чтобы генерировать +0,2–0,3 xG за матч. Именно так формируется спрос на услуги спортивной аналитики xg для футбольных клубов: когда аналитик не просто строит красивые графики, а говорит тренеру, где именно завести ловушку, чтобы соперник подставился под обрез в опасной зоне.
—
Как это помогает бетторам и игрокам рынка
Рынок ставок давно читает классический xG, и просто «обгонять» линию за счёт базовой модели всё сложнее. А вот корректировки за прессинг до сих пор используют немногие. Если вы строите собственные модели xG для ставок на футбол, учёт агрессивного давления вносит небольшой, но стабильный «эдж»: например, можно точнее оценить вероятность comeback’а команды, которая при счёте 0:1 включает высокий пресс, либо кое‑где ловить завышенные коэффициенты на тоталы. Важно только тестировать подход на большом массиве данных, минимум 15–20 тысяч матчей, и честно считать дисперсию, а не подбирать примеры под гипотезу.
—
Ресурсы и обучение: с чего начать путь
Если вы пока только заходите в тему, начните с открытых блогов и GitHub‑репозиториев по xG и давлению: там уже есть базовые пайплайны. Когда захочется системности, можно пойти на курс по продвинутой футбольной статистике xg и прессинг: обычно туда включают и теорию, и практику по Python/R, и курсовой проект с разбором модели. Для клубов и агентств разумно смотреть в сторону решений «под ключ»: тут полезна платформа для анализа прессинга и xg в футболе, где вы получаете не только сырые метрики, но и визуализации, и API, и шаблоны отчётов для тренерского штаба.
—
Софт, комьюнити и профессиональный рост
Если хотите ускориться, логично не изобретать велосипед, а смотреть готовые решения. Многие компании предлагают пакеты «футбольная аналитика xg купить софт», где уже преднастроены модели, фильтры по зонам прессинга и отчёты. Это особенно удобно для небольших клубов и академий, у которых нет своего отдела данных. Параллельно можно подключаться к платным и бесплатным сообществам: там делятся кодом, сравнивают модели, обсуждают ошибки. В такой среде проще найти партнёров, клиентов и даже выйдти на консалтинг или скаутинг, если ваши модели покажут реальную пользу на дистанции.