xG expliqué simplement : ce que c'est et pourquoi 90% des tipsters l'ignorent

TL;DR — Les Expected Goals (xG) mesurent la qualité réelle des occasions créées pendant un match, indépendamment du score final. Une équipe qui perd 0-1 avec 2.4 xG contre 0.3 xG a mieux joué que son adversaire et va probablement rebondir au match suivant. 90% des tipsters Telegram n’utilisent pas l’xG parce qu’ils analysent les matches comme des fans, pas comme des traders. C’est exactement là que tu peux prendre un edge.

Si tu paries sur le foot en 2026 et que tu ne sais pas ce qu’est l’xG, tu paries dans le noir. C’est un peu comme trader des actions sans regarder le P/E ratio — techniquement possible, mais tu laisses 80% de l’information sur la table.

Je vais t’expliquer ce que c’est, comment l’utiliser concrètement pour tes paris, et pourquoi cette métrique pourtant publique depuis 2012 reste sous-exploitée par la quasi-totalité des tipsters.

C’est quoi l’xG, exactement ?

L’Expected Goal (xG, “buts attendus”) est un score entre 0 et 1 attribué à chaque tir d’un match. Il représente la probabilité qu’un tir donné devienne un but, calculée à partir d’un modèle entraîné sur des centaines de milliers de tirs historiques.

Les variables prises en compte (modèle StatsBomb, Opta, Understat simplifié) : - Distance au but (principal facteur) - Angle par rapport au but - Partie du corps utilisée (pied fort, pied faible, tête) - Type d’action (jeu ouvert, coup franc, penalty, corner) - Pression défensive (nombre de défenseurs entre le tireur et le but) - Type de passe reçue (centre, passe en retrait, une-deux)

Exemple concret : - Un penalty → xG ≈ 0.78 (78% de chance d’être marqué en moyenne) - Un tir à bout portant (5m, axe, pied) → xG ≈ 0.35 - Une reprise de volée à 25m → xG ≈ 0.03 - Une tête sur corner à 10m → xG ≈ 0.08

L’xG d’un match, c’est la somme des xG de tous les tirs d’une équipe. Si le PSG termine un match à 2.4 xG, ça veut dire qu’il a créé suffisamment d’occasions pour marquer en moyenne 2.4 buts. Qu’il en ait marqué 0, 1 ou 4, c’est une question de variance — pas de qualité de jeu.

Pourquoi c’est la métrique la plus prédictive qui existe

Un fait prouvé par des dizaines de papiers académiques : l’xG prédit mieux les futurs résultats d’une équipe que le score des matches passés.

Concrètement : si tu prends les matches d’une équipe sur les 10 derniers matches, et que tu construis deux modèles de prédiction — un basé sur les scores réels, un basé sur les xG — le modèle xG a une meilleure log-loss et une meilleure Brier score sur les matches suivants.

Pourquoi ? Parce que le score réel contient beaucoup de variance aléatoire : - Un poteau qui sauve - Un gardien en soirée miraculeuse - Un but encaissé sur le seul tir adverse - Un penalty raté

L’xG lisse toute cette variance et te donne un signal sur la qualité de jeu profonde de l’équipe. Sur 10 matches avec des xG cumulés de 18 (créé) contre 8 (concédé), l’équipe est dominante, quoi qu’en dise le classement du moment.

C’est pour ça que tous les clubs pros sérieux (Liverpool, Brighton, Brentford, Midtjylland) recrutent en priorité sur des métriques xG-based — ils cherchent la qualité réelle derrière le bruit du score.

Comment utiliser l’xG pour tes paris

Trois cas d’usage concrets où l’xG te donne un edge immédiat sur un tipster classique :

1. Repérer les “équipes chanceuses” prêtes à régresser

Imagine une équipe qui a 7 victoires en 10 matches (série brillante en apparence), mais avec un xG cumulé de 9.2 marqués pour 11.5 encaissés. Concrètement, elle a sous-performé défensivement et surperformé offensivement sur la variance.

Signal de régression vers la moyenne : dans les 10 matches suivants, cette équipe va statistiquement convergervers un bilan plus proche de 3-4 victoires sur 10. Si les cotes encore cette semaine la traitent comme une équipe en forme, tu as un value bet en pariant contre elle.

2. Détecter les équipes en “bad luck” prêtes à rebondir

Inverse : une équipe à 2 victoires en 10 matches avec 18 xG créés / 9 xG concédés sur la période. Le résultat est désastreux, mais la qualité de jeu dit : “ils dominent, ils ne concrétisent pas”. Les cotes vont punir cette équipe dans les semaines suivantes — c’est là que tu trouves des cotes gonflées (value bets à la hausse).

C’est exactement ce type de situation que les marchés asiatiques (Pinnacle, SBOBet) corrigent en quelques jours, mais que les bookmakers retail (Betclic, Winamax) tardent à intégrer — c’est dans ce délai que résident les meilleurs value bets.

3. Analyser les matches “over/under buts”

L’xG total d’une confrontation (somme des xG offensifs des deux équipes, ajustés par leur xG défensif) te donne une estimation directe du nombre de buts attendus. Si le marché “Over 2.5” est à cote 1.90 et que ton xG combiné calcule un total attendu de 3.2 buts, la probabilité vraie de dépasser 2.5 buts est supérieure à celle implicite dans la cote → value bet Over.

C’est un marché où les modèles battent les tipsters de façon systématique parce que les humains estiment mal les probabilités composées et jugent souvent “à l’intuition”.

Pourquoi 90% des tipsters l’ignorent

Trois raisons structurelles :

1. Ils analysent comme des fans, pas comme des traders. La plupart des tipsters Telegram publient des pronostics basés sur : forme récente, classement, compo, “feeling”. Ils regardent les matches comme des supporters, pas comme des analystes. L’xG exige de mettre de côté les émotions et regarder des chiffres — c’est contre-intuitif pour 90% des profils qui se lancent dans le tipster-business.

2. C’est un boulot d’analyste, pas de “capper”. Utiliser l’xG correctement demande de la rigueur : sourcing des données, normalisation des contextes (home/away, adversaires), moyennes roulantes sur une fenêtre de N matches, ajustement pour les changements d’effectif. C’est un travail hebdomadaire qui prend 10-15h par semaine. Un tipster qui monétise via Telegram veut publier 5-10 pronos par jour, pas passer 10h à analyser 4 matches.

3. Le marketing ne marche pas avec l’xG. Vendre “J’ai un modèle xG-based qui sort +2% de CLV à long terme” est nettement moins sexy que “J’ai tapé PSG-Marseille à 3.20, followe-moi, abonne-toi 🔥”. Le marché des “pronos” pousse à la spectacularisation, pas à la rigueur.

Résultat : l’xG est une métrique publique, gratuite (via understat.com, fbref.com, StatsBomb open data) et pourtant sous-utilisée par 90% des acteurs du pari sportif grand public. Ça crée une asymétrie d’information dont tu peux profiter — à condition d’apprendre à la lire.

Les limites de l’xG (pour ne pas tomber dans le piège inverse)

L’xG n’est pas magique. 3 limites importantes :

1. L’xG ignore le contexte du score. Une équipe qui mène 3-0 à la 70e et joue la montre va créer peu d’occasions offensives et “laisser” l’adversaire mitrailler des tirs de loin (haut xG apparent). L’xG basique surestime la domination de l’équipe qui encaisse en fin de match.

Correctif : utiliser l’xG non-penalty (sans penalties, très variables) et le Game State xG (xG ajusté en fonction du score au moment du tir).

2. L’xG est un indicateur moyen, pas individuel. Un tir qui aurait 0.15 xG en moyenne peut valoir 0.30 ou 0.05 selon le tireur (Mbappé vs un milieu défensif). Les modèles xG avancés intègrent la qualité du tireur (xG à la Finisher), mais c’est rarement accessible en open data.

3. L’xG ne capture pas tout le jeu. Les phases défensives, le positionnement, le pressing, le ball progression sont aussi importants. D’autres métriques complètent l’xG : xT (expected threat), PPDA (passes par action défensive), progressive passes. Un modèle prédictif complet utilise l’ensemble, pas juste l’xG.

Mais si tu devais choisir une seule métrique pour juger une équipe au-delà du score brut, l’xG reste la meilleure option par un large marge.

Comment tracker l’xG gratuitement

Sources publiques gratuites : - understat.com — xG par match, par équipe, par joueur, top 5 européens - fbref.com — statistiques complètes incluant l’xG non-penalty, 50+ championnats - StatsBomb open data (GitHub) — dataset event-level pour construire tes propres modèles

Source pro (payante) : - Opta/Stats Perform — le gold standard des stats foot, mais cher (enterprise only)

Pour la plupart des parieurs, understat + fbref couvrent 95% des besoins sur les championnats majeurs.

Pourquoi matchpredictor utilise l’xG au cœur de son modèle

Le modèle matchpredictor (basé sur Dixon-Coles ajusté + features xG) intègre l’xG comme entrée principale pour estimer les probabilités de résultats futurs. Concrètement : - Chaque équipe a une force d’attaque et une force de défense calculées à partir de moyennes roulantes d’xG créés et concédés - Ces forces sont corrigées par le contexte (home/away, adversaire rencontré, qualité de l’opposition) - Le modèle sort une distribution de probabilités sur les scores possibles du match - De cette distribution, on extrait : probabilités 1/N/2, Over/Under, BTTS, Asian Handicap

Les value bets affichés sur matchpredictor viennent de la comparaison entre nos probabilités calculées et les cotes du marché — quand l’écart dépasse 5%, c’est un signal. C’est une application concrète et transparente de la méthode que j’explique ici.

Rejoins la waitlist — lancement avant la Coupe du Monde 2026.

Mathurin Aché est Kaggle Grand Master (top 11 mondial sur 250 000 participants), Senior Data Scientist depuis 10+ ans. Il a gagné 5 compétitions Kaggle. matchpredictor est sa contribution à un écosystème de paris sportifs plus honnête.