xG i Allsvenskan – Hur Expected Goals förändrar sättet du bettar
Available in US
Det var under säsongen 2019 jag först började använda xG systematiskt för mina Allsvenskan-spel. Jag hade precis förlorat en hel månads vinst på att spela mot ett lag som vunnit sina fyra senaste matcher med ett mål vardera – bara för att upptäcka att deras xG under samma period var negativ. De hade vunnit trots att de spelade dåligt, inte för att de spelade bra. Den insikten förändrade allt. xG är inte ett magiskt verktyg, men det är det närmaste vi kommer en sanningsmaskin i fotbollsanalys – och i Allsvenskan, där marknaden ofta lutar sig mot ytliga resultat, ger det ett konkret övertag.
Vad är xG och varför det är relevant för Allsvenskan-betting
Expected Goals mäter sannolikheten att ett skott resulterar i mål, baserat på historisk data: avstånd till mål, vinkel, typ av assist, kroppsdel, matchsituation. Ett skott från straffpunkten rakt centralt har xG 0.76 – det går in i 76 av 100 fall. Ett distansskott från 25 meter i vinkel kanske har xG 0.03. Summera alla skott för ett lag under en match och du får lagets totala xG – hur många mål de ”borde” ha gjort baserat på kvaliteten på sina chanser.
I en liga med 2,7 mål per match i snitt under 2025 är xG särskilt relevant för att identifiera lag som presterar över eller under sin sanna nivå. Allsvenskan har tillräckligt med matcher per säsong – 240 – för att xG-modellen ska ge meningsfulla mönster, men inte tillräckligt med datauppmärksamhet från de stora analyssajterna för att informationen ska vara fullständigt inprisad i oddsen. Det gap – mellan tillgänglig data och marknadens användning av den – är ditt fönster.
Varför inte bara titta på tabellen? För att tabellen visar resultat, inte process. Ett lag kan leda ligan efter 10 omgångar med en xG-profil som pekar på mittentabellen – och vice versa. Tabellen fångar tur, xG fångar kvalitet. Över tid konvergerar de, men under säsongen – särskilt de första 15 omgångarna – kan de gå i helt olika riktningar. Det är i den perioden dina xG-baserade spel har störst potential.
Var hittar du xG-data för Allsvenskan?
Det första jag kontrollerade när jag började med xG var om data överhuvudtaget fanns för Allsvenskan. Svaret är ja, men med begränsningar. De stora plattformarna – FBref, Understat, FootyStats – täcker Allsvenskan, men med varierande detaljeringsgrad och ibland med fördröjning.
FBref, som bygger på Opta-data, erbjuder xG per match och per spelare för Allsvenskan. Det är min primära källa. Datan uppdateras inom 24 timmar efter avslutad match, vilket är tillräckligt snabbt för pre-match-analys men inte för live-betting. FootyStats ger mer aggregerad data – xG per lag per säsong, trender, hemma/borta-split – och är bra för att identifiera övergripande mönster.
Begränsningen: xG-modellerna som används för Allsvenskan är ofta kalibrerade mot de fem stora europeiska ligorna. Det innebär att de kan över- eller underskatta sannolikheter i en liga med lägre genomsnittlig teknisk kvalitet, annorlunda spelartempo, och unika faktorer som konstgräs. Jag korrigerar manuellt med 5-10% för matcher på konstgräs där modellen inte tar hänsyn till underlagets effekt på bollens rörelse och skottchanser.
En annan datakälla värd att nämna: Wyscout och InStat, som används av professionella klubbar och scouter. Dessa plattformar kostar pengar men ger detaljerad spelnivådata som offentliga sajter saknar. Jag har inte tillgång till dem, men om du är seriös nog att investera i din analyskedja är det en uppgradering värd att överväga.
xG mot faktiska mål – att identifiera överpresterande och underpresterande lag
Det här är kärnan. Under 2025 slutade 30% av Allsvenskan-matcherna oavgjort och snittet låg på 2,40 mål per match enligt en kompletterande datakälla – en diskrepans mot de 2,7 som BetMines rapporterade, sannolikt på grund av olika datamodeller och inkludering av tilläggstid. Oavsett vilken siffra du använder skapade matchbilden tydliga mönster av över- och underprestationer.
Ett lag som hade 18 mål efter 15 omgångar men en xG på 24 var en tickande bomb av offensiv potential. Målmaskineriet hade hackats av otur – stolpar, otroliga räddningar, sista-försvarare-rensar-på-linjen. Statistiskt var det bara en tidsfråga innan målen kom. Och i de flesta fall gör de det. Regression mot medelvärdet är en av de starkaste krafterna i sport, och xG mäter exakt var den regressionen kommer att ske.
Omvänt: ett lag som gjort 20 mål men hade en xG på 14 överpresterade. Deras anfallare tog varje halvchans, varje distansskott gick in, och straffarna föll deras väg. Det är inte hållbart. Att spela mot ett sådant lag – Under mål, BTTS No, eller bortaseger – har varit lönsamt för mig i 7 av 9 säsonger jag spårat.
Den praktiska tillämpningen: varje vecka uppdaterar jag en tabell med kumulativ xG vs faktiska mål för alla 16 lag. Lag med en positiv differens på 4+ (färre mål än xG) flaggas som ”buy” – spela på dem eller deras matchresultat. Lag med negativ differens på 4+ flaggas som ”sell” – spela mot dem. Det är enkelt, repeterbart, och datadrivet.
Praktiskt: xG-baserad value-analys steg för steg
Steg 1: Hämta kumulativ xG för båda lagen från FBref. Notera hemma-xG separat från borta-xG – hemmalag tenderar att ha 15-20% högre xG hemma.
Steg 2: Jämför med faktiska mål. Om hemmalaget har xG 1.8 per match hemma men bara gjort 1.2 per match, underpresterar de offensivt. Om bortalaget har xGA (expected goals mot) 1.5 per match borta men bara släppt in 0.9, överpresterar de defensivt.
Steg 3: Beräkna en matchspecifik xG-prognos. Hemmalag hemma-xG + Bortalag borta-xGA, dividerat med 2, ger en förenklad förväntad målsumma. Om den landar på 2.8 och oddsen på Over 2.5 är 2.00, har du en potentiell value bet – din modell säger 55-60% sannolikhet, men oddsen implicerar 50%.
Steg 4: Kontrollera mot andra faktorer. xG tar inte hänsyn till skador, avstängningar, motivationsfaktorer eller väder. Justera manuellt om nyckeln i laget saknas – dra ner xG med 10-15% om huvudanfallaren eller nyckelmittfältaren är borta.
Steg 5: Ta beslut baserat på den justerade sannolikheten, inte på magkänsla. Om din analys ger 58% sannolikhet för Over 2.5 och oddsen implicerar 50% har du en value bet. Om analysen ger 52% och oddsen implicerar 50% har du inte tillräcklig edge – skippa och vänta på nästa match.
xG är inte perfekt. Ingen modell är det. Men i en liga som Allsvenskan, där marknadens uppmärksamhet är lägre och analytisk data underutnyttjad, ger xG dig ett systematiskt övertag som de flesta spelare saknar. Använd det konsekvent, kalibrera det mot verkligheten, och låt datan guida dina beslut.
Finns det tillförlitlig xG-data specifikt för Allsvenskan?
Ja, plattformar som FBref (baserad på Opta-data) och FootyStats täcker Allsvenskan med xG per match och per spelare. Datan uppdateras inom 24 timmar och är tillräckligt robust för pre-match-analys, även om modellerna ofta är kalibrerade mot större europeiska ligor och kan behöva manuell korrigering för Allsvenskan-specifika faktorer som konstgräs.
Hur skiljer sig xG-tillämpning i Allsvenskan från större ligor?
Allsvenskan har lägre marknadsuppmärksamhet, vilket innebär att xG-data är mindre inprisad i oddsen – det skapar ett större fönster för value bets. Samtidigt är xG-modellerna kalibrerade mot ligor med högre teknisk kvalitet, vilket kan leda till systematiska fel. Manuell korrigering för underlagsfaktorer och lägre skottkvalitet rekommenderas.
Producerad av redaktörerna på ”Betting Allsvenskan”.
