Výzkum z Karlsruhe Institute of Technology a TSG Hoffenheim to potvrdil: xG model předpovídá výsledky zápasů Bundesligy s přesností 65,6 %. To je číslo, které mi změnilo přístup k sázení. Než jsem začal pracovat s xG, spoléhal jsem na sledování zápasů a vlastní úsudek. Úspěšnost? Kolem 52 %. S xG daty jsem se posunul na 57-58 %. Rozdíl pěti procentních bodů zní málo, ale v sázení je to rozdíl mezi prohráváním a vyděláváním.
Metrika expected goals (xG) je dnes standardem ve fotbalové analytice. Používají ji profesionální týmy, komentátoři, novináři a sázkaři. Ale překvapivě málo lidí rozumí tomu, jak xG funguje, co měří a – hlavně – kde má limity. V tomhle průvodci vám dám kompletní obraz: od matematiky za xG přes praktické využití v sázení po jeho kritiku a alternativy.
Jedno upozornění předem: xG není zázračný vzorec na výhru. Je to nástroj, který vám pomůže vidět fotbal objektivněji. Místo „ten tým hrál špatně, protože prohrál“ se podíváte na data a zjistíte, že ten tým vytvořil šance za 2,3 xG a prohrál 0:1 z penalty. To je úplně jiný příběh – a úplně jiná sázka na příští zápas.
Co je xG a jak se počítá
Před třemi lety jsem se díval na zápas, kde jeden tým měl 18 střel a prohrál 0:1 proti soupeři, který střílel třikrát. Výsledek vypadal jako obrovská nespravedlnost. Ale pak jsem se podíval na xG: 18 střel z 25 metrů přes zeď a z úhlu dalo dohromady xG jen 0,9. Tři střely soupeře z penalty a dvou brejků měly xG 1,4. Najednou dávalo skóre 0:1 smysl. xG neměří kvantitu střel – měří kvalitu šancí.
Model xG od Opta analyzuje přes 20 kontextových faktorů u každého střeleckého pokusu a je trénovaný na zhruba milionu historických střel. Co přesně ty faktory jsou? Pozice na hřišti (vzdálenost od brány a úhel), typ zakončení (hlavička, levá noha, pravá noha), situace (otevřená hra, standardní situace, penalta, přímý kop), pozice brankáře, počet bránících hráčů mezi míčem a brankou, rychlost protiútoku a další.
Výsledkem je číslo od 0 do 1 pro každou střelu. xG 0,76 znamená, že z podobné pozice za podobných okolností se skóruje v 76 % případů. Penalta má typicky xG kolem 0,76-0,79. Střela z 30 metrů má xG kolem 0,02-0,03. Hlavička ze šesti metrů po centru z křídla má xG kolem 0,10-0,15 (nízké, protože hlavičky obecně mají nižší konverzi). Střela z pěti metrů po přihrávce do prázdné brány může mít xG 0,85+.
Kumulativní xG za celý zápas vám řekne, kolik gólů by tým „měl“ dát na základě kvality svých šancí. Pokud tým vytvoří šance za 2,3 xG a dá jeden gól, pravděpodobně měl smůlu v koncovce. Pokud vytvoří šance za 0,8 xG a dá tři góly, pravděpodobně měl výjimečný den nebo výjimečného střelce. Obě informace jsou pro sázkaře cenné, protože naznačují, kam se výkon posune v příštích zápasech.
Jednu věc ale xG nezachytí: individuální kvalitu střelce. Haaland nebo Mbappé proměňují šance nad svůj xG konzistentně, protože jsou výjimečně dobří zakončovatelé. Tohle není smůla nebo štěstí – je to skill. Proto je důležité dívat se nejen na týmové xG, ale i na to, kdo střílí. Pokud klíčový střelec chybí kvůli zranění, týmové xG zůstane stejné (šance se stále vytvoří), ale konverze klesne.
Existují různé varianty xG modelů a ne všechny jsou stejně přesné. Základní modely pracují jen s pozicí střely. Pokročilejší přidávají typ přihrávky (centrovaný míč, průniková přihrávka, cutback), pozici brankáře a rychlost akce. Nejpokročilejší modely zahrnují i tracking data – přesné pozice všech hráčů na hřišti v momentě střely. Čím víc proměnných, tím přesnější model. Ale i základní xG model je výrazně lepší než žádný.
Pro sázkaře je důležité vědět, jaký model daná platforma používá. Čísla se mohou lišit – jedna platforma přiřadí střele xG 0,15, jiná 0,22. Není to chyba, je to důsledek jiné metodologie. Proto doporučuji držet se jednoho zdroje konzistentně, místo skákání mezi platformami. Konzistence dat je důležitější než jejich absolutní přesnost.
Jak přesná je metrika xG: akademický výzkum
Skeptici říkají: „xG je jen číslo, fotbal se čísly řídit nedá.“ Rozumím té skepsi – sám jsem ji sdílel. Pak jsem začal číst akademické studie a čísla mě přesvědčila.
Výzkumníci Forcher, Woll a Altmann z Karlsruhe Institute of Technology ve spolupráci s analytickým oddělením TSG Hoffenheim porovnali několik predikčních modelů na datech z Bundesligy. xG post-match model dosáhl přesnosti 65,6 % v předpovídání výsledků zápasů – lepší výsledek než modely založené na EPV (expected possession value). To je vědecký důkaz z peer-reviewed studie publikované ve Frontiers in Sports and Active Living, ne marketingový claim sázkové firmy.
Co znamená přesnost 65,6 %? Že ze 100 zápasů model správně určí vítěze (nebo remízu) v 66 případech. To zní skromně, ale v kontextu fotbalu, kde je obrovská variabilita a jeden gól změní všechno, je to vynikající výsledek. Pro srovnání: předzápasové kurzy bookmakerů, které reflektují miliony korun vsazených peněz a sofistikované modely, mají implicitní přesnost kolem 60-62 %. xG model je překonává.
Důležité upozornění: 65,6 % je přesnost post-match modelu – tedy modelu, který má k dispozici data z již odehraného zápasu a předpovídá výsledek dalšího. Pre-match xG model (bez dat z aktuálního zápasu) má nižší přesnost, kolem 55-58 %. Stále lepší než mince, ale ne tak impozantní. V praxi to znamená: xG je nejcennější pro hodnocení formy a trendu, méně pro předpověď konkrétního zápasu.
Další studie z PMC/NCBI zdůrazňuje, že od svého vzniku se xG stalo všudypřítomným nástrojem ve fotbale – většina top klubů i sázkových společností ho využívá k modelování kurzů. To, co bylo před deseti lety exkluzivní know-how analytických oddělení, je dnes dostupné každému sázkaři. A právě přístupnost dat je to, co mění pravidla hry.
Má xG i slabiny? Samozřejmě. Největší kritikou je, že xG model nezachycuje kontext celého zápasu – jen izolované střely. Nevidí taktické změny, nevidí únavu, nevidí psychologický tlak. Penalta v 5. minutě a penalta v 90. minutě mají stejné xG, ale psychologický kontext je drasticky odlišný. Další slabinou je, že xG pracuje s historickými průměry. Střela z 12 metrů pod úhlem 30 stupňů má historicky xG 0,08. Ale pokud tu střelu dává hráč světové třídy proti unavenému brankáři, skutečná pravděpodobnost je vyšší. Model to nerozezná.
Přesto platí: xG je nejlepší široce dostupný predikční nástroj pro fotbalové sázení. Není dokonalý, ale je výrazně lepší než alternativy – pocit, sledování zápasů bez dat nebo slepé následování tipů. A v sázení nemusíte být dokonalý. Musíte být lepší než trh – a xG vám v tom pomáhá.
Jak využít xG při sázení na fotbal
Teorie je pěkná, ale jak xG přeložit do konkrétních sázek? Mám tři hlavní způsoby využití, které mi fungují v praxi.
Za prvé: identifikace regrese k průměru. Pokud tým za posledních pět zápasů vytvořil šance za průměrně 1,9 xG, ale dal jen 0,8 gólu na zápas, je kandidát na regresi – jinými slovy, jeho gólová produkce by měla vzrůst. Kurzy reflektují aktuální gólovou bilanci (0,8 gólu na zápas vypadá jako slabý útok), ne kvalitu šancí. Sázka na over v jeho příštím zápase proti slabé obraně může nabízet hodnotu. Analytici potvrzují, že xG pomáhá sázkařům identifikovat, zda týmy překonávají nebo zaostávají za očekáváním, a odhalit tak hodnotu v gólových trzích.
Za druhé: hodnocení obranné stability. xGA (expected goals against) měří, jaké šance tým pouští soupeři. Tým s nízkým xGA je defenzivně silný – i když občas inkasuje, jeho obrana je kvalitní a šance soupeřů jsou většinou nekvalitní. Tohle je klíčové pro under sázky a handicapy. Pokud dva týmy s nízkým xGA hrají proti sobě, under 2,5 je statisticky pravděpodobný, i když oba mají ofenzivní pověst.
Za třetí: porovnání xG s closing line. Pokud můj model založený na xG říká, že pravděpodobnost výhry domácích je 55 %, a bookmaker ji v closing line oceňuje na 48 %, mám 7procentní edge. Konzistentní překonávání closing line je nejspolehlivější prediktor dlouhodobé ziskovosti – a xG je nástroj, který vám k tomu pomůže.
Praktický postup: před zápasem si stáhnu xG data obou týmů za posledních 8-10 zápasů. Spočítám průměrné xG a xGA. Porovnám s reálnými góly. Identifikuji, kdo překonává xG (a kde hrozí regrese) a kdo zaostává (kde je potenciál). Zkombinuji s dalšími faktory (domácí/venkovní, absence, motivace) a přiřadím vlastní pravděpodobnost. Porovnám s kurzem. Pokud najdu hodnotu, sázím. Pokud ne, hledám dál.
Ještě jeden způsob využití, o kterém se mluví méně: xG pro hodnocení brankářů. Post-shot xG (PSxG) měří kvalitu střel, které skutečně letí na bránu. Pokud brankář inkasuje výrazně méně gólů, než odpovídá PSxG, je nadprůměrný. Pokud inkasuje víc, je podprůměrný – nebo má smůlu. Pro sázkaře to znamená: tým s nadprůměrným brankářem může inkasovat méně, než xGA naznačuje. A naopak – když se nadprůměrný brankář zraní a nahradí ho průměrný, xGA zůstane stejné, ale reálné inkasované góly vzrostou.
Poslední tip k praktickému využití: nesrovnávejte xG napříč ligami bez korekce. Liga s vyšší celkovou kvalitou (Premier League) má jinou distribuci xG než liga s nižší kvalitou (česká liga). xG 1,5 v Premier League a xG 1,5 v české lize nemusí znamenat stejnou úroveň útočné hrozby. Vždycky porovnávejte v rámci jedné soutěže.
Další statistiky pro sázení: forma, absence, střely na bránu
xG je mocný nástroj, ale není jediný. Spoléhat se výhradně na jednu metriku je jako řídit auto s pohledem jen na tachometr – vidíte rychlost, ale ne cestu. Tady jsou další statistiky, které zařazuji do své analýzy.
Forma za posledních 5-8 zápasů: celková bilance (výhry/remízy/prohry), ale hlavně kontext. Výhra 1:0 proti lídrovi tabulky je kvalitativně jiná než výhra 1:0 proti nováčkovi. Proto sleduji nejen výsledky, ale i xG formu – kolik šancí tým vytvářel a pouštěl. Tým s bilancí 3 výhry, 1 remíza, 1 prohra vypadá solidně. Ale pokud jeho xG forma ukazuje klesající trend (z 2,1 xG/zápas na 1,3), je to varovný signál.
Poptávka po datech z Ligy mistrů vzrostla v Severní Americe v prvním čtvrtletí 2025 o 209 %. Sázkový trh je čím dál víc datově orientovaný a sázkaři, kteří data ignorují, zůstávají pozadu.
Domácí vs. venkovní bilance: některé týmy hrají doma dramaticky jinak než venku. V české lize je efekt domácího hřiště tradičně silnější než ve velkých ligách – menší stadiony, agresivnější fanoušci, kratší cestování. Tým, který doma vyhrává 70 % zápasů, ale venku jen 25 %, je úplně jiná sázka podle toho, kde hraje.
Absence klíčových hráčů: zranění nebo suspendace střelce, brankáře nebo klíčového záložníka může zásadně změnit dynamiku zápasu. Důležité je odlišit, jaký typ hráče chybí. Chybějící střelec sníží konverzi šancí (ale xG zůstane podobné). Chybějící kreativní záložník sníží tvorbu šancí (xG klesne). Chybějící stoper zvýší xGA soupeře.
Střely na bránu / celkové střely: poměr střel na bránu vám řekne o přesnosti zakončování. Tým s 15 střelami, ale jen 3 na bránu, je buď nešikovný nebo střílí z velké vzdálenosti. Obojí je negativní signál pro jeho gólový potenciál – i když celkový počet střel vypadá dobře.
PPDA (passes per defensive action) měří intenzitu pressinku. Nízké PPDA (5-8) znamená agresivní pressing vysokou – tým soupeře nechává v klidu hrát jen 5-8 přihrávek, než ho napadne. Vysoké PPDA (12+) znamená pasivní obranu. Pro sázkaře je PPDA užitečné při odhadu tempa zápasu. Dva týmy s nízkým PPDA proti sobě? Vysoké tempo, hodně soubojů, potenciálně víc karet a méně kontrolované hry. Tým s nízkým PPDA proti týmu s vysokým? Dominance jednoho, koncentrovaná hra na jedné polovině hřiště – ideální podmínky pro rohové sázky.
Nakonec: kontext sezóny. Statistiky z prvních pěti kol sezóny jsou méně spolehlivé než z prostředku sezóny. Týmy se na začátku sezóny hledají, testují nové hráče, mění systém. Kolem 10.-12. kola se data stabilizují a začínají být predikčně hodnotná. Na konci sezóny zase vstupuje motivace – tým bojující o záchranu hraje úplně jinak než tým, který už nic nepotřebuje. Tohle žádná statistika nezachytí, ale pro sázkaře je to zásadní. A právě kombinace dat a kontextu tvoří základ strategického přístupu, kterému se podrobněji věnuji v průvodci strategiemi sázení na fotbal.
AI a predikce ve fotbalových sázkách 2026
V roce 2025 v Česku poprvé online gaming předčil pozemní provoz – 60,5 % GGR přichází z online platforem. A s tím přichází i explozivní růst AI nástrojů pro sázení. Jenže zatímco některé AI predikční služby slibují 80-90 % úspěšnost, realita je střízlivější.
Svět fotbalového sázení prochází dynamickou transformací, kde klíčovou roli hraje umělá inteligence. To je pravda. Ale důležité je rozlišit dva typy AI v sázení. Na jedné straně jsou institucionální výzkumné projekty – univerzity, profesionální kluby a analytická oddělení, kteří budují modely na základě akademické metodologie. Studie z KIT/Hoffenheim je příkladem. Tyhle modely mají ověřitelnou přesnost, jasnou metodologii a transparentní limity.
Na druhé straně jsou komerční AI predikční služby, které za měsíční poplatek slibují „garantované tipy“ generované „10 000 simulacemi“. Většina z nich nepublikuje metodologii, neuvádí ověřitelné výsledky a spoléhá na marketing místo dat. Některé skutečně využívají strojové učení, ale bez transparentních výsledků za dostatečně dlouhé období (alespoň 1 000 sázek) nemůžete odlišit schopný model od šťastné série.
Jak AI skutečně mění sázkové kurzy? Bookmakeři používají strojové učení k nastavení úvodních kurzů a k jejich průběžné adjustaci. AI modely zpracovávají obrovské množství dat – historické výsledky, xG, herní statistiky, tržní data, počasí, cestování – a generují kurzy efektivněji než lidský trader. To znamená, že kurzová nabídka velkých operátorů je přesnější než kdy dříve. A to zužuje prostor pro value betting.
Ale nezužuje ho na nulu. AI modely mají stále slabiny: reagují na data, ne na kontext. Nepochopí, že trenér změnil taktiku po mediální konfrontaci. Nezachytí, že tým cestoval 12 hodin autobusem místo letem kvůli zrušenému spoji. Nezmapují, že klíčový hráč prožívá osobní problémy. Lidský element ve fotbale je to, co AI zatím nedokáže plně kvantifikovat – a to je prostor pro analyticky zdatného sázkaře.
Můj přístup k AI: využívám veřejně dostupné xG modely a predikční platformy jako vstupní data, ne jako konečné rozhodnutí. AI mi řekne, co říkají čísla. Já přidám kontext, který čísla nemají. Kombinace obojího je silnější než kterýkoliv přístup samostatně.
Jedno varování na závěr téhle sekce: pokud někdo prodává AI predikce s „garantovanou úspěšností 85 %“, utíkejte. Žádný model na světě nemá takovou úspěšnost na fotbalových sázkách. Akademické modely dosahují 55-66 % a to jsou ty nejlepší. Komerční služba, která tvrdí víc, buď lže, nebo prezentuje cherry-picked výsledky z krátkého období. V sázení platí: čím větší slib, tím větší pravděpodobnost podvodu.