提升“预期射正”指标：对射门执行、门将表现的深入分析，以及针对女子足球的专用模型

有些解说员的台词被重复了无数次，以至于每当球迷在直播比赛中看到射门镜头时，这些话仿佛就会浮现在他们的潜意识里。

然而，关于球员把握绝佳机会的能力，或是门将扑救这些机会的能力，此类主观的陈词滥调究竟有多准确？

在十多年前成功推出“预期进球”（xG）模型后，Opta又推出了一款新模型——“射正预期进球”（xGOT），也称为“射门后预期进球”。xGOT利用Opta的历史射门数据数据库，根据射门的轨迹、球在球门区内的最终落点以及许多其他情境因素，来判断进球的可能性。

如今，OptaAI团队已对xGOT进行了多项优化，使该模型对于解说员、演播室分析师以及俱乐部专职表现分析师而言，变得更加强大。

这款增强版xGOT模型现已针对男子足球和女子足球分别开发了独立模型，数据源自Opta收集的32项男子赛事和31项女子赛事。该模型基于近期历史赛事中超过30万次射正数据进行训练。此外，还有一款专门用于点球的独立模型，该模型基于超过2万次点球数据进行训练。

那么，这些 xGOT 模型现在会考虑哪些因素来提供实时洞察呢？在深入探讨这个问题之前，先简要回顾一下 xGOT 与 xG 的区别。

关于“预期射正”的解释

Opta的预期进球（xG）模型会根据射门位置以及射门瞬间的数十项场上情境因素，来评估一次射门机会的质量。这意味着，近距离的清晰射门机会所产生的预期进球值，将远高于禁区外远距离的冒险射门。

虽然根据射门位置来更准确地预判普通球员的得分能力，有助于评估射门机会的质量，但我们也清楚，不同球员面对同样的机会时，处理方式可能大相径庭。相比直接射向球门正中，若能将球射入球门死角，进球的可能性要大得多。

这就是 xGOT 发挥作用的地方，它能衡量更高层次的语境。

xGOT 通过综合考量潜在机会质量（xG）以及与射门执行相关的信息（包括射门在球门区内的落点位置），来衡量该射正球门射门转化为进球的可能性。

因此，如果我们将xG视为基于射门位置的得分机会质量，那么xGOT则记录射门后的得分机会质量——它会更看重射向球门死角的射门，而非直射球门正中的射门。顾名思义，该模型仅适用于射正的射门，因为如果射门未射正，那么其转化为进球的概率为0%。

以下是上赛季英超联赛中xGOT应用的一个典型案例。

热刺的詹姆斯·麦迪逊在对阵阿斯顿维拉的比赛中主罚一记直接任意球，该位置的预期进球值（xG）为0.12。麦迪逊的这记任意球绕过维拉的人墙，直挂埃米·马丁内斯近角，其预期进球转化值（xGOT）高达0.73。 简而言之，这是一次难度极高的机会——从预期进球值（xG）来看，但球员却以极高的水准完成了这次射门，这体现在远高于预期进球值的预期进球转化值（xGOT）上。

您可以在这里观看马迪森主罚这记任意球的画面（仅限英国）。

那么，xGOT 究竟进行了哪些改进？

无需深入探讨该模型的复杂细节，xGOT 的改进可归纳为以下四个要点：

#1 男足和女足采用不同的赛制

自2023年国际足联女足世界杯以来，Opta统计的女子比赛机会所产生的所有预期进球（xG）值，均采用基于历史女子比赛射门数据训练的专用模型计算得出。有关我们女子比赛预期进球（xG）模型的更多信息，请点击此处。

在 xGOT 的最新版本中，我们现在还分别针对男子和女子比赛建立了独立的模型。男子模型是基于 32 项男子赛事的数据训练而成的，女子模型则是基于 31 项赛事的数据训练而成的。

通过分析去年英格兰、法国、德国、意大利和西班牙顶级女子联赛的xGOT数据，我们可以找出那些射门能力持续提升、从而显著提高自身射门机会质量的球员——她们往往能精准击中皮球，并将射门送入球门死角。

通过“射门预期进球增量”（Shooting Goals Added）这一指标——该指标衡量球员整个赛季累计的预期射门得分（xGOT）超过其预期进球（xG）的总和——我们可以发现，霍芬海姆前锋塞琳娜·塞尔西在运动战中的射门机会质量提升了4.6个进球。这表明，在她的运动战机会中，她不仅能够将球射正，还能将球打在门将难以扑救的理想位置。

#2 更深入的守门员数据分析

除了基础的预期进球（xG）和射门轨迹外，xGOT 现在还纳入了关于守门员位置如何影响进球概率的详细信息。这既涉及守门员与射门轨迹之间的距离，也涉及射门瞬间守门员相对于射门位置和球门的相对位置。

这些信息在xGOT值中得出了直观的结论——例如，距离射门轨迹越近的守门员，扑救成功的概率就越高。 同样地，若守门员站在球门左侧，则更难扑出射向球门右下角的射门。如下图所示，该射门机会质量较高：距离球门14米，初始xG值为0.26，而xGOT值高达0.95。

#3 投篮执行要点

xGOT 现已纳入与射门执行过程相关的额外因素。例如，如果射门被挡出或打偏，这将影响该射门的 xGOT 值；同样，射门时产生的任何偏移也会影响该值。

#4 专用处罚模型

点球在性质上与比赛中的普通射门不同，因为主罚球员在射门时面前没有防守球员阻挡，射门路线畅通无阻，而且在射门瞬间，守门员必须有一只脚踩在球门线上。

因此，我们开发了一个专门基于历史点球数据集训练的独立xGOT模型。

在上赛季欧洲五大男子足球联赛中，拜仁慕尼黑前锋哈里·凯恩在至少主罚过5次点球的球员中，每脚射门预期进球（xGOT）值（0.86）并列最高，他为德甲冠军拜仁慕尼黑9次点球全部命中。

那么，根据预期进球（xGOT）数据，上赛季还有哪些表现突出的球员？

当我们将改进后的模型应用于上赛季英超联赛的每一场比赛时，我们可以发现，埃弗顿队的乔丹·皮克福德凭借其扑救所避免的进球数（6个）超过了其他任何门将。如下图所示，皮克福德预计应失50球（50 xGOT），但在整个赛季中实际仅失44球。

另一个运用xGOT指标来衡量门将扑救能力的指标是“扑救成功率”。该指标根据每位门将面对的射门次数对xGOT指标进行标准化处理，从而能够更公平地比较那些面对大量射门的门将与身前防守更稳固的门将。

例如，在上赛季的西甲联赛中，效力于降级球队莱加内斯的门将马里奥·德米特罗维奇（Mario Dmitrovic）的扑救成功次数（4.75次）超过了皇家马德里的蒂博·库尔图瓦（Thibaut Courtois）（2.8次）。然而，若将两人的扑救数据按面对的射门次数进行标准化处理，我们会发现这两位门将的扑救表现其实不相上下，失球数均为1.1个。

从进攻方的角度来看，我们可以根据初始预期进球（xG）值，结合球员实际射正的预期进球（xGOT）值，来评估球员在面对预期进球质量较低的射门机会时，其射门转化效率究竟如何。另一个很好的例子是奥马尔·马尔穆什去年代表曼城对阵伯恩茅斯时打入的那粒进球，该进球的预期进球（xG）仅为0.02，但射正后的预期进球（xGOT）却高达0.63。

您可以在此处观看这粒进球的视频（仅限英国地区），该进球被评为2024-25赛季英超最佳进球。

如何进一步了解 xGOT 及其应用？

与所有 OptaAI 指标一样，这些数据可通过多种数据源和产品集成进行调用，助您深入剖析球员在门前表现及门将的扑救能力。有关这些解决方案的更多详情，请访问 Stats Perform的产品查找器。

如果您是俱乐部内部的数据科学家，我们的Pro Solutions团队也随时准备为您详细讲解模型的开发过程及全部功能。您可以通过prosolutions@statsperform.com与他们联系。

如需查看 Opta 模型解析的完整列表，请访问 “指标解析”页面。