xG (beklenen gol) modern futbol analizinin en tanıdık metriği oldu, ama önemli bir kör noktası var: xG sadece şutu ölçüyor. Peki ya golü hazırlayan pas? Ya rakip savunmayı çözen o orta saha dripling’i? Bir oyuncu hiç şut çekmeden, hatta hiç asist yapmadan bile maça muazzam bir katkı sağlayabilir. İşte tam bu boşluğu doldurmak için geliştirilen metriğin adı: Expected Threat, kısaca xT.
xT Aslında Ne Soruyor?
xT’nin arkasındaki soru basit ama derin: Topu sahanın bir noktasından diğerine taşımak, gol atma ihtimalini ne kadar artırdı? Bunu anlamak için saha, küçük hücrelere (genelde 16×12’lik bir ızgaraya) bölünüyor ve her hücreye, o bölgeden başlayan bir hücumun sonunda gol atılma olasılığına dayanan bir değer atanıyor. Kale çizgisine yakın hücrelerin değeri yüksek, kendi kalenize yakın hücrelerin değeri düşük — mantıken beklediğiniz gibi.
Bir oyuncu topu düşük değerli bir hücreden yüksek değerli bir hücreye taşıdığında (pasla ya da dripling’le), bu hareketin xT değeri, iki hücre arasındaki farka eşit oluyor. Yani xT, sadece “kim gol attı” sorusuna değil, “kim golün önünü açtı” sorusuna da sayısal bir cevap veriyor.
xG’den Farkı Ne?
xG (beklenen gol), tek bir anı — şutun anını — değerlendirir: bu pozisyondan şut çekilirse, gol olma ihtimali nedir? xT ise daha geniş bir zaman dilimini kapsıyor: bir hücumun tamamı boyunca, topun her hareketinin gol ihtimaline katkısını izliyor. Bu iki metriğin birlikte nasıl kullanıldığını ve xG’nin ötesinde hangi başka metriklerin geliştirildiğini merak ediyorsan xG’nin ötesi: xA, xPoints ve post-shot xG yazımıza göz atabilirsin — xT de aslında bu ailenin bir üyesi, ama pas ve taşıma hareketlerine odaklanan tarafı.
xT Nasıl Hesaplanıyor?
xT’nin matematiği ilk bakışta biraz sarmal görünebilir çünkü bir hücrenin değeri, komşu hücrelerin değerlerine bağlı — ki onların değeri de kendi komşularına bağlı. Bu döngüsel yapı, modelin adım adım (iteratif) çözülmesini gerektiriyor: önce tüm hücreler sıfırdan başlatılıyor, sonra model birkaç kez “döndürülerek” değerler stabilleşene kadar güncelleniyor. Bu, olasılık temelli modellerin sıkça kullandığı bir yaklaşım ve aslında olasılık dağılımlarıyla skor tahmini yapan Poisson dağılımı yazımızda bahsettiğimiz mantığa da benzer bir sabırlı, adım adım yaklaşım gerektiriyor.
Bu hesaplamayı kendiniz denemek isterseniz, gerekli olan şey ham olay verisi (event data) — yani her pasın, driblingin ve şutun sahadaki koordinatlarını içeren bir veri seti. Böyle bir veriye nereden ulaşabileceğinizi futbol verisi kaynakları rehberimizde anlattık; StatsBomb’ın açık verisi bu tür bir analiz için iyi bir başlangıç noktası olabilir.
xT Neden Önemli?
xT’nin en güçlü yanı, geleneksel istatistiklerin gözden kaçırdığı oyuncuları öne çıkarabilmesi. Örneğin bir bek, sezon boyunca hiç gol atmamış, hiç asist yapmamış olabilir — ama topu sürekli tehlikeli bölgelere taşıyarak takımının hücumuna sessizce büyük katkı sağlamış olabilir. xT, işte bu “görünmeyen katkıyı” sayısallaştırıyor. Bu yüzden özellikle scouting (oyuncu keşfi) ve taktik analizinde giderek daha fazla kullanılıyor.
Bu tür ileri metrikleri kendi görselleştirmelerinizde kullanmak isterseniz, bir başlangıç noktası olarak Python ile şut haritası çizme rehberimize göz atabilirsiniz; benzer mantıkla bir xT ısı haritası da oluşturmak mümkün.
Kaynağına İnmek İsteyenler İçin
xT kavramını bugünkü yaygın hâliyle tanımlayan kişi, veri analisti Karun Singh’dir; 2018’de yayınladığı orijinal makale hâlâ konunun referans noktası sayılıyor. Metriğin matematiksel temellerini birinci elden, detaylı şekilde görmek isterseniz Karun Singh’in orijinal “Introducing Expected Threat” yazısına göz atabilirsiniz.
Son Söz
xT, futbolu “kim golü attı”nın ötesinde, “kim o golü mümkün kıldı” sorusuyla okumamızı sağlıyor. Modern analistlerin oyuncu değerlendirmesinde xG kadar sık başvurduğu bir araç hâline gelmesi de tesadüf değil. Sen hangi oyuncunun “görünmeyen katkısını” merak ediyorsun? Elindeki veriyle bir xT hesaplaması denemek istersen, yukarıdaki rehberlerimiz iyi bir başlangıç olabilir.