Análise Comparativa dos Modelos xG e xGOT para Avaliação da Performance de Finalizadores no Futebol

Abstract

Atualmente, a análise estatística no futebol é conduzida com base em modelos quantitativos que buscam compreender o desempenho dos jogadores a partir de grandes volumes de dados. A aplicação desses modelos visa apoiar decisões estratégicas, personalizar treinos e aprimorar a avaliação de performance em contextos de alta competitividade. Nesse cenário, as métricas de Expected Goals (xG) e Expected Goals on Target (xGOT) têm se destacado como instrumentos de apoio à análise ofensiva, permitindo estimar a probabilidade de conversão de finalizações com base em variáveis pré e pós-chute. Este trabalho apresenta um estudo comparativo entre os modelos xG e xGOT, desenvolvidos por meio de regressão logística e aplicados à avaliação de jogadores da Série A do Campeonato Brasileiro de Futebol entre 2020 e 2024. A pesquisa adota uma abordagem fundamentada em mineração de dados, com coleta automatizada via API do SofaScore e aplicação da metodologia CRISP-DM para o desenvolvimento e validação dos modelos. Os resultados evidenciam que o modelo xGOT, ao incorporar variáveis relacionadas à localização da bola na meta, apresenta desempenho preditivo superior em relação ao xG, oferecendo maior sensibilidade na identificação de gols e melhor interpretação da qualidade das finalizações. A análise comparativa demonstra que a integração das métricas xG e xGOT fornece uma visão mais abrangente da performance ofensiva, distinguindo a qualidade da criação de oportunidades da eficiência na execução. Conclui-se que o uso combinado dessas métricas amplia o potencial de modelos preditivos como ferramenta de suporte à tomada de decisão no futebol profissional.

Currently, statistical analysis in football is conducted through quantitative models that aim to understand player performance based on large volumes of data. The application of these models seeks to support strategic decision-making, personalize training, and improve performance evaluation in highly competitive contexts. In this scenario, the Expected Goals (xG) and Expected Goals on Target (xGOT) metrics have emerged as key tools for offensive analysis, allowing the estimation of scoring probability based on pre- and post-shot variables. This study presents a comparative analysis between the xG and xGOT models, developed through logistic regression and applied to the evaluation of players in Brazil’s Série A Championship from 2020 to 2024. The research adopts a data-driven approach, with automated data collection via the SofaScore API and the use of the CRISP-DM methodology for model development and validation. The results show that the xGOT model, by incorporating variables related to the ball’s location in the goal, achieves superior predictive performance compared to the xG model, offering greater sensitivity in goal identification and a more accurate interpretation of shot quality. The comparative analysis demonstrates that integrating xG and xGOT provides a broader understanding of offensive performance, distinguishing the quality of chance creation from the efficiency of execution. It is concluded that the combined use of these metrics enhances the potential of predictive models as decision-support tools in professional football.