Un 0-0 peut cacher un match complètement déséquilibré, et un 3-1 flatteur récompenser une équipe qui n’a rien fait. Le score final ment souvent : il ne dit pas combien de buts une équipe aurait dû marquer. C’est exactement ce que mesurent les xG, et c’est un outil redoutable pour aborder les marchés Over/Under.
Dans cet article de la série Stratégie, on entre dans la mécanique : définir les buts attendus, comprendre pourquoi ils battent le simple score comme indicateur, puis s’en servir pour estimer le nombre de buts d’un match et le comparer à la ligne du bookmaker afin de repérer de la value. Chiffres à l’appui, et toutes les cotes au format décimal.
🎯 Les xG, c’est quoi au juste ?
Les xG (expected goals, ou buts attendus) mesurent la probabilité qu’un tir se transforme en but compte tenu de sa qualité. À chaque frappe, un modèle attribue une valeur entre 0 et 1 en fonction de plusieurs paramètres : la distance au but, l’angle de tir, la partie du corps (pied / tête), le type d’action (jeu ouvert, contre, coup de pied arrêté, penalty), la pression défensive…
Un exemple parlant : une frappe des 25 mètres dans un angle fermé vaut peut-être 0,03 xG (3 chances sur 100 de finir au fond), tandis qu’un face-à-face à 6 mètres vaut 0,45 xG. Un penalty tourne autour de 0,76 xG. Le xG d’un match, pour une équipe, est simplement la somme des xG de tous ses tirs : c’est le nombre de buts qu’elle « méritait » statistiquement au vu des occasions créées.
🔑 L’idée en une ligne
xG du match = somme des xG de chaque tir. Créer 2,1 xG et n’inscrire qu’un but, c’est avoir manqué de réussite ; inscrire 3 buts pour 0,9 xG, c’est avoir surperformé.
📊 Pourquoi les xG battent le simple score
Le football est un sport à faible nombre de buts, donc à forte variance. Sur un match, la réussite (ou la malchance) devant le but peut faire basculer le résultat sans refléter la physionomie réelle. Le score est un échantillon minuscule ; les xG, eux, résument l’ensemble du volume et de la qualité des occasions.
L’intérêt stratégique : repérer les équipes qui sur- ou sous-performent leur xG. Une équipe qui marque nettement plus que ses xG créés sur quelques matchs bénéficie souvent d’une réussite non durable : statistiquement, elle a de bonnes chances de régresser vers la moyenne. À l’inverse, une équipe qui domine (xG élevés) mais enchaîne les contre-performances est souvent sous-cotée par le marché grand public, qui ne regarde que les résultats bruts. C’est précisément dans cet écart entre perception (le score) et réalité (les xG) que se logent des opportunités.
🧮 Estimer les buts attendus d’un match
Pour un marché Over/Under, ce qui compte, c’est le total de buts attendu de la rencontre. On le construit à partir de quatre chiffres, disponibles sur les bases statistiques : pour chaque équipe, ses xG créés par match (force offensive) et ses xG concédés par match (solidité défensive), en moyenne sur la saison.
La méthode simple consiste à croiser l’attaque de chacun avec la défense de l’adversaire :
🔑 Buts attendus de chaque équipe
Buts attendus Équipe A = moyenne (xG créés par A ; xG concédés par B)
Buts attendus Équipe B = moyenne (xG créés par B ; xG concédés par A)
C’est volontairement basique : en pratique on affine avec la moyenne de buts de la ligue et l’avantage du terrain (une équipe crée généralement plus d’occasions à domicile). Mais cette version suffit pour saisir le raisonnement.
🔢 Exemple chiffré complet
Prenons une rencontre fictive entre une « Équipe A » et une « Équipe B », avec les moyennes de saison suivantes :
| Équipe | xG créés / match (attaque) | xG concédés / match (défense) |
|---|---|---|
| Équipe A | 1,6 | 1,1 |
| Équipe B | 1,3 | 1,4 |
Valeurs illustratives, choisies pour l’exemple. Ce ne sont pas des données réelles.
On applique la méthode :
- Buts attendus Équipe A = moyenne (1,6 ; 1,4) = 1,5
- Buts attendus Équipe B = moyenne (1,3 ; 1,1) = 1,2
- Total attendu du match = 1,5 + 1,2 = 2,7 buts
On obtient un total attendu λ = 2,7 buts (on pourrait le pousser vers 2,9-3,0 en intégrant l’avantage du terrain de l’Équipe A). Reste à transformer ce 2,7 en probabilités de dépasser, ou non, la ligne de 2,5 buts.
📈 De 2,7 buts attendus aux probabilités : la loi de Poisson
Un total attendu de 2,7 ne veut pas dire qu’il y aura 2,7 buts (impossible) : c’est une moyenne. Le nombre réel sera 0, 1, 2, 3… La loi de Poisson est l’outil standard pour répartir cette moyenne en probabilités pour chaque nombre de buts — sans entrer dans la formule, elle répond à : « sachant qu’on attend 2,7 buts en moyenne, quelle est la chance d’en voir exactement 0, 1, 2… ? »
Avec λ = 2,7, elle donne :
| Nombre de buts dans le match | Probabilité (Poisson, λ = 2,7) |
|---|---|
| 0 but | 6,7 % |
| 1 but | 18,1 % |
| 2 buts | 24,5 % |
| 3 buts | 22,0 % |
| 4 buts | 14,9 % |
| 5 buts et plus | 13,8 % |
Probabilités arrondies, exemple pédagogique.
Pour le marché Over/Under 2,5 buts, on regroupe :
- Under 2,5 (0, 1 ou 2 buts) : 6,7 + 18,1 + 24,5 = 49,4 %
- Over 2,5 (3 buts et plus) : 100 − 49,4 = 50,6 %
Notre modèle estime donc l’Over 2,5 à 50,6 %, ce qui correspond à une cote « juste » de 1 ÷ 0,506 = 1.98.
💰 Comparer à la ligne du bookmaker : où est la value ?
Il ne reste qu’à confronter notre estimation à la cote proposée. Imaginons que le bookmaker affiche l’Over 2,5 à 2.10. Sa probabilité implicite est :
Proba implicite = 1 ÷ cote = 1 ÷ 2,10 = 47,6 %
Le marché « price » l’Over 2,5 à 47,6 % alors que notre modèle l’estime à 50,6 %. Notre probabilité est supérieure à l’implicite : il y a potentiellement de la value. On le confirme avec l’espérance de valeur (EV, pour 1 € misé) :
🔑 Le calcul de value
EV = p × (cote − 1) − (1 − p)
EV = 0,506 × (2,10 − 1) − 0,494
EV = 0,556 − 0,494 = +0,062, soit +6,2 %
L’EV est positive : à ce prix, et si notre estimation des xG est juste, l’Over 2,5 rapporte en moyenne 6 centimes par euro sur le long terme. À l’inverse, si le book affichait l’Over 2,5 à 1.85 (implicite 54,1 %, supérieure à nos 50,6 %), il n’y aurait pas de value : on passerait son chemin. Toute la démarche tient dans cette comparaison proba estimée vs proba implicite.
⚠️ Les limites à garder en tête
La méthode est puissante, mais elle n’est pas une machine à gagner. Ses angles morts :
- Petits échantillons. Des xG calculés sur 4 ou 5 matchs sont très bruités. Il faut un volume suffisant (souvent 8-10 matchs minimum) pour que les moyennes soient fiables.
- Les xG ne captent pas tout. Contexte tactique, absence d’un buteur clé, compositions remaniées, météo, enjeu (match déjà joué en fin de saison), fatigue… autant de facteurs invisibles pour le modèle.
- Fournisseurs différents. Deux modèles de xG (Opta, Understat, fbref…) donnent des valeurs légèrement différentes pour le même tir : comparer des chiffres de sources distinctes est trompeur.
- Marchés efficients. Les bookmakers utilisent eux aussi des modèles de buts attendus, souvent plus sophistiqués. La value réelle est rare ; un écart de quelques dixièmes de pourcent ne suffit pas à couvrir la marge.
En clair : les xG affinent votre lecture, ils ne la remplacent pas. Un modèle simple sert à filtrer les lignes où le marché s’écarte nettement de votre estimation, pas à parier mécaniquement chaque match.
🇫🇷 En France : sources, opérateurs et bon sens
Les données de xG sont accessibles gratuitement sur des sites de référence comme fbref ou Understat, qui publient les xG créés et concédés par équipe et par match pour les grands championnats (Ligue 1, Premier League, Liga, Serie A, Bundesliga…). De quoi alimenter le petit modèle décrit ici sans outil payant.
Côté paris, seuls les opérateurs agréés par l’ANJ (Autorité Nationale des Jeux) sont autorisés en France. Le marché Over/Under 2,5 y est proposé partout, ce qui rend la comparaison des cotes d’autant plus utile : à probabilité estimée identique, quelques centièmes de cote en plus font toute la différence sur la value.
📊 Traduisez votre estimation en meilleure cote
Une fois votre probabilité estimée (ici 50,6 % sur l’Over 2,5), la value dépend entièrement de la cote que vous obtenez. Jouer 2.10 plutôt que 1.95 sur le même pari transforme une value marginale en value nette. C’est le rôle de notre comparateur : aligner en temps réel les cotes Over/Under des bookmakers agréés par l’ANJ et vous indiquer, marché par marché, où se trouve la meilleure.
🧠 À retenir
- Les xG mesurent la qualité des occasions : xG du match = somme des xG de chaque tir.
- Ils battent le score comme indicateur de performance : repérez les équipes qui sur- ou sous-performent leurs xG (régression vers la moyenne).
- Total attendu = attaque de l’un × défense de l’autre : dans notre exemple, 1,5 + 1,2 = 2,7 buts.
- La loi de Poisson convertit ce 2,7 en probabilités : Over 2,5 ≈ 50,6 %, soit une cote juste de 1.98.
- Value = proba estimée > proba implicite (1÷cote). Over 2,5 à 2.10 (implicite 47,6 %) donne une EV de +6,2 %.
- Prudence : petits échantillons, facteurs hors xG, fournisseurs différents, marchés efficients. Un filtre, pas une recette automatique.
- La cote fait la value : sources fbref/Understat pour les xG, comparateur Coteur pour la meilleure cote.
Les xG ne prédisent pas l’avenir : ils chiffrent l’incertitude pour parier plus lucidement. 📈