wosobl

Momoko Tanikawa: Catch her if you can “It's like trying to catch smoke... like trying to catch smoke with your bare hands”

Momoko Tanikawa: Catch her if you can

“It's like trying to catch smoke... like trying to catch smoke with your bare hands”

@mclark98.bsky.social with an in-depth analysis. Despite some non analysis related errors very interesting!

maryamnaz.substack.com/p/momoko-tan...

#woso #女子サッカー #谷川萌々子

This really sucks. Also seems like there's a huge gap with women's soccer that, for some reason beyond my comprehension, is only increasing with time.

Und natürlich trifft das den Frauenfußball ganz besonders…

andererseits für die Abschlussstärke der Schützin. Um die Schützin zu beurteilen, ist es wichtig zu wissen, wie die Torhüterin steht. Aber aus Torhüterinnensicht sollte eine schlechte Positionierung nicht belohnt werden (sofern diese nicht auch noch separat betrachtet wird).

Ein ähnliches Problem gibt es bei PSxG (also die Torwahrscheinlichkeit nachdem der Schuss abgegeben wurde) und etwa der Torhüterinnenposition. PSxG wird einerseits für die Bewertung der Torhüterin verwendet (wie viele Tore hat sie im Vergleich zur Durchschnittstorhüterin verhindert),

Für 1. muss xG offensichtlich spielerinnenunabhängig sein, aber für 2. ist die Spielerin, die den Schuss abgibt, eine zusätzliche Information, die aus Modellierungssicht einbezogen werden muss. Und wie der Text zeigt, sind die Unterscheide meist nicht besonders groß, aber durchaus relevant.

Ein guter Text zu häufigen Kritikpunkten an (Kommunikation von) xG. Ein Problem aus meiner Sicht ist, dass xG oft für zwei unterschiedliche Dinge verwendet wird, die auseinander gehen: 1. um die Abschlussstärke von Spielerinnen zu beurteilen und 2. um Vorhersagen zur Teamstärke zu treffen.

Hab gehofft, Kamber würde erst im Sommer wechseln. Basel verliert die beste Spielerin, aber zumindest geht sie in die Bundesliga. Mal schauen, wie die Ablöse verwendet wird, im Umbruch soll es eine Strategie geben und vielleicht kann ich sie ja irgendwann auch erkennen

xG-Verlaufsdiagramm für das Spiel zwischen Bayer Leverkusen und Bayern München am 14. Spieltag der Frauen-Bundesliga. 22.12.2025, Ulrich-Haberland-Stadion (3.011 Zuschauer:innen). Endstand: 0 zu 3. Abschlüsse: 8 zu 11. Expected Goals: 0.58 zu 2.72. Post-Shot Expected Goals: 0.66 zu 2.99. Non-Penalty Expected Goals pro Abschluss: 0.07 zu 0.07. Wichtige Ereignisse: 16': Tor von Kett mit 0.10 xG, 25': verschossener Strafstoß von Harder, 75': Elfmetertor von Tanikawa mit 0.73 xG, 86': Elfmetertor von Stanway mit 0.73 xG.

Bayer Leverkusen 0 - 3 Bayern München
meiste npxG: Cornelia Kramer (0.33)
meiste xAG: Loreen Bender (0.20)
#B04FCB #DieLiga #Bayer04Frauen #Werkself #FCBayern #FCBayernFrauen

xG-Verlaufsdiagramm für das Spiel zwischen VfL Wolfsburg und Hamburger SV am 14. Spieltag der Frauen-Bundesliga. 21.12.2025, AOK Stadion (3.521 Zuschauer:innen). Endstand: 3 zu 1. Abschlüsse: 27 zu 1. Expected Goals: 2.87 zu 0.04. Post-Shot Expected Goals: 1.66 zu 0.50. Non-Penalty Expected Goals pro Abschluss: 0.11 zu 0.04. Wichtige Ereignisse: 51': Tor von Stoldt mit 0.04 xG, 69': Tor von Popp mit 0.17 xG, 80': Tor von Popp mit 0.16 xG, 90+3': Tor von Bussy mit 0.21 xG.

VfL Wolfsburg 3 - 1 Hamburger SV
meiste xG: Alexandra Popp (1.03)
meiste xAG: Svenja Huth (0.96)
#WOBHSV #DieLiga #VfLWolfsburgFrauen #Wölfinnen #HSV #HSVFrauen

xG-Verlaufsdiagramm für das Spiel zwischen RB Leipzig und FC Köln am 14. Spieltag der Frauen-Bundesliga. 21.12.2025, Trainingszentrum RB Leipzig Platz 1 (854 Zuschauer:innen). Endstand: 0 zu 1. Abschlüsse: 9 zu 16. Expected Goals: 0.91 zu 1.15. Post-Shot Expected Goals: 0.74 zu 2.26. Non-Penalty Expected Goals pro Abschluss: 0.12 zu 0.07. Wichtige Ereignisse: 48': Tor von Jessen mit 0.25 xG.

RB Leipzig 0 - 1 FC Köln
meiste xG: Sandra Jessen (0.41)
meiste xAG: Laura Feiersinger (0.23)
#RBLKOE #DieLiga #RBL #RBLFrauen #Effzeh #EffzehFrauen

xG-Verlaufsdiagramm für das Spiel zwischen SC Freiburg und Werder Bremen am 14. Spieltag der Frauen-Bundesliga. 21.12.2025, Dreisamstadion (3.701 Zuschauer:innen). Endstand: 3 zu 0. Abschlüsse: 14 zu 13. Expected Goals: 1.66 zu 0.85. Post-Shot Expected Goals: 2.82 zu 0.21. Non-Penalty Expected Goals pro Abschluss: 0.12 zu 0.07. Wichtige Ereignisse: 34': Tor von Egli mit 0.03 xG, 43': Tor von Egli mit 0.09 xG, 80': Tor von Fölmli mit 0.15 xG.

SC Freiburg 3 - 0 Werder Bremen
meiste xG: Luca Birkholz (0.56)
meiste xAG: Nicole Ojukwu (0.38)
#SCFSVW #DieLiga #SCF #SCFrauen #Werder #WerderFrauen

xG-Verlaufsdiagramm für das Spiel zwischen 1. FC Nürnberg und Union Berlin am 14. Spieltag der Frauen-Bundesliga. 20.12.2025, Max-Morlock-Stadion (1.178 Zuschauer:innen). Endstand: 1 zu 2. Abschlüsse: 8 zu 11. Expected Goals: 0.27 zu 1.83. Post-Shot Expected Goals: 0.21 zu 3.16. Non-Penalty Expected Goals pro Abschluss: 0.03 zu 0.12. Wichtige Ereignisse: 35': Tor von Campbell mit 0.33 xG, 38': Elfmetertor von Heiseler mit 0.73 xG, 40': Tor von Polášková mit 0.03 xG.

1. FC Nürnberg 1 - 2 Union Berlin
meiste npxG: Dina Orschmann (0.38)
meiste xAG: Eileen Campbell (0.27)
#FCNFCU #DieLiga #FCN #ClubFrauen #FCUnion #EiserneLadies

xG-Verlaufsdiagramm für das Spiel zwischen TSG Hoffenheim und Carl Zeiss Jena am 14. Spieltag der Frauen-Bundesliga. 20.12.2025, Dietmar-Hopp-Stadion (693 Zuschauer:innen). Endstand: 5 zu 1. Abschlüsse: 22 zu 4. Expected Goals: 2.29 zu 0.84. Post-Shot Expected Goals: 3.39 zu 0.77. Non-Penalty Expected Goals pro Abschluss: 0.10 zu 0.04. Wichtige Ereignisse: 10': Tor von Cerci mit 0.06 xG, 53': Tor von Kössler mit 0.17 xG, 60': Tor von Harsch mit 0.20 xG, 62': Tor von Cerci mit 0.86 xG, 77': Elfmetertor von Juckel mit 0.73 xG, 79': Tor von Hahn mit 0.05 xG.

TSG Hoffenheim 5 - 1 Carl Zeiss Jena
meiste xG: Selina Cerci (0.96)
meiste xAG: Janna Grimm (0.21)
#TSGFCC #DieLiga #TSGFrauen #HoffeFrauen #FCC #FCCFrauen

xG-Verlaufsdiagramm für das Spiel zwischen SGS Essen und Eintracht Frankfurt am 14. Spieltag der Frauen-Bundesliga. 19.12.2025, Stadion an der Hafenstraße (2.012 Zuschauer:innen). Endstand: 1 zu 4. Abschlüsse: 8 zu 23. Expected Goals: 0.33 zu 3.39. Post-Shot Expected Goals: 0.73 zu 5.37. Non-Penalty Expected Goals pro Abschluss: 0.04 zu 0.16. Wichtige Ereignisse: 17': Tor von Reuteler mit 0.20 xG, 27': Tor von Memeti mit 0.05 xG, 37': Tor von Anyomi mit 0.50 xG, 48': Tor von Anyomi mit 0.17 xG, 89': Tor von Müggenburg mit 0.03 xG.

SGS Essen 1 - 4 Eintracht Frankfurt
meiste xG: Géraldine Reuteler (0.82)
meiste xAG: Nicole Anyomi (1.04)
#SGSSGE #DieLiga #SGS #SGSEssen #SGE #EintrachtFrauen

Und zum Schluss: Solche Machine-Learning-Modelle sind nur so gut wie ihre Trainingsdaten. Einerseits sind diese Daten aus bekannten Gründen noch nicht so gut und zahlreich vorhanden und andererseits müssen einflussreiche Modelle wie das von Opta wohl besser kalibriert werden.

What Opta's xG Model can tell us about Women's Football Across the world, attacking quality is outstripping goalkeeping ability... except in the NWSL

Und weil ich schon viel zu lange an dem kleinen Projekt sitze, gibt es mittlerweile noch eine ähnliche Analyse (teilweise $ und auch Start einer Reihe):

Die Idee für viele der Plots kommt von einem Artikel, der die WSL und EPL vergleicht, den ich aber nicht mehr wiederfinde. Ein Artikel mit tiefergehender Analyse, welche Faktoren die xG in genderspezifischen Modellen beeinflussen, findet sich hier:

Balkendiagramm der xG pro Schuss nach Situation.

Ein ähnliches Bild ergibt sich, wenn wir uns verschiedene Spielsituationen anschauen. Die größten Abweichungen sind hier bei individuellen Aktionen (Interception, Dribbling) und auch bei direkten Freistoßtoren sowie Nachschüssen.

Balkendiagramm der xG pro Schuss nach Körperteil.

Man kann sich auch anschauen, mit welchem Körperteil Tore erzielt werden. Der Anteil der Tore ist sehr ähnlich, aber leicht höher in den Frauenligen bei gleichzeitig etwas geringeren xG-Werten.

Bubblediagramm der relativen Abweichung der erzielten Tore pro xG-Wert (100+ Schüsse). xG auf der x-Achse, relative Abweichung (Tore-xG)/xG auf der y-Achse. Die Bubblegröße gibt die Anzahl Schüsse an.

In der Abweichung pro xG-Wert ist zu erkennen, dass Schüsse mit 0,01 xG deutlich über doppelt so wahrscheinlich im Tor landen. Die xG-Werte sind zudem systematisch zu tief.

Streudiagramm mit 95%-Konfidenzintervall der Ligen. Entfernung zum Tor auf der x-Achse und Anteil Tore auf der y-Achse.

In den gefallenen Toren ist dieser Unterschied aber nicht vorhanden: Auch hier sind die Kurven fast identisch, aber Schüsse aus etwa 5-8 Metern sowie ein paar Meter vor der Strafraumgrenze gehen leicht häufiger rein als in den Männerligen.

Streudiagramm mit 95%-Konfidenzintervall der Ligen. Entfernung zum Tor auf der x-Achse und xG auf der y-Achse.

Noch etwas Ursachenforschung: Opta gibt die Entfernung zum Tor als einen Unterschied in den Modellen an. Die xG-Werte nach Distanz sind sehr ähnlich. Bei sehr nahen Schüssen und solchen aus über 11 bis einige Meter vor dem Strafraum sind die xG in den Frauenligen leicht geringer als in Männerligen.

In der Frauen-Bundesliga schießen Teams im Schnitt 0,16 Tore mehr pro Spiel als ihre xG (also etwa 3,5 Tore pro Saison), was eine doppelt so große Abweichung ist wie in der Männer-Bundesliga (welche die größte Abweichung unter den Männerligen hat).

Graphen pro Land der Kerndichteschätzer für die Abweichung der xG von erzielten Toren pro Team über eine Saison, normalisiert auf 90 Minuten. Durchnittliche Abweichungen: Frauen-Bundesliga (0.16) Männer-Bundesliga (0.08) WSL (0.21) Premier League (-0.01) Liga F (0.13) La Liga (-0.04) Première Ligue (0.23) Ligue 1 (-0.05) Serie A Femminile (0.20) Serie A (0.01) NWSL (-0.12) MLS (0.02)

Auch hier können wir uns die einzelnen Ligen anschauen: Für alle Frauenligen sind die xG-Werte weiter von tatsächlichen Toren entfernt als in jeder der Männerligen.

Histogramm der Abweichung der xG von erzielten Toren pro Team über eine Saison, normalisiert auf 90 Minuten. Teams der Frauenligen (n=226) haben eine durchschnittliche Abweichung von +0,129, Teams in Männerligen eine von 0,003.

Für die Frauenligen ist die gesamte Verteilung in Richtung mehr Tore als xG verschoben, aber besonders auffällig sind einige Teams mit über einem halben Tor mehr als xG pro Spiel (es ist auch nicht schwer zu erraten, welche das sind).

Expected Goals in Women’s Competitions Opta’s xG measures chances in women’s competitions with a separate model. It was found that some variables, like distance to goal and the goalkeeper’s likelihood of making a save, had a greater influence on the likelihood of a chance being scored in women’s competitions. For example, we found that if we used the men’s model for women’s shots, we would be underestimating the effect of distance for close-range shots while we would be overestimating the effect of distance for long-range shots. To preserve the benefits of the depth of historic data in the men’s competitions, the women’s model is powered by the same features described above but it is re-trained on relevant data across nine major women’s competitions between 2018-19 and 2021-22. The result is a model that is even more accurate at reflecting goalscoring opportunities that has been used across international coverage of the Women’s World Cup 2023 such as on ESPN and Fox Sports.

Opta verwendet jeweils angepasste Modelle für Frauen- und Männerfußball. So wie ich die Selbstbeschreibung von Opta verstehe, wurde das Modell komplett neu nur mit Frauendaten trainiert. Insbesondere der Zeitraum der Daten ist angesichts der schnelleren Entwicklung relevanter als im Männerfußball.

Diese Stürmer:innen sind natürlich häufiger in den besten Teams. Dieser Effekt ist im Frauenfußball noch deutlich stärker. Am nächsten an 1 sind die US-amerikanischen Ligen, weil sie eingebaute Mechanismen haben, die Ungleichheiten ausgleichen sollen, und in der Premier League (wegen Geld).

Scatterplots xG/90 vs. Tore/90 der einzelnen Ligen. n Steigung r2 Liga-F 48 1.234063 0.974508 FBL 36 1.289306 0.939812 Serie-A 30 1.534305 0.922742 Premiere-Ligue 36 1.32439 0.903861 BL 54 1.288893 0.898659 La-Liga-Men 60 1.197135 0.877702 WSL 36 1.147576 0.852848 Serie-A-Men 60 1.250418 0.850853 PL 60 1.112105 0.829861 Ligue-1-Men 56 1.121579 0.814389 NWSL 40 1.013403 0.648417 MLS 88 1.156172 0.634578

Die Serie A und Première Ligue sind die ungleichsten Ligen. Grundsätzlich ist eine Steigung von >1 zu erwarten, weil Teams die am meisten xG generieren, auch oft Angreiferinnen haben, die ihre xG eher überperformen.

Streudiagramm mit xG/90 auf der x-Achse und Tore/90 auf der y-Achse. Teams der Frauenligen (n=226) haben eine linearen Fit mit Steigung 1,26 (R^2=0,89). Teams der Männerligen (n=378) haben eine linearen Fit mit Steigung 1,18 (R^2=0,82). Die marginalen Verteilungen der Frauenteams sind jeweils flacher als die der Männerteams.

Was als Erstes auffällt: Die Top-Frauenligen sind deutlich ungleicher als die Top-Männerligen. Sowohl die Varianz als auch die Steigung der Tore gegen xG ist in den Frauenligen höher. Das ist angesichts der historischen und andauernden Diskriminierung natürlich nicht verwunderlich.