那就在角落里，没人能救得了它。"
"他们无权拯救"
"你本以为他们十有八九会救"
有些解说员的台词重复出现的频率很高，以至于球迷在现场比赛中每次看到射门时，都会感觉这些台词存在于自己的潜意识中。
然而，球员完成高质量机会的能力或门将阻止机会的能力这些主观陈词滥调的准确性有多高？
继十多年前成功推出预期进球（xG）之后，Opta 又推出了另一个模型--预期目标进球（xGOT）， 也称为射门后 xG。xGOT 利用Opta的历史射门数据数据库，根据射门的轨迹、射门在球门中的最终位置以及许多其他背景因素来确定进球的可能性。
现在，OptaAI 团队对 xGOT 进行了一系列改进，使该模型对评论员、studio 分析师和为俱乐部工作的专职成绩分析师而言更加强大。
这一增强型 xGOT 现在还分为男子足球和女子足球的单独模型，使用Opta 收集的 32 场男子比赛和 31 场女子比赛的数据。该模型已在近期历史比赛的 300,000 多次射门中进行了训练。此外，还有一个专门针对点球的独立模型，该模型已经过 20,000 多次点球训练。
那么，这些 xGOT 模型在提供实时洞察力时考虑了哪些因素呢？在讨论这个问题之前，我们 先来简单了解一下 xGOT 与 xG 的不同之处。
目标预期目标解释
Opta的 xG 模型根据射门位置和射门瞬间的数十个场上环境因素来衡量机会的质量。这意味着近距离射门比远距离投机性射门产生的 xG 值要高得多。
根据射门的位置，我们可以更好地了解一般球员的预期得分，从而洞察机会的质量，但我们也知道，不同球员对同一机会的把握也大不相同。从这次机会中射入上角的可能性要比直接射入球门中路的可能性大得多。
这就是 xGOT 的用武之地，它可以测量更高层次的上下文。
xGOT 根据基本机会质量 (xG) 和与射门执行有关的信息（包括射门端在球门内的位置）的组合，衡量射门命中目标的可能性。
因此，如果我们认为 xG 是基于射门位置的机会质量，那么 xGOT 记录的则是射门后的机会质量--与直接射向球门中路的射门相比，它更倾向于射向角球区的射门。顾名思义，该模型只用于射正目标的射门，因为如果您没有射正目标，那么射门得分的概率为 0%。
下面是上赛季英超联赛中 xGOT 运行的一个很好的例子。
热刺队的詹姆斯-麦迪逊在对阵阿斯顿维拉队的比赛中罚出直接任意球，任意球位置的 xG 值为 0.12。麦迪逊主罚的任意球绕过维拉人墙，打在埃米-马丁内斯的近门柱内，xGOT 值为 0.73。从根本上说，这是一次用 xG 值衡量的高难度机会，但麦迪逊的执行质量却非常高，这反映在更高的 xGOT 值上。
那么，xGOT 是如何改进的呢？
xGOT 的增强功能可归纳为四个关键点，我们不对模型错综复杂的细节进行深入探讨：
#1 男子足球和女子足球的不同模式
自 2023 年国际足联女子世界杯以来，Opta 采集的所有女子比赛中的机会 xG 值都是使用专门的模型生成的，该模型是根据历史女子比赛的射门数据训练而成的。有关女子 xG 模型的更多信息，请点击此处。
在最新迭代的 xGOT 中，我们还为男子和女子比赛分别建立了模型。男子模型是在 32 场男子比赛的数据基础上训练出来的，女子模型则是在 31 场比赛的数据基础上训练出来的。
利用去年英格兰、法国、德国、意大利和西班牙顶级女子联赛中的 xGOT 值，我们可以找出哪些球员的射门能持续提高机会的质量，她们往往能干净利落地击球并将球射向边角。
使用 "增加的射门得分"（Shooting Goals Added）指标（该指标用于衡量球员本赛季 xGOT 总和超过其 xG 的情况），我们可以看到，在开放比赛中，TSG 霍芬海姆队前锋塞琳娜-切尔奇（Selina Cerci）的射门前机会质量提高了 4.6 球。这表明，她在开放比赛中获得的射门机会不仅命中目标，而且射门位置也很好，门将很难扑救。
#2 更深入的门将数据
除了基本的机会质量（xG）和射门轨迹外，xGOT 现在还包含门将位置如何影响进球概率的详细信息。这既与门将与射门轨迹的距离有关，也与射门时门将相对于射门位置和球门的位置有关。
这一信息会导致 xGOT 值的直观结果--例如，更靠近射门轨迹的门将更有可能扑救。同样，站在球门左角的门将扑救向右下角射门的可能性较小，如下图所示，该图显示了一个良好的潜在机会，距离球门 14 米，初始 xG 为 0.26，而 xGOT 值为 0.95。
#3 拍摄执行见解
xGOT 现在可以考虑与击球本身有关的额外限定条件。例如，如果一杆击球偏出或失误，这将会影响到该杆击球的 xGOT 值，同样也会影响到该杆击球时的任何转向。
#4 专门的罚款模式
点球射门的性质不同于开放比赛中的射门，因为射门的球员有一条无争议的、通向球门的清晰路径，而守门员在踢球时必须有一只脚踏在球门线上。
因此，我们开发了一个单独的 xGOT 模型，该模型完全基于历史罚球数据集进行训练。
在上赛季的欧洲男子五大联赛中，拜仁慕尼黑前锋哈里-凯恩是至少尝试过 5 次点球的球员中每次射门 xGOT 值（0.86）最高的球员，他为德甲冠军踢进了 9 个点球中的 9 个。
那么，根据《xGOT》，上一季还有哪些表现突出的演员？
当我们将增强模型应用于上赛季英格兰足球超级联赛的每一次射门时，我们可以看到埃弗顿队的乔丹-皮克福德比其他任何门将都能阻止更多的失球（6 次）。如下图所示，皮克福德的预期失球数为 50 球（50 xGOT 失球数），但他在整个比赛中只丢了 44 球。
另一个应用 xGOT 来说明门将射门能力的指标是 "射门阻止率"（Goals Prevented Rate）。该比率根据每位门将面对的射门次数对 xGOT 指标进行了标准化，这样就能更公平地衡量面对较多射门次数的门将，以及门前防守较强的门将。
例如，在上赛季的西甲联赛中，为降级球队莱加内斯队担任门将的马里奥-德米特罗维奇（Mario Dmitrovic）的场均进球数（4.75）高于皇家马德里队的蒂博特-库尔图瓦（Thibaut Courtois）（2.8）。然而，当我们将他们的射门次数正常化后，我们可以看到这两名门将的场均失球数都是 1.1 个。
从攻击者的角度来看，我们可以根据初始 xG 值了解一名球员在执行基础机会质量相对较低的射门时的效率如何，从而获得 xGOT 值更高的射门机会。另一个很好的例子是奥马尔-马穆什（Omar Marmoush）去年代表曼城对阵伯恩茅斯的进球，其 xG 值为 0.02，但 xGOT 值为 0.63。
您可以在这里观看被评为 2024-25 赛季英超联赛最佳进球的视频（仅限英国）。
如何进一步了解 xGOT 及其应用？
与 OptaAI 的所有指标一样，这些指标可通过一系列馈送和产品集成加以利用，使您能够分享有关球员门前表现和门将射门能力的强大洞察力。有关这些解决方案的更多详情，请访问 Stats Perform的产品搜索器.
如果您是在俱乐部内部工作的数据科学家，我们的专业解决方案团队也可以指导您了解模型的开发和全部功能。请通过prosolutions@statsperform.com与他们联系。
有关Opta 模型说明的完整列表，请访问 指标解释器 页面。
