Känner du igen frustrationen när du köper in en spelare som precis gjort
mycket poäng, bara för att han plötsligt slutar leverera? Du är inte ensam.
Sanningen är att tidigare poängskördar ofta handlar lika mycket om tillfällig
tur som om skicklighet.

Det är här Expected Fantasy Points (xFP) kommer in i bilden.

Expected Fantasy Points (xFP) är våran modell för att uppskatta hur
många fantasypoäng en spelare förväntas ta i kommande matcher. I stället för
att titta på poängsnitt - som lika gärna kan spegla tur som skicklighet -
analyserar xFP den underliggande prestationen: tex varje passning, skott,
tackling, osv., som spelaren och lagen runt honom producerar

xFP tittar under ytan. Istället för att bara räkna historiska poäng analyserar
vår modell spelarens faktiska prestation på planen. Resultatet blir en siffra
som svarar på en enda fråga: Givet allt vi vet om den här spelarens form, hans
lag, det kommande motståndet och matchkontexten – hur många poäng borde
han ta?

Rätt spelare vid rätt tillfälle

Eftersom du behöver fatta olika typer av beslut i Fantasy har vi skapat xFP för
fyra olika tidshorisonter:

• xFP 1 – nästa match (perfekt för kaptenval)
• xFP 3-7 – Visar snittet över tid och slumpen
  jämnas ut. Detta hjälper dig att bygga en stabil trupp på sikt och hitta
  spelare som har ett bra spelschema framför sig, så att du slipper oroa dig
  för tillfälliga formdippar. En spelare som xFP 7 värderar högt har
  troligen en stabil grund att stå på, oavsett om han råkar bli utbytt i den
  55:e minuten en enskild omgång.

Modellen uppdateras efter varje omgång och hanterar all avancerad statistik
så att du slipper. Här är några av de smarta detaljerna den väger in:

• Kvalitet och hot — Modellen vet vilka spelare som kommer till farliga
  avslut (xG) och vilka som driver bollen till farliga ytor (xT) – så att du
  kan plocka in spelarna innan målen väljer att trilla in.
• Pålitlighet — Vi mäter spelarnas stabilitet. Vår modell vet att en spelare
  som konsekvent plockar 4 poäng per match är ett tryggare val än någon
  som varvar bottennapp med plötsliga toppoäng.
• Taktik och motstånd — Ingen spelare är bättre än förutsättningarna.
  Modellen kollar på motståndarnas försvarsspel, var matchen spelas och
  hur lagens olika spelstilar (som hög press eller kontringsfotboll) matchar
  mot varandra.
• Egna regler för målvakter — Eftersom målvakter samlar poäng på ett
  helt annat sätt (räddningar och hållna nollor) har vi byggt en unik
  modell som bara analyserar målvaktsspelet.

Sammanfattningsvis:

Med xFP får du ett spännande informationsövertag. Det hjälper dig att se
bortom hypen, undvika fällorna och bygga ett starkare lag för att slå dina
kompisar i ligan.

Vad tittar modellen på?

Transparens är en grundprincip för oss. Här är exakt vilken information modellen har
tillgång till — inget mer, inget mindre. Allt beräknas exklusive den match vi
predicerar, precis som om du sitter och funderar inför en omgång som ännu
inte spelats. Totalt åtta modeller. Alla uppdateras efter varje spelad omgång.

1. Spelarens kvalitet — eventdata aggregerad per 90 minuter Varje match
   i Allsvenskan loggas på aktionsnivå. Från dessa beräknar vi kumulativa
   säsongssnitt:
   xG per 90 minuter (Expected Goals) — Varje skott tilldelas en
   sannolikhet att bli mål baserat på position, vinkel, kroppsdel och
2. xT per 90 minuter (Expected Threat) — Varje gång en spelare
   tar emot bollen i en viss zon vet vi historiskt hur ofta det leder till
   mål. xT mäter hur mycket en passning eller bollföring ökar hotet
   mot mål. Det fångar spelare som konstant flyttar bollen framåt i
   farliga zoner — kreativa mittfältare, uppspelande backar — även
   utan direkt målproduktion.
3. Poäng per 90 minuter — Spelarens kumulativa fantasypoäng
   delat med spelade 90-minutersperioder. Renare än poäng per
   match eftersom det justerar för speltid.
4. Minuter per match — Hur många minuter spelaren i snitt får.
   Avgör om spelaren är ordinarie (90 min = 2p) eller inbytare (1p).

Målvaktsspecifika:

1. xGA per match — hur svåra skott utsätts keepern för
2. Räddningar per match — varje par räddningar ger bonuspoäng
3. Clean sheet-procent — andel matcher med noll insläppt, värt 5
   poäng per gång

Spelarens form — rullande fönster. Säsongssnitt är stabila men
reagerar långsamt på formskiften. Därför kompletterar vi med rullande
medelvärden:

1. Poängsnitt senaste 3 och 5 matcherna — Den kortsiktiga
   formkurvan. En spelare som tagit 8 poäng per match de senaste
   tre omgångarna har troligen en het period — men det kan också
   vara slump. Modellen väger detta mot de stabila säsongssnitten.
2. Poäng per minut (senaste 3 matcher) — Separerar “spelar
   mycket” från “producerar per minut”. En spelare som gått från 60 till 90 minuter får automatiskt mer poäng bara genom speltid. Det
   här måttet isolerar själva produktionstakten.
3. Poängvolatilitet — Standardavvikelsen i poäng de senaste
   matcherna. Hög volatilitet = instabil. En spelare med 4.0 i snitt och
   låg volatilitet är mer pålitlig än en med samma snitt men vilda
   svängningar. Modellen vet det.
4. Minuttrend — Skillnaden mellan senaste tre matchers minutsnitt
   och säsongssnittet. Positivt värde = mer speltid nu, kanske har
   tagit en startplats. Negativt = tappar speltid.
5. Antal spelade matcher denna säsong — Tidiga säsongssnitt
   baserade på 2–3 matcher är instabila. Modellen vet det också.

Lagets och motståndarens styrka — ingen spelare existerar i vakuum.
En anfallare i ett lag som skapar mycket xG har mer att jobba med. En
försvarare mot ett lag som knappt hotar mål har större chans till hållen
nolla. Vi beräknar fem KPI:er per lag:

1. xG — Hur många förväntade mål skapar laget per match?
2. xT — Lagets samlade bollförflyttning mot mål.
3. Bollinnehav — Andel av speltiden med bollen.
4. PPDA — Hur högt pressar laget? Lågt PPDA = aggressiv press. Högt
   PPDA = laget sitter djupt.
5. Field tilt — Andel passningar i motståndarens straffområde.
   Mäter trycket i den farligaste zonen

För nästa enskilda match (xFP1) används motståndarens säsongssnitt
rakt av. För längre horisonter beräknar vi medelvärdet av alla
kommande motståndares snitt — ett aggregerat mått på spelaschemas
svårighetsgrad.

Matchkontext — Hemmalag har historiskt högre poängsnitt. För de
längre modellerna beräknar vi istället andelen hemmamatcher i det
kommande spelschemat.

Position spelar roll — försvarare (FÖR), mittfältare (MF) och anfallare
(ANF) poängsätts enligt olika regler — försvarare belönas för hållna
nollor, forwards för mål. Modellen vet vilken position spelaren har.

Taktisk kontext
Vi klustrar alla Allsvenskan-lag i fem spelstilskategorier baserat på deras KPI-
profiler:

• Possession & High Press
• Counter Attack & Crosses
• Possession Control
• Balanced & Physical
• Low Defence & Direct

Modellen lär sig att en anfallare i ett “Possession & High Press” lag mot ett
“Low Defence & Direct” lag har en annan poängprofil än samma match-up med
omvända roller.

Formation — lagets och motståndarens taktiska uppställning (ex 4-3-3, 3-5-2) —
parsas till antal försvarare, mittfältare, anfallare och påverkar defensiv
stabilitet och offensiv yta.

Hur modellen tränas

Vi testar flera modelltyper — främst gradient-boosted trees (XGBoost,
LightGBM, CatBoost) och linjär regression för målvakter — och väljer
automatiskt den som predictar bäst. Grundprincipen: modellen ser aldrig
framtida data. Träning och validering görs alltid i tidsordning. Precis som i verkligheten.

Känner du igen frustrationen när du köper in en spelare som precis gjort
mycket poäng, bara för att han plötsligt slutar leverera? Du är inte ensam.
Sanningen är att tidigare poängskördar ofta handlar lika mycket om tillfällig
tur som om skicklighet.

Det är här Expected Fantasy Points (xFP) kommer in i bilden.

Expected Fantasy Points (xFP) är våran modell för att uppskatta hur
många fantasypoäng en spelare förväntas ta i kommande matcher. I stället för
att titta på poängsnitt - som lika gärna kan spegla tur som skicklighet -
analyserar xFP den underliggande prestationen: tex varje passning, skott,
tackling, osv., som spelaren och lagen runt honom producerar

xFP tittar under ytan. Istället för att bara räkna historiska poäng analyserar
vår modell spelarens faktiska prestation på planen. Resultatet blir en siffra
som svarar på en enda fråga: Givet allt vi vet om den här spelarens form, hans
lag, det kommande motståndet och matchkontexten – hur många poäng borde
han ta?

Rätt spelare vid rätt tillfälle

Eftersom du behöver fatta olika typer av beslut i Fantasy har vi skapat xFP för
fyra olika tidshorisonter:

• xFP 1 – nästa match (perfekt för kaptenval)
• xFP 3-7 – Visar snittet över tid och slumpen
  jämnas ut. Detta hjälper dig att bygga en stabil trupp på sikt och hitta
  spelare som har ett bra spelschema framför sig, så att du slipper oroa dig
  för tillfälliga formdippar. En spelare som xFP 7 värderar högt har
  troligen en stabil grund att stå på, oavsett om han råkar bli utbytt i den
  55:e minuten en enskild omgång.

Modellen uppdateras efter varje omgång och hanterar all avancerad statistik
så att du slipper. Här är några av de smarta detaljerna den väger in:

• Kvalitet och hot — Modellen vet vilka spelare som kommer till farliga
  avslut (xG) och vilka som driver bollen till farliga ytor (xT) – så att du
  kan plocka in spelarna innan målen väljer att trilla in.
• Pålitlighet — Vi mäter spelarnas stabilitet. Vår modell vet att en spelare
  som konsekvent plockar 4 poäng per match är ett tryggare val än någon
  som varvar bottennapp med plötsliga toppoäng.
• Taktik och motstånd — Ingen spelare är bättre än förutsättningarna.
  Modellen kollar på motståndarnas försvarsspel, var matchen spelas och
  hur lagens olika spelstilar (som hög press eller kontringsfotboll) matchar
  mot varandra.
• Egna regler för målvakter — Eftersom målvakter samlar poäng på ett
  helt annat sätt (räddningar och hållna nollor) har vi byggt en unik
  modell som bara analyserar målvaktsspelet.

Sammanfattningsvis:

Med xFP får du ett spännande informationsövertag. Det hjälper dig att se
bortom hypen, undvika fällorna och bygga ett starkare lag för att slå dina
kompisar i ligan.

Vad tittar modellen på?

Transparens är en grundprincip för oss. Här är exakt vilken information modellen har
tillgång till — inget mer, inget mindre. Allt beräknas exklusive den match vi
predicerar, precis som om du sitter och funderar inför en omgång som ännu
inte spelats. Totalt åtta modeller. Alla uppdateras efter varje spelad omgång.

1. Spelarens kvalitet — eventdata aggregerad per 90 minuter Varje match
   i Allsvenskan loggas på aktionsnivå. Från dessa beräknar vi kumulativa
   säsongssnitt:
   xG per 90 minuter (Expected Goals) — Varje skott tilldelas en
   sannolikhet att bli mål baserat på position, vinkel, kroppsdel och
2. xT per 90 minuter (Expected Threat) — Varje gång en spelare
   tar emot bollen i en viss zon vet vi historiskt hur ofta det leder till
   mål. xT mäter hur mycket en passning eller bollföring ökar hotet
   mot mål. Det fångar spelare som konstant flyttar bollen framåt i
   farliga zoner — kreativa mittfältare, uppspelande backar — även
   utan direkt målproduktion.
3. Poäng per 90 minuter — Spelarens kumulativa fantasypoäng
   delat med spelade 90-minutersperioder. Renare än poäng per
   match eftersom det justerar för speltid.
4. Minuter per match — Hur många minuter spelaren i snitt får.
   Avgör om spelaren är ordinarie (90 min = 2p) eller inbytare (1p).

Målvaktsspecifika:

1. xGA per match — hur svåra skott utsätts keepern för
2. Räddningar per match — varje par räddningar ger bonuspoäng
3. Clean sheet-procent — andel matcher med noll insläppt, värt 5
   poäng per gång

Spelarens form — rullande fönster. Säsongssnitt är stabila men
reagerar långsamt på formskiften. Därför kompletterar vi med rullande
medelvärden:

1. Poängsnitt senaste 3 och 5 matcherna — Den kortsiktiga
   formkurvan. En spelare som tagit 8 poäng per match de senaste
   tre omgångarna har troligen en het period — men det kan också
   vara slump. Modellen väger detta mot de stabila säsongssnitten.
2. Poäng per minut (senaste 3 matcher) — Separerar “spelar
   mycket” från “producerar per minut”. En spelare som gått från 60 till 90 minuter får automatiskt mer poäng bara genom speltid. Det
   här måttet isolerar själva produktionstakten.
3. Poängvolatilitet — Standardavvikelsen i poäng de senaste
   matcherna. Hög volatilitet = instabil. En spelare med 4.0 i snitt och
   låg volatilitet är mer pålitlig än en med samma snitt men vilda
   svängningar. Modellen vet det.
4. Minuttrend — Skillnaden mellan senaste tre matchers minutsnitt
   och säsongssnittet. Positivt värde = mer speltid nu, kanske har
   tagit en startplats. Negativt = tappar speltid.
5. Antal spelade matcher denna säsong — Tidiga säsongssnitt
   baserade på 2–3 matcher är instabila. Modellen vet det också.

Lagets och motståndarens styrka — ingen spelare existerar i vakuum.
En anfallare i ett lag som skapar mycket xG har mer att jobba med. En
försvarare mot ett lag som knappt hotar mål har större chans till hållen
nolla. Vi beräknar fem KPI:er per lag:

1. xG — Hur många förväntade mål skapar laget per match?
2. xT — Lagets samlade bollförflyttning mot mål.
3. Bollinnehav — Andel av speltiden med bollen.
4. PPDA — Hur högt pressar laget? Lågt PPDA = aggressiv press. Högt
   PPDA = laget sitter djupt.
5. Field tilt — Andel passningar i motståndarens straffområde.
   Mäter trycket i den farligaste zonen

För nästa enskilda match (xFP1) används motståndarens säsongssnitt
rakt av. För längre horisonter beräknar vi medelvärdet av alla
kommande motståndares snitt — ett aggregerat mått på spelaschemas
svårighetsgrad.

Matchkontext — Hemmalag har historiskt högre poängsnitt. För de
längre modellerna beräknar vi istället andelen hemmamatcher i det
kommande spelschemat.

Position spelar roll — försvarare (FÖR), mittfältare (MF) och anfallare
(ANF) poängsätts enligt olika regler — försvarare belönas för hållna
nollor, forwards för mål. Modellen vet vilken position spelaren har.

Taktisk kontext
Vi klustrar alla Allsvenskan-lag i fem spelstilskategorier baserat på deras KPI-
profiler:

• Possession & High Press
• Counter Attack & Crosses
• Possession Control
• Balanced & Physical
• Low Defence & Direct

Modellen lär sig att en anfallare i ett “Possession & High Press” lag mot ett
“Low Defence & Direct” lag har en annan poängprofil än samma match-up med
omvända roller.

Formation — lagets och motståndarens taktiska uppställning (ex 4-3-3, 3-5-2) —
parsas till antal försvarare, mittfältare, anfallare och påverkar defensiv
stabilitet och offensiv yta.

Hur modellen tränas

Vi testar flera modelltyper — främst gradient-boosted trees (XGBoost,
LightGBM, CatBoost) och linjär regression för målvakter — och väljer
automatiskt den som predictar bäst. Grundprincipen: modellen ser aldrig
framtida data. Träning och validering görs alltid i tidsordning. Precis som i verkligheten.