Fooled by randomness
Vad prestationsdata visar om lagens nivå, riktning och sannolika säsongsutfall
Anta ett tankeexperiment att matcherna i praktiken avgjordes av slantsinglingen. Varje vecka skulle utfallet bäddas in i samma dramaturgi som i dag. Studiosändningar skulle analysera kastaren. Var myntet tillräckligt högt i luften? Var rotationen ren? Hade tumrörelsen tappat sin naturliga elasticitet? Fanns det tecken på teknisk regression i själva uppkastet?
Efter tre raka klave skulle krisrubrikerna komma. Klubben saknar riktning. Kastaren har tappat förtroendet. Ansvariga måste agera. Efter tre raka krona skulle samma process beskrivas som stabil, metodisk och resultatdrivande. I Studio Myntet skulle panelen pausa bilden i exakt det ögonblick då myntet lämnar tummen. I Slantklubben skulle någon konstatera att “det syns på kroppsspråket” när en kastare är inne i ett stim. En tidigare elitkastare skulle förklara att silvermynt ger en annan tyngd och balans än nickel. På sociala medier skulle domen vara rak och hård - uselt kast, kass teknik, tre klave i rad är inte acceptabelt. Avgå.
I grund och botten förstår ändå de flesta grundprincipen. En slantslingning har ett väntevärde. Över korta sekvenser kan utfallet se extremt ut. Över längre sekvenser pressas det löpande snittet mot 50/50. Den som analyserar varje enskild följd som en ny sanning kommer därför ständigt att övertolka brus. Det relevanta är inte om de senaste fem kasten gav 4–1 eller 1–4, utan vilken sannolikhetsprocess som genererar utfallet.
Fotboll har inga givna 50/50-sannolikheter. Skillnader i spelarkvalitet, resurser, organisation, spelmodell och taktisk struktur är verkliga och har effekt.
Samtidigt produceras resultat i en miljö där få situationer kan få mycket stor tabellpåverkan. Ett stolpskott, en sen kvittering, en fantomräddning, ett rött kort eller en period av extrem avslutseffektivitet kan flytta poängutfallet utan att lagets underliggande nivå har förändrats i samma takt.
Det gör gränsen mellan slump och kvalitet analytiskt svår. En kort sekvens kan innehålla verklig information. Ett lag kan ha förbättrat sin chansproduktion, tappat defensiv kontroll eller ändrat spelmodell. Problemet uppstår när resultaten får bära hela berättelsen. Då riskerar rapporteringen att göra säkra narrativ av något som fortfarande är ett osäkert förhållande mellan signal och brus.
För att pröva detta empiriskt modellerade jag varje klubbs säsongsmässiga väntevärde i ett globalt dataset med 1 615 lag-säsonger, 77 ligor och 98 liga-säsonger. Väntevärdet definierades som säsongens expected points per match, beräknat från xG för och xG emot. Det är en rimlig definition eftersom xP fångar den poängnivå som lagets chansskapande och chansförhindrande över tid implicerar, snarare än den faktiska poäng som kortsiktigt kan påverkas av effektivitet och enskilda marginalhändelser.
Mönstret liknar slantsinglingen. I en rättvis slant rör sig det löpande utfallet över tid mot 50/50. I fotboll rör sig det löpande poängsnittet, på populationsnivå, mot lagets xP-baserade prestationsnivå. Vid den första observationen var det genomsnittliga avståndet mellan löpande poängsnitt och säsongens xP-nivå 1,124 poäng per match. Efter 10 procent av säsongen var gapet 0,536. Efter halva säsongen var det 0,253. Vid säsongens slut återstod 0,183.
Det visar att korta resultatsekvenser systematiskt innehåller mer variation än längre sekvenser. I testet var slutpunkten närmare säsongens xP-nivå än läget efter 10 procent av säsongen i 80,7 procent av lag-säsongerna. Vid säsongsslut låg 97,0 procent inom ett halvt poäng per match från sitt xP-baserade väntevärde.
Det är denna rörelse som ofta försvinner i den veckovisa fotbollsdramaturgin. Tabellen behandlas tidigt som om den omedelbart avslöjar nivå, riktning och ansvar, trots att den fortfarande bär spår av sekvensordning, effektivitet och enskilda matchhändelser.
Ett lag på väg mot verklig poäng per match tar sig sällan dit genom en rak linje. Vägen går genom över- och underutdelning, genom matcher där prestation och resultat drar isär, och genom gradvis rörelse mot en mer stabil nivå.
Med det sagt, här kommer uppdaterad allsvensk poängprognos. Modellen visar en prognos utifrån nuläget, inte en fast förutsägelse av sluttabellen. Den utgår från tre saker, hur många poäng lagen redan har tagit, hur stark deras underliggande spelprofil har varit hittills och vilka matcher som återstår. KPI:erna används för att mäta om ett lag skapar spelmässiga övertag, kontrollerar matcher och begränsar motståndarnas chanser.
Prognosen ska därför läsas som att så här kan säsongen utvecklas om lagen fortsätter prestera på ungefär samma nivå som hittills. Större förändringar, formskiften, skador, truppförändringar eller tydliga förbättringar och försämringar i spelet ligger utanför modellen.
Sirius är nu tydligast i guldprognosen. Det beror främst på poängläget. Sirius har 25 poäng efter nio matcher och behöver inte längre ha seriens starkaste underliggande process för att vara favorit. KPI-nivån är klart positiv men inte bäst i serien. Kombinationen av poängförsprång, stabil styrka och återstående schema ger 55,8 procents guldsannolikhet.
Hammarby är fortfarande ett av seriens starkaste processlag, men poängläget är sämre. Hammarby har 17 poäng efter tio matcher och har därmed mindre utrymme än Sirius. KPI-implied nivån är mycket hög, 57,5, och modellen ger Hammarby högst framtida styrka bland de realistiska titelutmanarna. Slutprognosen blir 55,6 poäng och guldsannolikheten 21,1 procent.
Gais är fortsatt den tydligaste positiva processavvikelsen. KPI-implied nivån är högst i serien, 59,1, men laget har bara 12 poäng. Det gör att Gais får mycket stark förväntad poängskörd framåt men ändå stannar på 52,3 slutpoäng i snitt. Modellen ser Gais som betydligt bättre än tabellraden, men poängläget begränsar gulduppsidan.
Djurgården är nära Gais i prognosen. Laget har något lägre KPI-implied styrka men ett marginellt bättre poängläge. Simuleringen ger 52,0 poäng i snitt, 44,0 procents sannolikhet topp tre och 62,4 procents sannolikhet topp fyra. Djurgården är därmed en tydlig Europakandidat i modellen.
Häcken hålls uppe av poängläget. 17 poäng efter nio matcher är starkt, men KPI-implied nivån, 46,2, är lägre än hos Hammarby, Gais och Djurgården. Därför landar Häcken på 49,9 poäng, med klart lägre guldsannolikhet än toppduon.
Elfsborg har ett starkt tabelläge men svagare process. 17 poäng efter tio matcher ger en bra bas, men KPI-implied nivån är bara 40,8. Modellen placerar därför Elfsborg som övre mitten snarare än toppstrid: 44,1 poäng och 14,2 procents sannolikhet topp fyra.
AIK ligger i mittenskiktet. Tolv poäng efter nio matcher och en KPI-implied nivå på 44,4 ger en prognos på 43,3 poäng. Modellen ser AIK som bättre än ren tabellrad antyder, men inte tillräckligt starkt för att hota topp fyra i nuläget. Topp fyra-sannolikheten är 12,0 procent.
Malmö FF är fortsatt modellens största negativa etablerade avvikelse. Laget har tio poäng och en KPI-implied nivå på 32,7. Det är en tydlig signal att den underliggande prestationen fortfarande inte motsvarar ett topplag. Simuleringen ger 33,5 poäng i snitt och 35,1 procents risk för botten tre.
Bottenbilden är mycket tydlig. Halmstad och Örgryte är kraftigt separerade från resten. Halmstad har 95,2 procents botten tre-risk, Örgryte 98,0 procent. IFK Göteborg ligger bättre underliggande än de två, men sju poäng efter nio matcher gör att bottenrisken fortfarande är betydande.
Tidigare prognoser
Allsvenskan 2026 efter sex omgångar
Jag har simulerat allsvenskan 2026 en miljon gånger
Källförteckning
Dataunderlag: Twelve Football. Prestationsdata för Allsvenskan 2021–2026. Underlaget omfattar säsongs-data för 2021–2025 samt data efter sex omgångar 2026. Datamaterialet används för att beräkna lagens spelstilsdimensioner, jämföra klubbar inom respektive säsong och modellera prognosen för 2026.
Global dataanalys: football-match-reports.streamlit.app
Teoretisk referensram: Gama, J., Dias, G., Mendes, R., Martins, F., Sousa Mendes, R. & Vaz, V. (2026). Quantifying the Key Performance Indicators of Success: An Exploratory Analysis of Champion Teams in Europe’s Top Football Leagues. Data, 11, 102. Studien används som metodstöd för att prioritera effektivitetsmått, defensiv kontroll och standardiserade KPI:er framför rena volymmått. Den bidrar till modellen genom att visa att framgång i fotboll i högre grad förklaras av chansöverläge, förväntade mål, avslutskvalitet och defensiv organisation än av bollinnehav eller aktivitetsvolym isolerat.
Intressant analys och absolut toppklass på hur du förklarar detta, både stilistiskt och innehållsmässigt! / Grönvit ekonometriker
Hej! Spännande text! Jag hänger inte helt med i KPI-implied. Är det samma spelmässiga KPI:er för alla lag?