为什么我们说曼联VS伯恩利这场0-0本来应该是个3-0或者4-1？
曼联昨晚与伯恩利的比赛最终以0-0结束，但是没有媒体使用“闷平”二字。
全场37脚的射门，对手门将11次成功扑救，从这些基本的数据统计上，我们很难讲，曼联到底应该打入多少进球才合理。所以除了37，11传统意义上的统计数据，我们是否可以通过新的分析数据，来量化37脚射门，应该可以转化为多少个进球？
前两年，英国有足球学者提出了一个由冰球演化而来的一个概念：期望进球或者预期进球。英文叫做Expected Goals，缩写为expG或者XG。
我们也想通过曼联本场比赛来详细讲述期望进球的含义以及它存在的意义。
首先，为什么量子足球没有翻译为预期进球，而翻译成了期望进球，因为我们希望用户正确的理解。期望进球，是一个总结性数字来描述球队创造机会的能力，而不是一个预测性数字，而预期进球有可能会造成误会。
我们说曼联37脚射门中有没有浪射？当然有
有没有必进球？也有。
所以在这个时候特别有必要，有一个新的统计分析数字，也就是期望进球，来量化每脚射门的威胁程度，到底这脚射门有多少的可能性能转化为一个进球。
这个概念当然不是量子足球提出，早在几年前，就有人提出此概念。
此理论在很多足球数据从业工作者中已经形成气候，不过大家对期望进球的理解，也就是这背后的模型并不完全一致。
下图为国外一个数据论坛上对曼联主场对伯恩利的期望进球的分析 2.96 vs 0.32
下图为量子足球的期望进球分析 3.54 vs 0.61
造成这一数字不同的主要原因为大家对期望进球背后的参数设置存在不同，但参数本身无非几点：
1 射门位置：距离球门的距离以及角度
2 射门方式：头球还是用脚射门
3 进攻方式：快速反击，定位球，阵地进攻，传中
等等...
量子足球的模型中最重要的无非是射门的位置。
我们对2014-2015赛季欧洲五大联赛的接近2000场比赛的接近50000脚射门和6000多个进球进行了分析，量化出每个位置射门的转化率（如下图），再结合射门方式以及进攻方式对每脚射门的转化率进行调整，建立了量子足球的期望进球模型。
不管是量子足球的模型还是国外的其他模型，大家都认为从数据上，曼联至少应该是一个3球以上的大胜，但是无奈曼联青训培养的门将汤姆-希顿神级发挥，让红魔无功而返。
同理，如果某个球队其实创造的机会寥寥无几，但是可能运气特别好，或者全是神仙球世界波，也可能出现期望进球远远小于实际进球的情况发生。例如阿森纳主场和利物浦的进球大战。
所以每个人都可以称自己是足球大数据公司，但是大数据，真的不只是加减乘除而已。