"预期助攻 "衡量的是传球成为主要助攻的可能性。该模型基于传球的完成位置、传球类型以及其他各种因素。该模型并不依赖于这次传球是否造成射门，因此所有传球，无论是否造成射门，都将计入该模型"。
本博客概述了这一模型背后的过程，并解释了它在评估绩效方面的价值。
如果埃弗顿队的桑德罗-拉米雷斯（Sandro Ramirez）将球传给鲁尼（Wayne Rooney），鲁尼头球解围失误，或者头球攻门高出横梁，拉米雷斯是无法控制的，同样，他也无法控制鲁尼会不会把握好时机起跳，将球送入网窝。
这就是为什么孤立地计算 "助攻 "不能完全代表创造力的原因之一。创造者往往依赖于接传球球员的终结技能。
我们还知道，并非所有的关键传球都能创造出同样质量的得分机会，这一点也应反映在我们对它们的评价中。
那么，如何更好地表彰球员创造得分机会的能力呢？
下面显示的三个目标都是创作者如何根据自己创造的机会质量获得荣誉的例子。
为创作者署名
最初，它只是从关键传球中提取 xG 值。然而，这意味着只有当接球者射门时才会被考虑，而且也没有考虑到接球者带球创造出比最初传球更好的射门位置的情况（考虑梅西在国王杯对毕尔巴鄂的进球，本文稍后将展示）。
目前，预期成果框架已得到发展，以确保信贷得到适当分配，并更准确地反映各种情况。
预期助攻是根据传球地点、传球类型和其他各种因素来衡量传球成为主要助攻的可能性。该模型并不依赖于传球后是否射门，因此能够将最终传球以外的因素计入。
将创造机会的质量归功于创造者，我们就能获得更深层次的洞察力，而不仅仅是创造机会的数量。
上图是安迪-卡罗尔（Andy Carroll）在对阵水晶宫队（Crystal Palace）时踢出的一记令人难忘的单车球。曼努埃尔-兰奇尼（10 号）将球传给米哈伊尔-安东尼奥（30 号），后者将球传给安迪-卡罗尔（9 号），英格兰人将球射入右上角。
Opta的预期进球模型根据这次射门机会的特点为卡罗尔提供了 5%的进球机会。在此之前，安东尼奥的得分是 0.05，因为这是卡罗尔射门的 xG 值。但在更新后的模型中，随后的射门与传球不是相对的，因此尽管传球的终点与射门的位置相同，安东尼奥的 xA 值仍为 0.034。这是因为模型承认卡罗尔的射门并不是保证，如下图所示。
- 具有这些特点的传球有 3.4% 的时间会变成助攻
- 具有这些特点的射门有 5%的机会成为进球
这是 2015 年国王杯决赛中，梅西（Lionel Messi）在对阵毕尔巴鄂竞技队（Athletic Bilbao）时的单刀奔袭和进球。在这个镜头中，丹尼-阿尔维斯（22 岁）将球传给梅西（10 岁），梅西带球晃过几名毕尔巴鄂球员后射门得分。
梅西这次机会的 xG 值为 9%。在舞过几名毕尔巴鄂球员后，梅西为自己创造了一个相当高质量的得分机会，但当他接到丹尼-阿尔维斯的传球时，情况当然就不是这样了。
如果我们采用 "关键传球 xG "的方法，阿尔维斯的得分将为 0.09，我们知道这并不能准确反映他 "创造 "机会的质量。
因此，每一次完成的传球都有一个 xA 值，即使下一个动作不是射门。其逻辑是，每一次传球都有可能成为助攻，丹尼-阿尔维斯的传球就是一个完美的例子。事实上，阿尔维斯的传球助攻率不到 1%。
非射击驱动方法
正如 OptaPro 最近在控球率方面的工作所证明的那样，能够在关键传球和投篮之前对事件进行分析和归功非常重要。
因此，该模式奖励那些不依靠队友射门而将球传入危险区域的球员。如果接球球员因被解围而没有射门，或将球传给了位置更好的队友，他们仍将获得奖励。
该表中有几位球员的助攻总数低于其预期助攻值，但预期助攻总数看起来令人鼓舞。
大卫-席尔瓦尤其值得一提。他的 xA 值为 10.1（相对于 7 次助攻），是所有传球以及直接导致射门或进球的传球均被认可的完美范例。
摘自 ProVision，下面的两张热图显示了大卫-席尔瓦在 2016/17 英超赛季中的传球情况，让我们进一步了解为什么这名中场球员在这一指标上排名如此靠前。
马尔科-阿瑙托维奇（Marko Arnautovic）是另一位值得关注的球员。在斯托克城队，他的射门次数仅排名第13位。尽管他效力的球队射门次数不多，但他在这一指标中仍然排名第七，这说明了该指标在识别球员危险传球方面的作用，即使这些传球没有造成射门。
在对创造力进行评估和量化时，预期助攻是下一步的工作，它提供了一个更有依据的框架，可以对所有传球，而不仅仅是那些直接导致射门或进球的传球进行适当记分。
