[TED]拉吉夫·馬赫斯瓦蘭：籃球場上各種跑動背後的數據科學The math behind basketball's wildest moves

運動數據分析最著名的就是魔球Money Ball這部電影了，根據球員的各項數據，從中找出被低估的球員，從而利用最小資源(預算)換取最大效益(優異的比賽成績)，但根據運動性質不同，分析中遇到的困難與方法也有所不同。


跟棒球相比，籃球是一種球、球員、球員間交互作用頻繁，運動節奏相當快速的運動，如同橄欖球一樣，分析的話更不能光靠紙上數據分析。



而美國除了把這個原生運動商業化的淋漓盡致外，在運動領域的數據分析上也十分厲害。這次要介紹的就是是利用數學距離 + 機器學習，透過裝在球員身上的追蹤器，分析場上的跑動與球、球員、球員間的關係做出的即時性分析系統，NBA已不少隊伍使用，同時顯示美國在相關領域中的發展。

 



上面截圖顯示的是一段紅隊二次進攻的過程。紅隊第一次進攻不進，隊友搶到籃板，再傳到外圍第二次得分的過程。中間過程中投球品質、籃板球落點、獲得籃板球員機率都數據化並視覺化顯示出來。除了這些基本數據如傳球、投籃、籃板外，軟體還能識別球員的動作，持球者的單擋反向移動或正向、低位單打、佯攻、拉開單打，還是非持球者的掩護、擋拆後有無換防、擋拆後同向移動等等，也都能辨認出來。因為籃球最重要也最難分析的就是擋拆，擋拆後的狀況十分複雜，詳情可以見影片中5'00到5'30有各式擋拆後狀況的相關術語。

這些都是機器學習的技術問題，主要就是球、球員、球員間的距離關係。軟體的實際演練在影片前面1'50到2'10就展示過了，我還是提供幾張截圖在下面。

所有球員的相關動作都會被顯示且記錄下來(影片1'50到2'10)，這就是教練的最佳數據參考，甚至提供30年老教練都接受的建議 ( 或許經過魔球老教練也變得Open-mind )。

其實整個畫面很像NBA 2KXX，但是是針對現實比賽，而且只要有數據，呈現就不難。

最後能夠透過這張投球命中率散佈圖，得到球員更全面的分析，橫軸是出手機率 (Shot Probability )，縱軸是投球能力 (Shooting Ability)，以一位投球機率47%的球員來說，他出手機率比NBA平均少了2%，投球能力比平均少了2。如上圖所示，命中率47%的點畫一條直線，越右下表示越常出手或越輕鬆的出手，但投不進(爛射手)，反之；越左上表示越少或越困難的出手但準度高。所以右上那群是正常人，左上那群是高手。

這系統除了能像魔球一樣選出經濟效益最高的球員外，其實是在探討人們移動的問題，當這種動態運動的移動都能分析得如此透徹時，就能做出更好的室內設計、城市規劃、購物途徑等等，讓人們自然做出更智慧更有效的移動。