《纸上篮球》第二章第7节：一体化数据（上）

原标题:《纸上篮球》第二章第7节:一体化数据(上)

熟悉NBA 2K系列的玩家都知道,这款游戏会给每位球员一个总评值,也就是2K rating,更新过程甚至受到了现实中一些球员的关注。但它终究只是二次元的产物,要想在三次元复制类似的一体化数据难度极大,有以下几个原因:

1.现实中无法量化为数据的球员属性极多。类似于攻防意识,无形资产之类看不见摸不着,缺乏严格定义的属性就不说了,哪怕是更加肉眼可见的弹跳、速度、对抗等等,NBA也没有相应数据(除了选秀体测)予以记录。

2.即使随着追踪技术的进步,有记录的数据门类变多,整合成一个总评数据时也有难度。这点上一节已经提过了,球员数据里有很多发生在回合过程里,不像球队数据会最终指向“百回合得分”这种事实性的结果。它会导致即使你知道某个行为很重要,却没办法知道它具体究竟有多重要。

举个最简单的例子,就是前文已经提到的助攻。没有任何一个数据专家,可以为“助攻者在受助攻进球里占了多大功劳”这个问题给出标准答案。法尔克认为五五开,霍林格认为只占1/3都是一刀切的做法。如果每个人在设计自己的一体化数据时,给予助攻各自不同的权重,那么势必会带来不同的结果。

3.一个被人忽视的因素,即对球员能力的评价永远是两个维度而不是一个维度的,ESPN在做球员榜单时就强调应该quality(质)和quantity(量)共同评价。

打个比方,假设一个球员是一个85分的球员,却出于体能和伤病管理的因素每场打不了太久,那么他的贡献到底和一个75分却能打很久的球员如何比较?这个问题我们在球员分项数据标准化的时候只是从权接受了而已,并没有真正地解决。

霍林格在21世纪初设计最有名的一体化数据PER时,就免不了遭遇这些问题,我们也可以一一对照着来看看:

1.PER是基于面板数据来计算的。面板数据可不仅仅是不记录无形资产和身体素质,还会出现因门类偏少,指向防守的数据较之进攻明显不足的情况。坎特和戈贝尔光比较PER并没有什么差别。

2.PER在设计各项数据权重时,免不了受到霍林格个人对篮球理解的影响。从事后的观点来看,它是明显带有世纪之交数据分析的局限性的,比如更加青睐高球权的球员,过于看重个人篮板数等等。

3.PER只是单位时间数据,不能用来比较球员累积时间所做的贡献。

对于这些局限性,霍林格自己应该比谁都清楚。但大部分人不会在了解PER时去看它配套的解释文档写了什么,更不清楚霍林格统计过对位球员的PER,做过PER的累积型数据VA和EWA(肯定也有局限性,但关键是批评者应该知道)。

结果就是,在二十年的时间里,哪怕是PER已经过时的今天,它也会被当成“数据无用论”的一个论据来使用——“PER有12345的缺陷,我都想得到霍林格却想不到,那数据分析有什么用?”

我认为PER代表着一种努力方向,分析者们知道即使球员的一体化数据可能永远得不出标准答案,还是应该去尝试,去在原有的基础上优化,可能就会对球员有更加清晰的了解。比如现在基于on/off数据所做的各种一体化数据,比起PER就是不小的进步。

什么是on/off数据?就是随着play by play的完善,每个球员在场或者不在场期间球队的百回合得失分已经有条件统计出来了。即使是不经过处理的on/off数据,相较于面板数据也有以下的优点:

1.它避免了面板数据在选择门类上的困难。不管你在进攻端做的是得分助攻这种数据上看得到的事情,还是掩护拉开空间这种数据上看不到(或者没那么明显)的事情,统统都指向在场与否百回合得失分这个事实性的结果。

2.它在攻防两端的信息量是对等的,不会出现PER这种“因为面板数据里进攻型居多,建模就会更偏向进攻”的情况。

3.它让人们对各队的轮换层次有更鲜明的了解。假设AB球星在场时都是球队百回合赢5分,A球星不在场时球队百回合仍赢5分,B球星不在场时球队百回合输5分。传统的分析方法可能会把A球星所在队战绩更好归因于A的带队能力更强,这从on/off的角度看是绝对不成立的。

整体而言,用on/off来分析球员表现,也是“自上而下”,“从球队到球员”思路的一种体现。当然它的局限性也非常明显:球员个人的on/off数据并不是靠一己之力打出来的,还是会受到队友的影响。

有一种最错误的做法,就是直接给球员在场时的百回合得失分做排名,然后直接说某某的进攻效率排联盟多少,防守效率排联盟多少。通过这种操作,如今已经不在NBA打球的帕楚利亚,3年前可能是联盟最强的中锋。他作为勇士首发和四巨头搭档了大量的时间,on/off数据里的on值相当漂亮。

第二章第8节,我们会继续来聊聊分析师们针对优化on/off数据所做的几种尝试。系列文章微博“旋猫”首发,每天中午12点和晚上6点双更(工作日)或日更(周末)。