最近收到了一位好朋友的贈書，是Stephen Shea第二本關於籃球分析的著作《Basketball Analytics》，比起黑皮的第一本書多為統計公式推導，這本加入了許多空間數據的分析，並且更深入淺出的架構與解構籃球分析的精髓，推薦給初學籃球分析有興趣的朋友！
https://www.amazon.com/Basketball-Analytics-Tracking-Stephen-Shea/dp/1503236277
作為一個數據視覺化設計師與研究者，我對於實際的籃球數據分析也一知半解，但在設計的過程中，必然的發現對於教練有些數據要強調（如：排名、分差）、有些要簡化（如：實際分數），以免產生決策上的誤導。就像所有的資料分析師一樣，了解情境與商業模式才能運用數據進行有用的分析，籃球分析也有一定所需的知識背景與架構。
並不是所有人都是分析師、球探或者GM，但身為球迷或者業餘球評，有哪些層面可以幫助你更好的觀看球賽、並分析球員與球隊表現？
前文分享了籃球數據分析在球團裡的角色、以其背後技術層面的流程，提到『數據提供現狀的分析與未來方向的推估，擁有完整而全面的數據才能準確分析現狀，並有效發展未來策略。』各位想必很好奇要收集什麼數據才能得到這些有價值的分析呢？要如何提出有觀點的問題呢？這些思維與商業上的數據分析其實是雷同的，但是需要更專業的產業(籃球)知識。
我整理《Basketball Analytics》第一章的觀念在下面，供有興趣初步了解籃球分析的朋友參考與交流，雖然看似基本，但這些觀念所提出的問題，正是所有複雜統計模型與數據收集所希望能回答的。
籃球分析的精髓：考慮『產出+情境』Production + Context
本書第一章就提供了很好的分析架構，讓籃球鑑賞家可以更有效地評估比賽與球員表現，不用再被單一數據誤導。
{產出Production}
首先是從產出面評估，最直觀與傳統的方式當然是直接用分數、量化數字去評量，如：單場得分32分、籃板8個等等。然而，這樣的比較固然簡單直接，像是能夠跨時代去比誰是歷史上單場得分最多的？誰是本季單場平均最高的？但這卻會引發接下來的各種疑慮：這真的是公平的比較嗎？
第二層面是考慮效能，球員是花了多少時間與機會得到這些表現？命中率有多高？除了FG%, 3P%之外，也有許多衍伸的數據，如：EFG% 將兩分與三分球共同計入，TS% 將罰球命中率也列入考慮。但只看效能，上場時間少的球員容易被高估，也沒有考慮到上場時的情境，對手與隊友強度等等。
更進一步是要考慮這些表現的實際類型，各種shot type：上籃、切入、pull-up shot、catch and shoot…？籃板的類型：像是是否有人阻擋？失誤類型：傳球中或是運球中被超球？更精確的區分這些產出的類型有助於了解球員的優劣勢與實際表現。
最後根據上述的幾項數據，能了解球員的多樣性。同樣的得分，是來自同樣類型的投籃類型，還是分布在各種可能的得分方式？進攻與防守的特性如合？越是多樣化的球員，越能分散風險、適應不同的位置，但特定位置的球員單一項目的得分能力較強。球隊在選擇球員的時候也會考慮對自身球隊陣型安排的幫助。
{情境Context}
情境面的評估是比較難被量化的，因為它包含許多實際的運動與交互影響的資訊，這些資訊需要透過Computer Vision去分解，在有2013–14 有SportVU的球員追蹤系統後開始被納入分析。但為什麼情境很重要呢？
第一重要的是考慮球員的場上使用方式，特別是持球時間、實際在團隊中的角色。通常在弱隊招收到排名前面的新球員後，會寄與重任，也因此他會有漂亮的高得分，但也會有很差的效能，因為持球時間長、加上隊友不可靠，若單獨將他的產出表現與其他隊素質較平均的先發球員比較，就會有所偏頗。球員是主攻進攻、還是防守，是助攻多或是主攻，都會影響他產出的數據代表的意義。要比較不同隊上球員的表現、或是比較同一球員在不同球季的表現，應將使用方式納入考慮。
將隊友表現與對手列入考慮是大家較熟知的。除了第一點所說的使用方式，隊友的表現也會影響球員的產出，跟較好的球員在場上，總體產出也較高。但過去使用+/-的方式單純用分差去評量球員價值，就會放大這兩點，好隊友/壞對手會讓球員的+/-加大，壞隊友/好對手則會降低，讓球員價值無法被評估。有了空間追蹤的數據分析，可以更具體的了解場上發生事件的情境，如：隊友命中率極低破壞了助攻，球員被迫自行出手投出更困難的球，也因此效率下降；對手防守的方式降低了禁區投籃的比例，導致球員挑戰更多中距離出手，命中率也下降。
最後考慮的是狀況，包括比賽狀況與球員狀況。比賽狀況考量在一場比賽中，每一分秒的重要性與壓力並不相同，比分差距小的最後兩分鐘(clutch time)價值高於上半場的時間，教練使用的戰術也會大為不同。特別被提出的一種評估方式是Point Balance(PB)，用來比較在不同局面時球隊是將戰術壓在少數球員上(低PB)還是分佈在多位球員中(高PB)，大多數球隊在上半場會有高PB，在clutch time則是低PB，量化不同局面在不同球隊的重要性可以相對調整球員的總體價值。球員狀況的部分則是另一個考量點，包括休息時間、身體狀況與受傷預估。在多數back-to-back的連續比賽中，球員表現通常較差，而在間隔3或4天的休息後表現較好。
綜合以上幾個考慮層面，現今籃球分析收集各種數據，比賽數據、空間追蹤、穿戴式裝置的sensor，希望能更全面的描述這些{產出＋情境}提出的問題。進階數據如：RPM(Real Plus-Minus)試圖以一個數字去描述球員價值，奠定在傳統+/-上，除了包含產出數據（數量、效率），更近一步加入使用、隊友、對手等情境上的資訊。
但即使RPM的統計再精準，它就像一個黑盒子，球隊仍無法信賴單一數字去決定球員好壞，而是尋找能回答他們在上述思考框架下所提出的問題，如：我想知道這個球員能否在clutch time做出貢獻、能否在這個戰術中發揮最大功能？
奠立在這個{產出＋情境}架構之上，本書作者介紹用空間追蹤數據來量化評估各方面的考量（數量、效率、類型、多樣性、使用、隊友、對手、狀況），比起單一數字，能更有效的提供決策者做決定與溝通的依據。而對籃球迷、分析師而言，這樣的架構更能幫助我們提出有趣的觀察與問題，再尋找個別的數據去進行分析與解答。
恭喜你踏上籃球分析之路！有興趣的話很推薦閱讀Dr. Shea的原書，有許多實際的例子討論可以增加你的想像力。
＊這篇文章希望分享籃球的多角度給熱愛籃球的朋友，喜歡文章請掌聲讓更多人看到唷：）
