enstai

你知道嗎，在籃球比賽中，投籃地點和拿下前場籃板的機率存在著一個固定的關係：球員每遠離籃板一英尺，拿下前場籃板的機率就會降低1%，但到三分線時，機率又突然變大；此外，90%投丟的球都可以在距離籃板11英尺的範圍內拿下。

這不是編出來的數據，也不是老教練的經驗之談，而是南加州大學（USC）的兩位教授Rajiv Maheswaran和Yu-Han Chang的論文結論。正是這個論文，讓他們在2012年麻省理工斯隆體育分析大會上（MIT Sloan Sports Analytics Conference）上獲得了最佳研究論文獎。

而這一切，也都要歸功於那個已經被用濫了的詞——大數據。

NBA的粉絲們應該已經知道，早在2010-2011賽季，聯盟就開始給一些球隊，諸如小牛、凱爾特人、馬刺和火箭等的場館內裝上了內置芯片的攝像頭。這些攝像頭分佈在場館的六個角落，會以每秒25次的頻率對球員和裁判還有球進行動作追踪，並進行數據反饋。等到上個賽季，使用這些攝像頭的球隊已經達到了15支。

當時還在南加州大學任教的Yu-Han和他的同事，就是對這些攝像頭追踪到的數據進行了記錄，並建模分析，從而得出了文章開頭的結論。在獲獎後，他們獲得了聯盟和一些球隊的注意，再加上數據化似乎已經成為運動場上不可逆轉的趨勢​​——現在NBA已經決定掏錢為每支球隊裝上這套系統，同時將這些信息選擇性地通過通過NBA TV和NBA.Com傳達給觀眾們，反而球隊們開始苦惱，該拿著這些數​​據怎麼辦呢？這樣一來，針對這些數據的定制報告開始成為一個契機。

就在今年，Yu-Han和他的同事Rajiv Maheswaran，以及新加入的第三個聯合創始人Jeff Su，組建了自己的創業公司Second Spectrum，要把這件事從理論研究拓展到真正的商業行為上來了。也正是如此，我才在一個大數據相關的會議上遇到了Yu-Han。

Yu-Han告訴我，他們做的事情其實很簡單，就是把這些運​​動追踪攝像頭捕捉到的數據收集起來，通過機器學習和分析，向球隊提供包括比賽、練習甚至觀眾觀看等方面的建議。但是，他們最有價值、也最困難的地方，在於識別、分析之後的視覺呈現。

“最主要的還是可視化的結果。”Yu-Han說。他們會有一個軟件系統，可以對不同的數據進行分析，並通過匹配的可視化工具，讓球員或者教練可以看到最直觀的結果，從而對比如球員陣容和位置等戰術進行調整。拿籃板球來舉例，這個系統可以統計球運動的位置和落點，並把籃板球最多的區域用最深的顏色標註出來，從而告訴球員應該怎麼在搶籃板時站位；此外，它甚至還可以顯示球員不同擋拆組合的成功機率，為教練的安排提供依據。

所有這些技術都來自於他們團隊多年的研究——包括Yu-Han自己在機器學習上已經積累了15年的經驗，而這個平台已經成為了他們的專利。

“我們可以捕捉球員場上的移動數據，做出最好的決策、打法、球員安排等。”Yu-Han說。通過擴大大數據算法、機器學習技術的應用和新視覺呈現方法的設計，來把數據轉化為有價值的信息，讓教練甚至普通的觀眾都能夠看懂，最後“幫助優秀的團隊獲得勝利。”

不過，Yu-Han同時也承認，他們做的還不夠。用他的話說，現在每個人都陷入了數據的海洋，但是真正搞清楚數據意義的卻不多，所以關注的重點應該從數據本身轉移到最終的體驗上。他們會希望軟件能有好的UI、簡單的操作，並做好“story telling”，而不僅僅是提供一些數字報告——聽上去簡單，但即使是他們團隊，也卡在了這點上。另外，現在他們主要的數據來源還來自場館內的攝像頭，在被問到有沒有可能會有可穿戴式感應器佩戴到球員身上時，Yu-Han也認為，這是短時間內沒有辦法實現的事。

不過，好消息是，新技術的應用總是比想像中要快的。現在Second Spectrum的平台已經獲得了一些球隊的青睞，包括洛杉磯快船在內的四支NBA球隊已經向他們購買了使用權。Yu-Han說，Second Spectrum的辦公室在洛杉磯的Wilshire大街，透過落地窗，就可以看到湖人和快艇的主場Staples Center，“大數​​據已經來到聯盟了。這些數據一生效，會改變比賽的一切。”他肯定地說。