ballbet贝博·艾弗森官网

化学课:队友熟悉度对 NBA 投篮表现的影响
栏目:ballbet贝博艾弗森官网 发布时间:2025-10-24 03:12:04

  SSAC25即第19届麻省理工学院斯隆体育分析会议,于2025年3月7 - 8日在海恩斯会议中心举办。作为体育分析领域的重要年度活动,它汇聚了体育界、科技界和学术界的专业人士、学者与爱好者。会议期间,通过演讲环节,行业知名人士分享见解;众多研究论文展示涵盖棒球、篮球、足球等多个体育项目的前沿成果,为体育行业提供创新思路与科学决策依据,促进体育分析学术研究发展与国际交流合作,对提升体育赛事各方面水平意义重大 。

  如果您认可我的内容的话,我非常希望您可以帮我转载/传播一下,让更多人了解前沿的文献/产品相关资讯!大郭在这里抱拳了

  当克里斯·保罗在 2020-21 赛季开始前与菲尼克斯太阳队签约时,他从未与队中出手最多的三位射手(德文·布克、德安德烈·艾顿和米卡尔·布里奇斯)一起打过球。他不知道他们在场上如何移动,也不知道他们想在哪里接球才能最有效地配合他们的投篮动作。他对队友的不熟悉就暴露无遗,在赛季的前两个月,这三人利用保罗的传球完成了 74 次投篮,有效命中率为 46.6%。在整个赛季中,随着比赛和训练的不断进行,队友之间的熟悉度不断提高。保罗学会了如何组织队友以最大限度地提高他们的效率。在过去的 20 场比赛中,这三人利用保罗的传球完成的投篮,有效命中率为 72.3%,这表明队友之间的熟悉度不断提高。太阳队就是一个具体的例子,它体现了我们通常所看到的:当球员们一起打球时,他们会学会如何更好地配合。队友熟悉度能提高投篮命中率,尤其是在接球即投的跳投中。衡量熟悉度对投篮命中率的影响,包括平均水平和球员个体差异,对球队建设和球员发展具有重要意义。本次演讲将提出一个衡量熟悉度对投篮命中率影响的框架,并展示2019-2024赛季的成果。

  ▼ 作者Max:我郭佰鑫在这里实名感谢Chris Paul在总决赛的神助攻!

  迪恩·奥利弗凭借其2004年出版的著作《纸上谈篮球》(Basketball on Paper),开创了篮球分析运动。此后,他曾在NBA球队管理层和助理教练岗位工作,将数据分析融入决策流程。2011年,他参与创建了ESPN的体育分析团队,并于5月重新加入该团队。他的新书《超越纸面的篮球》(Basketball Beyond Paper)于11月出版,记录了他在NBA工作期间的经历与研究。

  本杰明·阿拉马在数据科学和体育分析领域已作为领军人物和创新者活跃了20余年。他为包括ESPN、俄克拉荷马雷霆队、克利夫兰骑士队和StubHub在内的众多机构开发了前沿分析工具,并打造了分析团队。他的工作涵盖:设计创新模型(为机构在体育竞技和商业层面的决策提供依据)、打造与决策者协作的高绩效团队,以及与高层管理人员合作,将数据和分析有效纳入决策流程。此外,他还拥有出色的教学生涯,曾在哥伦比亚大学、麻省理工学院(MIT)、莱斯大学、马萨诸塞大学、旧金山大学和门洛学院授课。他发表了大量体育分析领域的研究成果,并为《ESPN》《分析学杂志》(Analytics Magazine)和《华尔街日报》等媒体撰写体育分析相关文章。此外,他还是《体育定量分析杂志》(Journal of Quantitative Analysis in Sports)的创始编辑,并著有《体育分析:教练、经理及其他决策者指南》(Sports Analytics: A Guide for Coaches, Managers and Other Decision Makers)。

  这项研究的出发点是系统性地探索NBA中队友之间的“化学反应”(Chemistry),将其具体定义为传球者-投篮者之间熟悉度对投篮表现的影响。

  广义假设:研究人员认为,与工作伙伴(队友)变得熟悉的过程,有助于提升工作表现,这不仅仅适用于篮球领域。因此,他们希望系统地研究这种“熟悉度”是否能带来可量化的优势。

  研究焦点:研究专注于投篮(Shots),特别是接球投篮(Catch and Shoot)机会,因为投篮可以被更好地分解和衡量,包括投篮选择和投篮准确性。

  排除因素:尽管失误(Turnovers)显然也与熟悉度相关(熟悉后传球会更准确),但由于失误的描述和分析难度更大,本次研究中暂时忽略了失误。

  研究通过几个著名球员中途换队的案例,印证了“赛季中途引进球员,表现可能会先变差再变好”的观点,这暗示了熟悉度需要时间建立。

  球队初期表现不佳,但随后表现迅速提升(最终战绩约40胜20负),成为统治性球队。

  欧文转到达拉斯与卢卡搭档初期,其传球后出手PTA表现不佳,直到第二年才显著提高。

  为了精确衡量“更好”的投篮,研究人员构建了一个包含多维变量的投篮质量模型。

  模型目标:计算每次投篮的预期得分(Expected Points),即投篮概率乘以投篮分值(两分乘以2,三分乘以3)。

  核心变量:模型使用了投篮类型、投篮位置,以及NBA提供的一套压力分数(Pressure Scores)作为关键输入。

  压力分数细节:压力分数旨在量化防守者对球员的影响,根据防守者与球员之间的距离定义,分为三个层级:

  模型选择:研究人员尝试了多种底层模型,最终选择了XGBoost模型,因为它提供了最佳拟合度。相比之下,随机森林(Random Forest)产生了奇怪的结果,而逻辑回归(Logistic Regression)效果不够理想。

  研究通过对数-对数形式(log log form)的回归分析来量化熟悉度对投篮质量的影响。

  熟悉度计数器:模型中纳入了两个关键计数器来追踪传球者和投篮者之间的合作尝试次数:

  样本范围:研究集中在2023-2024赛季,分析了1600个传球者-投篮者组合,这些组合通常有10到50次接球投篮尝试,平均每次尝试得分为1.12分。

  研究结果显示,随着传球-投篮尝试次数的增加,球员在投篮选择和投篮准确性上都展现出显著且相似的“学习曲线”。

  投篮者找到了离篮筐更近的位置(仅针对两分球);传球者承受的压力下降(传球更舒服、更及时)。

  接球投篮机会的压力分数整体下降了约**4%**(在前100次投篮中),表明传球者能够在防守完全反应前找到更空位的队友。

  长期效果:到第二个赛季结束时,球员在投篮选择上比第一个赛季结束时表现更好。

  边际收益递减:虽然跨赛季连续性是有益的,但额外的熟悉度带来的边际收益会持续下降。如果研究增加第三个赛季,起始点仍会低于第二个赛季的峰值,但与第二个赛季的起点不会有太大差异。

  从第一次到第50次投篮尝试的总体性能提升中,研究发现提升几乎均匀地分布在两个方面:

  50% 归因于投篮质量(Shot Quality):即投篮选择的改善,这是模型中可测量和解释的部分。

  50% 归因于准确性(Accuracy):即实际命中率高于模型预期,这是难以通过模型变量解释的部分。

  投篮准确性的提升(即实际得分减去预期得分的残差)是模型无法完全解释的部分,它可能来源于难以量化的心理和技术因素。

  信心(Confidence):当球员被重复传球到相同位置并被鼓励出手时,他们会建立信心,使得投篮时“大脑不会干扰投篮”,出手会更自然。克里斯·保罗就是一个例子,他从不缺乏自信。

  节奏与时机(Rhythm and Timing):球员学会了如何跑动到特定位置,以确保传球在准确的时机到达。这种节奏感是基于过去数百次情况的积累,而非仅仅基于当前情况。

  接球位置偏好:不同的球员喜欢在胸部高度接球,或者在较低的射手区(shooting pocket)接球,或偏好从左侧/右侧接球。这些细节并未纳入投篮模型,但会影响准确性。

  这项研究为理解“化学反应”提供了一个具体、可量化的起点,并引出了许多关于如何应用和深化研究的建议。

  加速学习曲线:NBA球队可以利用其内部的训练数据(Practice Data)来研究特定的训练方法(如小场地比赛或三对三)是否能有效缩短或加速这些学习曲线。

  轮换与选人策略:可以研究某些球员是否属于“即插即用”(Plug-and-Play)型,无论与谁搭档都能保持投篮质量。同时,也可以研究是否有些球员无论与谁搭档,都能获得相似的投篮机会(例如,有些球员作为替补或首发获得的投篮是相同的)。

  球员类型差异:可以研究不同位置(如大个子到大个子,或大个子到小个子)之间的传球效果是否存在差异。

  球星与角色球员:星级球员和角色球员的学习曲线可能不同。例如,角色球员可能在投篮时间快结束时接到质量较差的传球,但这种差异可能已部分体现在模型中的压力分数和投篮时钟控制中。

  适应性学习(Learning How to Learn):可以探索像“老油条”(Journeyman)球员(经常换队)是否因为经验丰富、更灵活,能更快地适应新队友,从而拥有更快的学习率。

  伤病和中断:可以研究如果球员因伤长期缺阵,他们的学习曲线是否以及会重置多少,或者说,是否需要在球员复出时重置赛季内计数器。

  新秀(Rookies):新秀不仅要适应新队友,还要适应整个联盟。可以研究是否应该为他们设定不同的趋势模型。

  更广泛的化学反应:除了接球投篮,未来研究可以扩展到阵容效率、配合技巧(例如,像沙滩拍球的比喻,探讨不同技能组合是否能更好地“配合”)以及防守端的任务适应(例如新秀对防守任务的学习曲线)。

  交易策略:虽然研究数据本身不能直接指导交易策略(如交易两名球员而非一名),但它强调了连续性带来的潜在益处。

  本研究虽然成功量化了“化学反应”的两个关键组成部分——投篮选择和投篮准确性,但其结果也提出了大量关于模型局限性和未来研究方向的问题。

  准确性(Accuracy)的难解释性:研究发现,总提升中的约 50% 来自于投篮准确性的提升(实际得分减去预期得分)。然而,这部分提升是模型中难以量化的因素所致,包括心理和微妙的技术配合。

  难以量化的因素:包括球员的信心(大脑不干扰投篮)、节奏和时机(知道如何到达特定接球点),以及传球者对投篮者传球偏好和射手区(shooting pocket)的掌握,例如球员喜欢在胸部高度、较低位置或左侧/右侧接球等。

  模型输入限制:研究使用的投篮质量模型纳入了距离、位置和压力分数,但没有包含节奏感或传球偏好等更深层次的细节。

  跨赛季对比:如果增加第三个赛季,其起始表现会低于第二个赛季的峰值,但不会与第二个赛季的起始点相差太大。这表明虽然连续性有益,但效益提升会趋于平缓。

  曲线的形状:研究采用了对数-对数回归形式,虽然在不同赛季,学习曲线的起始点不同,但曲线的总体形状(凸度和斜率)是相似的,没有观察到显著的统计学意义上的交互项来剧烈改变曲线的形状。

  由于研究使用的是比赛数据,无法直接提供干预性结论,但引发了关于教练应用的研究方向。

  加速学习:球队拥有训练数据(Practice Data),可以研究小场地比赛(如三对三和四对四)是否能帮助缩短或加速这些学习曲线。这是研究的“指导性(preive)”方面。

  轮换策略:可以研究某些球员是否属于“即插即用”型,无论与谁搭档都能保持稳定的投篮质量。这与教练组考虑是否将某些球员作为首发或替补时,他们获得的投篮机会质量是否保持一致有关。

  这项研究引出了大量进一步细分和分类研究的需求,以应对“噪音”和个体差异。

  球员类型差异:可以研究不同位置/角色球员的学习曲线是否存在差异,例如“大个子到大个子”的传球,或者球星和角色球员(他们可能在更不利的情况下接球,如投篮时间快结束)的差异。

  适应性(Plug-and-Play):某些球员在传球和投篮侧是否比其他人更具“即插即用”的能力?

  “学习如何学习”(Learning How to Learn):可以探索像“老油条”(Journeyman)球员(换队次数多)是否会因为适应性强而具有更快的学习率,或者研究老将与年轻球员的学习速度差异。

  伤病与中断:可以研究如果球员在赛季中因伤长期缺阵,他们的学习曲线是否会重置,以及重置的程度。

  新秀(Rookies):新秀不仅要适应新队友,还要适应整个联盟的打法,可以研究是否应该为他们设定不同的趋势模型。

  超级控球手:可以针对像克里斯·保罗(Chris Paul)这样的“超级组织者”(lead initiators)进行预测性分析,因为他们样本量更大,看他们是否能使曲线更平缓(更快)。

  防守端的学习:可以研究球员(特别是新秀)在学习防守任务和概念时,是否也存在类似的学习曲线。

  失误的深入研究:目前失误很难研究,但如果能像橄榄球那样细化失误的描述(如“沟通失误”、“传球过高/过低”),将极大地帮助全面研究“化学反应”。

  两人交易:研究结果并不直接支持球队为了保持“互补性(complementarities)”或“外部性(externalities)”而进行两个对两个球员的交易,因为这样做会增加交易风险。交易的成本和人才价值往往是更大的考量因素。

  投篮选择(Shot Selection)的提升是熟悉度带来的可量化优势之一,它直接提高了投篮机会的预期得分(Expected Points)。

  初期爆发:在最初的50次接球投篮尝试中,投篮选择(预期得分)提升了约 **7%**。

  持续增长:从 50次到200次投篮尝试,投篮选择继续提升了约 **4%**。

  曲线特点:学习曲线显示出快速的早期提升,随后增长速度放缓,但继续保持增长趋势。

  投篮选择的改善来源于更好的出手环境,这主要通过 NBA 提供的多维度压力分数(Pressure Scores)的下降来体现。

  传球者压力下降:传球者承受的压力分数下降,这意味着传球者在传球时处于更舒服的状态,能够更快或更及时地完成传球。

  整体空位度提升:接球投篮机会的压力分数整体下降,在前100次投篮中,下降了约 **4%**。这表明传球者能够在防守者完全做出反应前,找到更空位的队友。

  距离变短(仅两分球):如果尝试的是两分球,投篮者成功找到了离篮筐更近的位置,使投篮距离缩短。

  研究中约50%的性能提升归因于投篮准确性(实际得分减去预期得分),这部分无法完全通过模型中的距离、位置和压力变量来解释,而更多依赖于心理和技术配合。

  信心(Confidence):当队友反复在同一位置传球并鼓励投篮时,球员建立了信心,使得投篮时“大脑不会干扰投篮”,出手更自然。例如,克里斯·保罗就是一个不缺乏自信的球员。

  节奏与时机(Rhythm and Timing):球员学会了如何跑动到特定位置以接球。这种节奏和时机感不是基于当前情况,而是基于过去数百次情况的积累。

  教练层面知道,不同的球员有不同的接球偏好,例如喜欢在胸部水平、较低的射手区(shooting pocket),或从左侧/右侧接球。

  传球者对这些偏好的掌握提高了传球的精度,即使这些细节没有被纳入投篮模型,它们仍有助于提高命中率。

  研究人员强调,虽然结果具有统计显著性,但实际应用中存在大量“噪音”,需要平衡深入分析和保持数据清洁。

  统计显著性:研究得出的数字具有统计显著性,但研究人员指出,这仍然意味着存在“噪音”(noise)。

  细分增加噪音:如果试图将这些曲线按球员个体、球员组合或不同投篮位置进行细分,可能会导致更多的洞察,但也会同时引入更多的噪音。研究者需要努力平衡这两者。

  失误的难题:失误(Turnoballbet贝博vers)被认为是影响联盟效率随赛季提升的关键因素之一,但由于失误的描述缺乏细节(没有像橄榄球那样细分“未沟通好”、“传球过高”等),使其难以像投篮一样进行系统研究。

  新秀(Rookies)的特殊性:新秀不仅要适应新队友,还要适应整个联盟的节奏和难度。研究中没有对新秀设置特定的年龄或经验调整,未来可以探讨是否需要为新秀设置不同的趋势模型。

  更广泛的定义:更广义的“化学反应”可以包括阵容效率、技能组合的契合度(Fit,例如“沙滩拍球”的比喻,探讨不同技能是否能更好地配合)以及非进攻端任务(如新秀在防守端的学习曲线)。

  实践数据的价值:研究人员指出,由于他们无法获取训练数据(Practice Data),无法直接确定哪些干预措施有效。

  球队应用:NBA球队可以利用自己的训练数据,例如小场地比赛(Small-Sided Games),如三对三和四对四,来研究这些训练是否能加速或缩短学习曲线. 适应性与个体差异

  非持球掩护(off-ball screens)等复杂配合上的化学反应是否也有类似的学习曲线,因为这种配合比持球掩护更难协调。伤病中断

  重置赛季内的学习计数器?以及重置的程度是多少?这是一个有趣的维度。第十部分:学习曲线的数学特性与连续性(Continuity)

  曲线的凸度和斜率(斜坡)在不同赛季中大致保持一致。2. 跨赛季连续性的量化优势

  边际收益会持续下降。如果加入第三个赛季,起始点仍会低于第二个赛季的峰值,但与第二个赛季的起始点差异不大。第十一部分:研究的局限性与“噪音”的平衡

  研究人员可以通过将数据按球员个体、球员组合或不同投篮位置进行细分,来获取更多的洞察。

  更快的学习率。例如,伊什·史密斯(Ish Smith)在研究人员的团队中就是这样的例子,他可能因为熟悉联盟中的许多射手,知道如何更好地让他们获得空位机会。

  与先前队友合作的年限等因素纳入模型中来检验这些假设。2. 模型外部因素的探索

  重置,以及需要重置多少。先变差再变好(Worse Before Better)

  防守任务和概念时是否存在类似的学习曲线,因为新秀在防守端通常会遇到困难。

  训练数据(Practice Data)来测试小场地比赛(如三对三和四对四)等干预措施是否能缩短学习曲线。团队配合

  无球掩护(off-ball screens)等复杂配合中,球队的协作能力随时间提高了。2. 人员配置与交易风险

  不支持球队为了保持互补性或协同效应而进行“两个对两个”的球员交易。这种交易会增加风险,而且交易的成本和人才价值往往是比熟悉度更大的决定因素。返回搜狐,查看更多