NBA 球队利用数据科学打造完美团队 [视频］
当一个书呆子被高中篮球队队长塞进储物柜时，他们都不会想到有一天他们会成为同事。但是，在新技术和数据科学的帮助下，书呆子为这些运动员赢得 NBA 总冠军立下了汗马功劳。"钱球 "是真实存在的，它正在改变 NBA 和制造业。
NBA 球队如何利用新技术和数据科学？
2020 年，菲尼克斯太阳队启用了一个耗资 4500 万美元、占地 53000 平方英尺的训练中心，该中心配备了 150 个摄像头、中枢和 # 传感器，用于跟踪所有数据，包括某些战术中的球的移动以及表明疲劳的球员动作变化。NBA 球队一直在寻找提高球员表现的新方法，这种竞争驱动力促使他们采用前所未有的新技术来收集信息。
2013 年前后，几支 NBA 球队开始使用摄像机跟踪球员和球的运动，并收集更复杂的数据。当他们开始教计算机一些基本动作和术语时，他们发现了一些令人着迷的东西：他们可以看到哪些投篮在统计上最有价值，并了解到哪些投篮的投资回报率最高。然后，他们继续深入研究。
随着他们向计算机传授越来越多的篮球知识，机器从了解基础知识成长为专业级知识，比人类个体更了解篮球比赛。摄像机会观察每场比赛的每一秒，并利用机器学习来理解时间、空间和速度中的关系和模式，这也被称为时空模式识别。摄像机和计算机可以跟踪每一个球和球员的动作，帮助球队制定更好的战术。
最初，只有一半的联赛使用视频跟踪来收集数据。现在，视频监控已成为所有 30 支 NBA 球队的标准配置，NBA 还提供多页免费在线统计数据。
球队甚至还尝试在球员的球衣上安装设备，以更好地跟踪运动情况，防止受伤。
今天的数据与过去的数据有很大不同，因为它 衡量的是过去的定性数据：是什么让一个战术成为 "单挑 "或不是 "单挑"？什么是好的投篮或射手？球队可以肯定地回答这些问题，而不只是凭直觉，因为他们有数据支持，这些知识彻底改变了攻防策略。
数据科学如何改变了 NBA？
数据显示，三分球是最有价值的投篮；由于命中概率低，因此风险最高，但由于得分最高，因此回报也最高。
过去，球员们尝试过很多中距离投篮，直接从三分线外出手。数据显示，这些投篮的投资回报率最差。它们离篮筐的距离几乎和三分球一样远（风险差不多），但它们的得分只有三分球的三分之二（回报较低）。
球队很快就意识到了这一点，并将其运用到自己的优势中。
在过去的 20 年里，NBA 的三分球命中率稳步上升，而中距离投篮的命中率却在下降。
下图中的红点表示 01-02 和 19-20 两个赛季中尝试投篮次数最多的两个赛季（颜色越深表示尝试投篮次数越多）：
几十年前，球员们经常紧贴篮筐站位：
现在，他们分散站在三分线外：
这种新的比赛观不仅改变了战术，也改变了球员的招募和薪水。托拜厄斯-哈里斯曾是联盟中名不见经传的威胁，但当球队关注数据时，情况发生了变化。结果，他得到了一份价值 6400 万美元的合同。
除了进攻和招募，球队的防守也有所 调整。球队知道中距离投篮效率不高，因此现代防守往往会迫使射手进行中距离投篮（又称落位掩护）。
所有这些看似简单，但球队并不是在电脑上按下 "回车键 "就能发现这些问题。他们的办公室里有很多数据科学家和统计学家在进行研究和编程，虽然 NBA 会公布公开的统计数据，但球队喜欢对他们的具体策略保密。就像职业体育中的一切一样，竞争异常激烈。
NBA 球队可以利用数据来培养完美的球队吗？
简短的回答是：不能。
即使拥有数据科学的竞争优势，获胜的秘诀也不是非黑即白的。
球队可以整天使用摄像机和电脑来追踪数据和动作，但电脑并不能总是检测到影响比赛的现实因素。生活中的不完美仍然会产生影响。
球队需要同时考虑投篮质量和射手质量。你可以有一个很弱的射手，却能投进很多好球（投资回报率高），也可以有一个很强的射手，却能投进很多坏球（投资回报率低）。策略的变化取决于球队中的球员和对手。
例如，根据数据，中距离投篮效率很低。但如果有人是一名优秀的中距离射手，比如卡瓦伊-莱昂纳德呢？
如果防守方利用所有资源防守效率最高的位置（三分线外和篮筐正下方），那么像莱昂纳德这样的强力中距离射手就能从中受益。NBA 中一些最出色的球员--卡瓦伊-莱昂纳德、凯里-欧文，甚至斯蒂芬-库里--都是致命的中距离射手：
中距离投篮在 "元游戏"中很有价值，"元游戏 "是游戏中超越教科书和电脑的部分。
球员和教练不会在真空中竞争。他们必须根据对手的实时行动做出自己的决定，而不仅仅是纸上谈兵。幸运的是，数据比以往任何时候都来得更快，在未来，教练和球队或许可以将数据和实时情况结合起来，在比赛中做出决策。
数据和完美可以用于场外吗？
数据科学的成就并不局限于 NBA 甚至体育界。数据科学和运动研究已迅速扩展到生活的各个领域，包括制造业。
正如 NBA 球队可以追踪球员和球的运动一样，制造商和工程师也可以利用高质量的数据，通过 Digital Twins 来追踪机器的运动：
利用这些高质量数据，工程师可以快速设计部件，并在设计进入现实世界之前对机器的运动和功能进行虚拟测试。他们还可以使用来自组件的产品数据来为复杂的自动化任务编程（例如，为工厂中的自动化手臂编程），这一过程属于工业 4.0 的范畴。
工厂中的计算机可以利用机器学习来收集运动数据（如最大速度和运动范围），并预测机器何时会出现故障。建筑师甚至可以利用数据来预测建筑物的各个部分将如何协同工作。
结论：完美并不代表一切......在体育运动中
数据科学无法预测一切，但 NBA 球队也不希望如此。比赛的不可预测性是门票和广告的卖点。如果我们能准确预测比赛的每一个细节，那观看比赛还有什么意义？也许我们不应该在体育运动中追求完美，而应该瞄准其他目标，比如我们的汽车和建筑。
虽然在体育运动中追求完美很难实现，但数据科学的进步改变了 NBA，为工程和制造等其他领域提供了宝贵的经验。
正如 NBA 球队利用数据完善战术和提高球员表现一样，工程师也可以利用3Dfindit等平台获取准确、高质量的组件数据并优化设计。这不仅能提高效率，还能突破产品开发的极限。
无论是追踪篮球还是机器的运动，整合数据和技术都能为您带来竞争优势，推动各行各业的创新和卓越。
立即访问 3Dfindit 并从 6,000 多种目录中下载 100 多种不同格式的 3D CAD、CAE 和 BIM 制作模型！
