第1回

個人的にはコース説明でDean Oliver氏も講師として紹介されていて、彼の話も聞きたかったので、その点は少し残念でした。

• スポーツアナリティクスのメインゴール
• スポーツアナリティクスの構成要素
• スポーツアナリティクスの対象

• 時間の節約
  情報(数字だけでなくフィルムなども含む)の収集や分析にかかる時間を減らすことで、これらの仕組みを作ることでGMやコーチといった意思決定者に迅速かつ簡単に情報を提供することが一つのゴールであるとしています。
• より良い情報の提供
  Advanced Metricsや将来の予測といった、これまででは見られなかった情報を提供するということで、具体例として大学の成績からNBAでどの程度活躍するか予測するなどを挙げています。

• データマネジメント(Data Management)
  チームで保持している各種データを適切に集約して管理することを指しており、これによってデータへのアクセスや結びつけが容易となって良い意思決定に繋がると述べています。
  (チームの中にもトレーナーやコーチやスカウトなど、多種多様なスタッフがいて、彼らが個々でデータを持っていると他の人が参照できないのが問題になるとも述べています)
• 予測的分析(Predictive Analysis)
  ある選手がスーパースターになるか標準的なレベルの選手になるかなどフィルムを見るだけでは気づけないような、データによる深い分析や洞察・予測を行うことを表しています。
• 情報システム(Information System)
  各種データや分析・予測の結果に関して適切な情報共有システムを作ることを表しており、例えばGMがスマートフォンで獲得候補の選手のサラリー予測やチームへの貢献度の予測、それらを踏まえたサラリーの適正度合いなどを簡単に見られるようにすることなどが挙げられます。
  (※Basketball referenceは一つの優れた具体例であるとも述べています)
• リーダーシップ
  こちらは少し毛色が異なり、上記の3つを推進するために必要な要素であり、分析で競争力をつけるにはリーダーのコミットやサポート・理解が不可欠であると述べています。

ここまでの話はビジネスでのデータ分析でも同様に必要なことで、どの領域でもデータ分析の基本的なところは変わらないんだなと感じました。
ちなみに、講師はOKCとCLEに勤めていましたが、OKCのGMであるサムプレスティとの仕事のほうがデータ分析での価値をより提供できたと述べていました。サムプレスティのGMとしての経歴を考えると、データも積極的に活用していそうで個人的に納得感があります笑

• 自チーム
  主に自チームの選手のコンディション管理やPlayer Developmentが対象となります
• 対戦相手
  相手に対して有利になるために、相手の長所短所やマッチアップなど色々な観点の分析を行います
• 今後の潜在的な追加要素(Potential Additions)
  FAやドラフトや契約などの分析を指します

• 前年にKDをドラフトしており、今後2~3年で戦えるチームを作るために必要な選手をピックしたい
• スカウトはセンターのドラフトにフォーカスしており、特にブルック・ロペスを検討していた
• プレスティはそのように考えておらず、データ分析をしてくれと依頼があった
• 分析の結果、PGをピックするべきとの結論になった *1
• それを踏まえてウェストブルックが良さそうとなったが、彼は大学でSGとしてプレイしており、NBAでPGとしてプレイできるかが不明瞭だった
  • ポジションごとの予測モデルはすでにあったが、SG→PGへのコンバートに関してはサンプル不足で使えなかった
  • スカウトのレポートだとハンドリングが怪しく、かつドラフト順位としては12~15位との予測で、4位指名するにはリスクがあった
• そのため、ウェストブルックをピックするのが妥当かを判断するために、どういったデータが見るべきかを考える必要があった
• その結果、正しいパスをできる能力を見たいということになり、その具体的な見方として、ウェストブルックからのパスを受けた選手のFG%が、他の選手の場合より高ければ正しいパスをできていると捉えることにした
  • もちろん、そのようなデータはその時点では存在しないので、映像を見て自分たちで集計を行った
  • ウェストブルックだけではなく、他のNBA選手の大学自体のデータも集めた(比較対象として)
• その結果、ウェストブルックは上記の能力を備えているのでドラフトするという決断に至った
• このような分析をしたことで、意思決定の際の不確実性を減らす(≠なくす)ことができた

一口にバスケのデータ分析と言っても、そこには様々な背景や制約やデータ以外の情報などがあり、それらを上手くやりくりして少しでも妥当な意思決定をしようという意思が伝わってきて、とても面白かったです。
ちなみにデータ収集はドラフトの5週間前から開始して、当時のインターンの子にも手伝ってもらったそうです。相当大変だったろうなと思います。*1 また、センターよりPGをピックするべきとした分析ですが、まずKDがどのような選手になるかの予測を行い、その選手像に対してPGとセンターのどちらをペアにするかを分析したそうです
(具体的なやり方の話は残念ながら聞けませんでした)

参加者からも様々な意見があり、例えばBは三者の評価を総合的に見てバストになる確率が低いから選ぶべきだったり、CはAnalyticsでバストになる確率が一番低く、その中ではスターになる確率が高い(GM陣が適切な判断できるか分からない)などなど、面白い議論になっていました。
(A~Eの選手がそれぞれ誰だったのかも公表されましたが、それは参加者特権ということで秘めさせていただければとm(_ _)m)

個人の見解ですが、データ分析の強みとして、分析や予測を行う際のモデルが定量的かつ検証可能な状態で残されていることがあると思います。
人の判断にも優れた面がありますが、なぜそのような判断に至ったのかが不明瞭だったり、ロジックはあるけど定性的な判断になっていることが多々あり、そうすると検証が行いづらくなってしまいます。
データ分析はその意味で、どんどん改善していくことが可能なアプローチであると言えるでしょう。Data Centered Approachと似た概念としてData Drivenがありますが、講師の認識としては、後者はオンラインサービスなど多くのデータを抱えていて、しかもABテストなどで実験もできるのでData Drivenで良いが、スポーツアナリティクスではそういったことができないので、あくまでData Centeredにしてデータ以外の観点も盛り込んでいく必要があるとしています。
確かに、例えばドラフトは年で最大60人しかデータ数が確保できず、しかも彼らの評価ができるのも数年後と時間がかかる類のものなので、これを踏まえてピックする選手をデータのみで判断するのは相当難しいなと感じます

第2回

• ボックススコア
  • 基本的なデータ。これを使うことで、試合で何が起こったかをクイックに要約・把握することができる。分析の取っ掛かりとして使えるデータ。
  • しかし、ネガティブな面として文脈を失っていることが挙げられる(誰が誰にアシストしたのかなど)
• プレイバイプレイデータ
  • ボックスコアよりも深い分析が可能になっている。細かいアクションが時系列で記載され、その時に誰がいたのかも分かるので、ボックスコアより文脈を追うことができ、さらにプラスマイナス分析もできる。しかも、これは誰が見てもどんなアクションが起きたか分かるデータとなっている。
  • しかし、ネガティブな面として、いまだに欠落している文脈がある(すべてのパスや選手の位置など)
• トラッキングデータ
  • 空間と時間を追えるようになり、とても粒度の細かいデータが取れるので、ボックスコア・プレイバイプレイデータよりさらに深い分析ができる
  • 一方で、取得するデータはあくまでボールや選手の位置を占めす座標であり(下記イメージ画像)、これを読むだけで何が起きたかを解釈することができない。そのため、このようなデータを扱える専門家が必要となる

*1 この時点での位置だけでなく、DFの進行方向なども算出できるため、そういった種類のトラッキングデータも使って算出しているようです。
(イングラムの位置と正反対に向かっているなら、イングラムに出せばオープンになりやすいと予想できますからね)

• レイカーズはオフェンス面でリーグ23位にランクしていた *2
• レブロンとウェストブルックがコートにいるとき、53%のプレーはPnRだった
• ウェストブルックはオフェンスの42%で主要なボールハンドラーだった
• ウェストブルックのPnRの89%はレブロン以外とのもので、得点効率としては0.91 pts per playだった
• レブロンとの場合は1.1pts per playだった
• これらを見ると、ウェストブルックとレブロンのPnRを増やせばオフェンスのランキングも上がったと考えられる
• 実際、ウェストブルックとレブロンのPnRの映像を見ると、レブロンにレーンのスペースを与えることができていて、効果的なオフェンスということが分かる
• この内容を伝えれば、彼らはその役割をもっと引き受けてくれたかもしれず、そう考えると彼らがフィットしていなかったとは安易に言えない

上記のような役割分担ができないなら結局フィットしていないという観点もあると思いますが、フィットしていないというのはどういうことなのかを解像度高く議論できる状態になるのもトラッキングデータのメリットかなと思います。

*2 どういう指標で23位かの明言はありませんでしたが、おそらくオフェンシブレーティングだと思われます

趣旨とは少しずれますが、トラッキングデータを使って本格的に分析をする際には、取得する項目の詳細定義や取得するまでの流れを把握する必要があると個人的に考えています。
例として、「レブロンとウェストブルックがコートにいるとき、53%のプレーはPnRだった」という情報に対して、53%の分母と分子は何なのか、PnRをどのように判定しているのかといった情報は、外からだとブラックボックスになっています。
例えば53%というのが、1ポゼッションの中でPnRを1回でも利用した割合なのか、最終的なフィニッシュに繋がるプレイがPnRだった割合なのかなどは不明瞭で、この内容によって結果の解釈は変わってくると考えられます。
ボックススコアやプレイバイプレイデータはそこらへんが比較的明瞭だと思うのですが、トラッキングデータは曖昧なので、必要があれば深く調べる必要はあるでしょう。

1. 全てのPickの回数やそこからの得点数
2. 上記1をボールハンドラーとスクリナーが誰なのかで分解した場合の、それぞれでのPickの回数や得点数
   (オーバーやスイッチなどDFの守り方などでの分解も可能)
3. 見たい組み合わせをクリックすることで、実際の映像を見ることができる機能

実際のフィルムも交えた分析は必要ですが、とりあえず取っ掛かりとしてとても有用そうだなと感じています。対戦相手の分析をする時に回数が多くて、かつ得点効率も高い攻め方がすぐに特定できるので、そこからスムーズに深掘り分析に移行できそうです。Pickの種類は機械学習で分類していて、学習用のデータとしてチーム関係者にラベリングしてもらったらしいです(これはiceでこれはunderでなど)
ただ、個人的にこのデータが本当に正しく分類されているのかは気になっています(例えばスペインピックなど)
とりこぼすくらいなら多少異なるのが入っていても網羅されてる方がいい気もしていますが、データの精度判定など、どのように運用しているのか知りたいなと思っています。

個人的な見解として、これは大なり小なりデータ活用が進んでいるNBAならではの状況かなと思っています。そもそもデータ活用をしていないチームが多いなら、先陣を切って活用するだけで差をつけたり or 強みにしたりできるでしょう。新しく使えるデータを定義・収集する例として、スパーズが海外の選手の情報を集めて優れた外国人選手をリクルートしていたことも挙げていました(参考記事)。これはとても分かりやすい例ですね。

• スティーブ・ナッシュのドラフト時に、予測モデルで彼の活躍を予測することはできなかった
• 彼の実力を判断する時に何を見逃していたのか、どのようなデータがあれば彼の活躍を予測できただろうと考えた時に、ある論文を目にした(Action anticipation and motor resonance in elite basketball players)
• 論文の内容は、プロ選手・プロコーチ・バスケに詳しいファンの3グループに対して、バスケのFTの映像をボールが手を離れる瞬間までを見せ、その後に決まるかどうかを予測させて、その精度とスピードを計測した。
• 結果として、プロ選手は他の2グループよりスピードも精度も高く、コーチとファンの間に違いはなかった。
• また、脳波も計測したところ、バスケに詳しいファンとプロコーチは理性的な判断をする箇所の活動が盛んだったが、プロ選手は反射的な判断をする箇所の活動が盛んだった。
• ここから、彼らは判断をするのに考える必要はなく、シンプルに反応をしているだけといえる。だからこそ、彼らの判断は素早く、しかも成功した選手ということは判断も正確であると言えそうである。
• こういったデータを集めれば、ナッシュのような選手を評価したり、great athleteであるだけの選手を見分ける(大学ではそのフィジカルで通用するけど、NBAではフィジカルの優位性が薄まってしまい、他の強みもないので消えてしまう選手)こともできるのではと考えた
• ただ、ドラフトの時に論文と同じように脳波を測るわけにはいかないので、代わりとしてプレーを途中まで見せた上で、その後に誰がシュートを打つのかを予測させて、その速さと精度を測るなどした
• ドラフト予定のない選手のキャンプで試してみたところ、好成績を収めた選手がいて、その選手はケント・ベイズモアだった
• これでナッシュの活躍を本当に予測できたかは分からないが、彼のドラフト時の評価を高くすることはできただろうと考えている

川崎ブレイブサンダースが日々の運動データを収集して健康管理(記事リンク)しているというのも聞きますし、選手の発言をテキストマイニングで分析するといった論文を見たこともあるので、新しいデータを見つけるというのもなかなか面白そうですね。

このようなデータをトラッキングデータとして扱うのは、データ取得の観点でもデータ分析の観点でもなかなかハードルは高いものと思います。
しかし、逆に言えばこのようなデータをしっかり見れている人や組織は少ないとも言えるので、選手の姿勢とそれに付随するデータを集めて分析するのは相当な価値があるとも考えられます。
新しいデータを見つけるというアプローチとして面白そうですね。

第3回

異なる箇所はポゼッションの計算式です
講義：FGA + 0.44 * FTA + TO - ORB
記事：FGA + 0.44 * FTA + TO
一般的に使われるのは講義内の式ですが、記事のような式のパターンもあり、ここは解釈のしやすさだったり、扱いやすさだったりでどちらを使うかを決めるのが良いかなと考えています。

数値の意味合いとして、チームAはオフェンスのときの4 factors、チームBはディフェンスのときの4 factorsになっています。そのため、チームBの場合は対戦相手のEFG%・FTR・TOV％及び自チームのDREB%(=相手のOREB%の逆)となります

シーズン中の、次の試合に向けた分析は時間的余裕がないため、このように短時間で筋の良い分析を行うための取っ掛かりとして有用そうだなと実感しました。
また、少し細かいテクニックですが、Basketball Referenceでは、各種スタッツを見たいチームだけに絞って比較することができるようです。画像と説明を載せたので、興味がある方は試してみてください。推しチームの次の対戦相手のスタッツと比較するときなどに便利だと思います。
(B.LEAGUEでもこういう機能あるといいですね)

• 一般的なシューティングメトリクスとして下記が挙げられる
  • FG%
  • FT%
  • eFG%
  • TS% = PTS / (FGA + 0.44 * FTA)
• しかしこれらの指標は、シューティングメトリクスというよりスコアリングの効率性を測るメトリクスと捉えるべき
• そこでシューティングメトリクスを下記の2つに分解して考察してみる
  (詳細は次回の講義で)
  • Shot Making(シュートを決める)
  • Shot Selection(シュートを選ぶ)

第4回

• 一般的なシューティングメトリクスとして下記が挙げられる
  
  
  • FG%
  • FT%
  • eFG%
  • TS% = PTS / (FGA + 0.44 * FTA)
• しかしこれらの指標は、シューティングメトリクスというよりスコアリングの効率性を測るメトリクスと捉えるべき
• そこでシューティングメトリクスを下記の2つに分解して考察してみる
  • Shot Making(ショットを決める)
  • Shot Selection(ショットを選ぶ)

注意点として、Shot Selectionは構成比なので、データの性質上、同一チーム内でプラスとマイナスのデータが出てきます(すべての距離でプラスや、すべての距離でマイナスにはならない)。
なので、Shot Selectionを見る際は、Xという距離でマイナスが出ているから悪いという意味合いにはならないので注意してください。
なお、Shot Makingに関しては構成比ではないので、すべての距離でプラスになることもあります(サンズなど)。

今回はショットの距離をSelectionの分割軸として使いましたが、どのようなデータを使うかは分析の目的や手持ちのデータによって変わってきます。
ex)C&Sとプルアップに分ける / オープンショットとタフショットに分ける

チームで使うなら、戦術を踏まえてこのようなShot Selectionになるのが理想で、そこから外れているなら何かしら問題があると考えて要因を深掘るなどができそうですね(トム・ホーバスのスタイルなら3Pを重視するので、全体のx%は3Pになっているべきなど)

個人的には、どのチームも作りたいショットとして①リム周りのショット ②オープンの3Pショット ③FT があると思うので、これらの要素を分割軸に加えたものは汎用性が高くなるのではと思っています。

• ショットの良し悪しを、Selectionの良し悪しとMakingの良し悪しに分解して見ることができる
• Selectionに関して使えるデータが多様で、様々な面からの分析が可能