为什么nba统计比较客观（NBA数据统计的利与弊：本意是服务比赛，但很容易混淆事实）

　　NBA的数据统计非常发达，不夸张地讲，只要你能想到的数据，就会有对应的记载。但是在数据为比赛带来便利的同时，也不可避免地产生了很多问题，有的时候，数据并无法反映真实的比赛情况，甚至会混淆视听，下面我们就来详细聊聊，数据统计的利与弊。

　　▼数据统计三大优点

　　1、带来便利

　　

　　现在观看NBA比赛，基础数据几乎成为不可分割的一部分。所谓基础数据就是指未经过二次计算，直接统计比赛中的得分、篮板、助攻等各项指标，是最直观的数据，也是应用最广泛的数据。

　　很多球迷没时间看直播比赛，经常会直接打开比赛的数据统计表，以此来判断球员表现好坏；或者是看比赛过程中，随时关注数据变化。这就给大家带来了观赛便利，可以第一时间通过客观信息来完善观赛感受，加强对比赛的认知。

　　2、详细记载

　　

　　如果一名球迷对NBA有充分的兴趣，如何了解以前的球员呢？最常用的方法就是视频集锦和数据统计。但是仅凭集锦只能获取片面信息，只有数据统计才能更清晰、更完整地反映曾经的比赛状况和球员表现。

　　NBA有庞大的数据库，几十年前的比赛统计、球员数据都有详细的记载，这样一来，可以让球迷们最快速地了解和熟悉NBA的历史。

　　3、适合推广

　　

　　除了基础比赛数据，NBA还有每一年详细的奖项获得统计，拿MVP为例，只要你想查，当赛季的完整投票计数都能看到，这就给球员排名提供了客观依据。

　　正所谓“文无第一，武无第二”，竞技体育的魅力就是竞争、比较。球迷不仅喜欢看比赛中的激烈对抗，更喜欢对知名球星谁强谁弱展开讨论。

　　而NBA的荣誉统计和数据统计，就提供了相对客观的平台，让球星强弱这个本来很主观很难找到统计论据的话题，有了相对客观的条件基础。

　　而球迷在寻找论据的过程中，就是查找数据的过程，这样一来，无形中对NBA的历史就有了印象，NBA就这样不知不觉间，完成了对联赛历史的推广。

　　▼数据统计存在的问题

　　数据统计有很多好处，但是也存在很多问题，而且有些是极为隐蔽，很容易让人陷入误区的大问题。

　　1、基础数据的局限性

　　

　　基础数据也就是我们通常看到的得分、篮板、助攻、抢断、盖帽、失误等统计，正如前面提到的，这些统计能帮助观众更清晰地观看比赛，但也存在局限性。

　　这个局限性就是，当数据被剥离到比赛之外，其反映出的现象就和事实有偏差，再通俗一点说，就是一旦只看数据不看比赛，很容易得出错误的比赛认知。

　　比如一场比赛中，同样的得分数据，高强度防守下挺身而出，和低强度防守下零敲碎打是不一样的价值，但是基础数据无法体现区别；

　　同样的篮板球数据，在人群中抢篮板或者卡位保护篮板和待在篮下捡篮板，也是完全不同的价值，但数据上也无法分辨；

　　同样的抢断数据，是凭借身体强度给对手压迫造成对方失误，还是孤注一掷地放弃防守位置扑出去，对球队来说也是不同的，基础数据同样一概而论。

　　

　　所以在当代篮球比赛中，在数据统计越来越被大家重视的情况下，有一些“聪明”的球员或明或暗、或多或少地在场上“刷数据”。

　　本来一个难度不大的后场篮板，给谁都是给，但有些球员偏偏要和自家队友争一下，这样从数据统计上判断，他的篮板球能力貌似很强。

　　再比如有些反击快攻的轻松得分机会，有些球员总是第一时间冲上去，不惜体力也要拿下这两分，这样一来，从数据统计上既能拉高场均得分，又能提高进攻效率，这会让大家觉得他是一名高效的得分手。

　　2、高阶数据的线性问题

　　

　　很多球迷会被“高阶”两个字吓住，以为高阶就是代表高深，进而把这些统计当成金科玉律甚至是真理一般对待。但事实上，如果你稍微花一点时间了解一下，就能发现所谓的高阶数据名不副实。

　　高阶数据的原材料全部来源于基础数据，通过给得分、篮板、助攻、盖帽、抢断、失误、出手次数、命中次数这些基础统计赋予不同的权重，利用公式计算得出。

　　这样一来就存在两个关键问题：

　　第一，加权参数如何保证精准？实际上这个问题是没有答案的，因为根本解决不了。虽然大型体育媒体ESPN有不少数据专家，尽可能利用统计学去赋予相对准确的加权，但NBA的比赛是动态发展的。

　　

　　不同年代比赛强度不同，节奏不同，60年代抢一个篮板和90年代抢一个篮板，是完全不同的价值，但是在计算公式中，这样的变化根本无法体现。这也就引出了第二个问题，基础数据的局限性。

　　这个问题前文已经提到，如果一名球员去刷数据，体现在基础数据上就是更好看，而高阶数据来源于基础数据，所以刷得分、刷篮板、刷助攻同样能让自己的高阶数据好看，一个人为能控制高低的评价标准，还有多少权威性？

　　

　　第三，则是更深层的问题，那就是高级数据的线性局限。

　　比如A球员场均出战30分钟，场均出手15次，打出一组数据后通过加权计算，得出其进攻效率是25；另一位B球员场均出战36分钟，场均出手20次，计算出进攻效率是20。如果按效率值判断，A无疑是进攻效率更高的球员。

　　接下来就涉及到很多球迷的经典问题，是不是给普通球员足够的出手机会，也能打出全明星的表现？当然不是！在实战中，对于任何一名球员，一定存在某一个自身能力上限的临界点或拐点。

　　拿进攻为例，我们看到某一名球员可以高效地场均贡献20分，但如果强行要求他更多次出手，完成更多高难度攻坚，他的命中率会出现断崖式下跌，从0分到20分他需要用15次投篮机会，但是涨到25分，就可能要出手25次才行。

　　

　　但是高阶数据的线性特征就不能反映出这里的差异，在直角坐标系上，高级数据永远是一条平稳上升的直线，这种逻辑下，让A球员不断增加出手，场均得分会稳步提升，且效率值不变。但是实际中，这种操作在坐标系中应该是一条曲线，到了一名球员身体、能力承受上限的拐点，其效率值会暴跌。

　　对于不同目标的球队来说，虽然A球员进攻效率高，但是不一定价值就高于B球员。比如一支争冠球队，已经有很多得分点，就缺一个执行高难度攻坚的得分手，那么B球员对于他们来说，才是最需要的，如果引进看似进攻高效的A球员，他们距离夺冠永远都会差那么一段距离。

　　▼数据统计的盲区

　　除了上述的各种局限性，数据统计还存在很多盲区。

　　1、进攻数据的盲区

　　

　　比如在进攻端，有些“聪明”的球员会挑选轻松得分的机会，把那些相对困难的出手留给队友，这样一来，自己的得分和命中率都能得到保证。

　　也许有球迷很说，挑选轻松的得分机会也是一种能力，而且说明进攻选择合理。但是不要忘了从比赛整体角度出发，一场比赛中，一支球队所有的出手，一定是由简单、中等、困难等不同级别的出手组成。

　　作为球星，价值的体现就是去完成那些困难的出手，把简单的出手留给角色球员，但如果一名球星反过来，总是抢着出手简单的投篮，反而把困难的投篮留给队友，这样得来的高效数据，又有何意义呢？

　　2、防守数据的盲区

　　

　　再比如防守端，这其实是数据统计最大的盲区。目前防守效率主要参考还是看盖帽、抢断这些基础数据，先进一点，再加上限制对位球员命中率和对位得分正负值等。

　　但这些数据统计都只能片面地体现防守能力，实战价值更高的身体对抗、无球跟防，协防补位等多个层面，数据根本无法体现。

　　因此NBA中有一些球星，在这些数据统计无法体现的防守环节上，体能是能省就省，而在篮板、盖帽、抢断上，拼着防守失位也要去争取。

　　这种本末倒置的球风，往往会得到不错的防守效率，反而是那些不惜体能，在防守端用身体去消耗对手的球员，最终的防守效率不怎么好看。而实际上，后者才是防守大闸，前者可能是防守黑洞。

　　▼数据统计的不可替代性

　　

　　最后我们要问，为什么明知道数据统计存在这么多漏洞，大家还都以此为评价依据呢？答案其实很简单，因为NBA比赛太多看不过来。

　　这不是在开玩笑，NBA一年的常规赛总场次高达1230场，加上季后赛就更多，别说普遍的球迷，就是以NBA为生的职业记者、评论员也不可能关注全部比赛，或者说大家都只能观看一小部分比赛。

　　

　　但是基于职业要求，对NBA的解说、报道、分析、评奖等多方面，还需要评论员和记者们去完成，这样一来，他们只能通过数据统计，来衡量所有球员之间的强弱对比。

　　而对于球迷来说，更是需要用数据来验证自己的观点，因为作为业余爱好者，别说比赛，集锦都看不过来。

　　但数据毕竟是为人服务的，NBA的数据统计也是比赛的辅助环节，绝不是用来给比赛和球员定性的。如果完全迷信数据统计，把这些数字和公式当成真理，最后不仅会远离比赛的真实情况，也失去了欣赏体育比赛原本的魅力。