前注：第一次看到这篇文章时震撼得几乎失语。以前只知道82games在数据方面非常专业，但并不清楚究竟有多专业，他们又是怎么做到的。这篇文章提供了一个侧面，几十位图表小分队队员的耕耘，凝结成这样一篇不显山水的短文，这就是所谓的逆天？就像文章最后所写的，他们把NBA的数据分析推向一个新的高度.....向82games的bt们致敬。
原文链接：http://www.82games.com/assisted.htm
比赛图表剖析
妙传的价值
眼下，NBA数据统计中存在的一个明显问题就是传球。我们看到的只是球员们的助攻数，然而每一次投篮得分究竟有多少成分是得益于队友的助攻？无人盯防的灌篮和对抗中的跳投得分显然是有区别的，我们对此一无所知。更重要的一点，我们统计的只是那些转化为助攻得分的传球，而其它的妙传呢？统统都被忽略了。所以，82games的图表小分队开始尝试分析那些有“助攻效应”的传球，并对NBA的比赛进行全面的统计。
现在，我们有必要先来了解一下什么是“准助攻”（Potential Assist）。NBA对于“助攻”有着以下精确而简明的定义：
| 助攻：一次直接导致投篮得分的传球。 |
通常，一个球员得到传球后没有马上选择投篮，而是停顿片刻或是做了运球等其它动作，那么这不算是一次助攻。但如果他得到传球后立刻出手投篮、上篮、或是用一个简单的假动作摆脱防守球员后出手得分（甚至可能是一次小小的运球动作），那么这些都属于助攻。
“准助攻”则是一个自由得多的定义，我们会在本项目中对它进行专门的研究：
| 准助攻： 一次直接导致持球事件的传球，持球事件可以是投篮、造犯规、甚至失误。 |
因为包含了失误，所以小分队成员在统计时必须要能前瞻性地判断出球员得球后是会迅速尝试得分（包括投射、带球突破、造对手犯规等）；还是会停顿一下，再考虑下一步干什么（注：后一种情况不算准助攻）...
比较在“准助攻”和“非助攻”情况下的投篮命中率
| 3-Pointers | .379 | .342 | +3.7% | 81% |
| 2-Point Jumpers | .458 | .363 | +9.5% | 52% |
| Close Shots | .613 | .487 | +12.6% | 43% |
| Dunks | .910 | .840 | +7.0% | 76% |
| All Shots (excluding Tips) | .502 | .421 | +8.1% | 56% |
如表格所示，来自“准助攻”的投篮要比自己创造的机会命中率高8％以上，这无疑证明了助攻对于得分的巨大价值。另外表格显示，有一半以上的入球都是通过助攻完成的。
有趣的是“准助攻”对不同投篮方式的作用和我们的预想相当吻合——绝大多数三分球尝试都是来自于“准助攻”，但命中率只比非助攻情况高3.7％，这似乎说明当NBA球员控球或运球一段时间后，很少愿意再选择自己三分出手。也许我们应该对“准助攻”有更严格的限定，把那些“接球即投型”的传球加以区分对待。
由于扣篮在投篮中所占比例较小，而且它的命中率总是能保持很高，所以我们现在关注的问题核心就是，两分投篮在非助攻方式和“准助攻”方式下的命中率相差巨大。从图表上看，一名球员效率最低的投篮方式就是在非助攻情况下的两分跳投，只有36.3％的命中率，而且也无法造对手大量的犯规。
关于“准助攻”的价值也可用下面的方式来表示：
+0.25分每次低位投篮
+0.19分每次两分跳投
+0.14分每次扣篮
+0.10分每次投三分
...或者+0.16分平均每次投篮
当然这里存在着一些容易误导的内容，实际比赛中传球者通常拥有多种选择，他们可以自己投篮，也可以把球传给位置更好的队友，而他们作出的决定未必就是最佳的。
另一方面，传球者也许应该得到更多的肯定。以命中率最高的扣篮为例，看上去助攻扣篮对于命中率的提高并非帮助很大（和其它两分投篮方式相比），但我们都清楚，如果没有传球者的妙传，那么绝大多数扣篮其实根本不可能完成。
还有一种普遍的抱怨就是，助攻数据无法体现出那些导致罚球的妙传。这点很容易纠正，通过对“准助攻”的二次分析就可以统计出其中有多少次是被对手犯规导致罚球的。同样的方法也可以用于统计那些造成失误的“准助攻”，不过正如前面提过的，对于失误类型的“准助攻”需要预判接球队员的意图，而这一点常常是很难确定的，因此相对来说“失误统计”会困难得多。
| Shooting Fouls | 41% | 59% |
| Personal/Loose Ball Fouls | 18% | 82% |
| All Fouls Drawn | 34% | 66% |
| Free Throw/FGA | .19 | .48 |
| Turnover/FGA | .06 | .32 |
这里有一点令人意外的，只有三分之一的犯规罚球来自准助攻，只有40％的罚球来自投篮打手犯规（那些模棱两可难以判别的都算作其它犯规类型）。通过图表我们知道有56％的投篮来自准助攻，这意味着在实际比赛中非助攻投篮更容易造犯规。事实上，“非助攻投篮造犯规罚球率”比“准助攻投篮造犯规罚球率”要高整整两倍还多。
我们连贯地来考虑整件事，就会发现其中的意义。因为助攻往往是把球传给空位或者“接球即投”的队友，所以造对手犯规的几率很小。而另一方面，如果一位球员在场上可以自由进攻，一对一（偶尔甚至可能一对五），那么他的单打能力一定比较出众，这种球员大都喜欢带球突破击垮对手，因此会有更多的身体接触。此外，大多数超级得分手都懂得如何“给自己创造最好的投篮机会”，在造对手犯规罚球方面都有自己的诀窍。
同样如上图所示，失误的统计也是一边倒。这里也许带有一点小分队成员统计时的个人倾向，因为很多失误很难判断原本是否会形成快速投篮，从而使“准助攻”统计变得困难。
如果我们忽略进攻篮板，来统计每一百次持球的平均得分，其结果如下：
110.4分 - 准助攻
81.9分 - 非助攻
尽管失误是一个颇具争议的话题，但我们仍然可以对其做进一步探讨。比如说是否所有接应球失误的传球都应该被视为“准助攻”，这将有助于我们对“失误的助攻”（assistedness of turnovers）进行统计，我们下一步将对此展开研究。
不考虑失误，我们来统计每次投篮的平均得分：
1.17分 - 准助攻
1.04分 - 非助攻
另一个更有趣的分析方法就是按进攻24秒的时间段来统计：
比较在“准助攻”和“非助攻”情况下的投篮命中率
| 0-10 seconds | .522 | .454 | +6.8% | 53% |
| 11-15 seconds | .528 | .436 | +9.2% | 56% |
| 16-20 seconds | .480 | .397 | +8.3% | 54% |
| 21+ seconds | .439 | .368 | +7.1% | 54% |
来自进攻篮板的快速二次投篮已经包含在0-10秒的快攻（含由守转攻）中，所以把它们剥离开也许更合理。我们可以看到在不同的时间段，“准助攻”对投篮命中率的提高保持在一个相当稳定的比率。
11-15秒这一时间段“准助攻”对命中率的提高最大，我们很想了解具体到单个球员身上他们是如何做到这点的。在这段时间里，Steve Nash和其他顶尖助攻手是如何穿针引线的？他们是否有一个大致相似的模式还是各有各的诀窍？
这就是深度数据挖掘一个非常现实的问题——当你找到了一些老问题的答案后，又会有其它更多的新问题冒出来..
好吧，我打赌你现在一定很想看到具体到球员个人又是如何通过妙传来提高投篮命中率、引导罚球、以及改善每次持球得分的。
毫无疑问，今后我们还将推出更多的此类文章来进一步探讨分析NBA球员的传球，包括对单个球员传球的分析统计。一切，就在不远的将来...
参与“准助攻”项目的图表小分队队员名单：
| Adrian Lawhorn, Allyn Wright, Andre Warner, Anthony Cerminaro, Brad Burnett, Brett Steele, Brian Cole, Brian Ganster, Cameron Tana, Chad Casarotto, Charles Floyd, Chris Hancock, Craig Ward, Dana Henderson, Daniel Kelly, David Mintz, Dmitri Salcedo, Dwayne Killings, Eric Patten, Eric Wallace, Frank Mantesta, Gabe Farkas, Greg Humphreys, Gregg Calvin, Husamettin Erciyes, Jerry Hardin, John Magee, Josh Braby, Lorenzo Pascucci, Mark Reyes, Mike Raak, Mike Wolf, Narbeh Avanessian, Noah Libby-Haines, Noah Purcell, Patrick Clark, Patrick Sheehy, Phil Edwards, Philip Wong, Raj Kannan, Rich Schmidt, Rob Ireland, Rob Stewart, Sachin Gupta, Scott Castiglia, Sean Campion, Shawn Krest, Thomas Lore, Tom Powers, Tyner Wilson, Zach Ellin |
感谢以上筒子的杰出贡献，他们把NBA数据统计推向了一个新的高度！