“对于你来说，学会用就行了。没必要研究这个数据是怎么来的，算法是什么样的。能查到就行啊。”远飞想了想：“其实我主张球员要学一数据，这样便于针对自条件行提。人的力是有限的，把有限的力投到更有效的训练项目上。”

“小的病更多了，比如说助攻的加成比例是2/3，我是不知为什么助攻就定为2/3。一次糟糕的传球由于接球人技术好勉投了，和一次妙传导致接球人轻松扣篮，两者在加成上是一样的，这就是当前数据分析的瓶颈了，没办法量化一个球中多个人的贡献。”远飞继续讲：“再比如说盖帽后的贡献比例要乘以后场篮板率，这个想法是好的，但不够客观。盖帽后也不是每个球都形成篮板球了，比如说你一次盖帽对手界，虽然球权还是对方的，但攻时间所剩无几，其实就是相当于防下来了。所以效率值对盖帽统计的认可度有低。”

“当然不能完全这么算。因为姚一直在场，并且有球权，所以打了很好的数据。假如姚不能打，大普上首发。因为大普的攻技术没有姚那么好，即使你的场时间不变，但你会获得更多的球权，也会导致你的per和ws变得更好。”远飞分析：“效率值和胜利贡献值当然不是完的，它们是在特定战术环境下的统计。当然它们比起以前的基础数据统计已经是迈了一大步了。”

波什前一亮“好的！”(未完待续。)

“抱歉，胜利贡献值的算法比效率值还复杂，它起源是从球界的数据专家比尔。詹姆斯的算法中升级来的。ws的主要缺是有几个计算环节是通过球队的整数据去算的，这样不能很好地考虑到主力和替补的区分。毕竟带着好的队友和较差的队友是不同的。相对而言，在队打首发且非常健康的球星计算ws是比较有利的。”

“好吧，我彻底放弃跟着你学数据分析了。。。这玩意越研究越难啊。”波什苦着脸。

“唔。。。这样啊。”

“那这可麻烦了，39胜连季后赛都很难去了。”波什皱起了眉。

另一项不错的统计叫胜利贡献值（win。shares，简称为ws），这项数据同样是将各基础数据运算后，最终将每个人对球队赢球的贡献大致模拟成一个数，比如说我们现在是49胜，咱们队球员的ws相加就在49上下。假如说姚的ws是10，也就是说如果姚一场不打，我们大概就是39胜的平。”

“不行了，我已经听糊涂了。”波什：“ws能不能简单一？”

“原来是这样，这些阶数据也不是特别好用。”波什似乎有些失望“那它们有什么明显的缺呢？”

“先说说效率值吧，最大的病是它和球权，尤其是手权关联太大了。在计算公式中它对于打铁的惩罚比较轻而对于手投中球的加成很，这导致一些投篮能力一般但手很多的球员在这项统计中占有优势，而投篮很准但手比较少的球员则占据劣势。也就是说，这玩意还是比较适合那些所谓的数据刷，能力一般拿球就投的那球员。”远飞：“另一个主要的缺是效率值不能现防守能力，有一些防守很但投篮很少的角球员，per不仅达不到平均值15，甚至会跌到10以下。但其实他们都是联盟中非常优秀的人才。”