稿件来源：唯心 肆客足球

　　7月16日，恒大出台了一个“末位0奖金”的制度，大概意思是组织一个技术小组，对通过数据对出场球员进行技术评定，评分末位的球员将无法获得本场比赛的奖金。

　　设立之初，这个制度并没有引起太大争议。

　　直到最近，恒大5-0大胜权健比赛后，替补上场的郜林成了“0奖励”的“中标者”，舆论一下子把这个制度抛到了争论中心。

　　抛开球队管理艺术、制度设立初衷等复杂问题暂且不谈，争论的一个中心是——

　　这样的数据评定方法，到底是不是科学的？数据分析，到底是不是能够可观反映场上的情况？

　　答案是：数据分析本身并无原罪，但恒大的评估体系，很大程度上脱离了数据分析的基本原则。

　　1 到底什么才是好的数据分析？

　　为了方便回答这个问题，我们这里援引一下数据分析已经相当成熟的篮球行业（其实就是NBA），来看看同样是你来我往的比赛，目前已经统治NBA管理层的数据分析，是怎么运作的。

　　按照篮球评论员“旋猫”的介绍，NBA几乎所有数据分析，都以“四要素”为总纲。

　　1，加成三分投篮之后的有效命中率；

　　2，篮板率（也就是你获得了多少理论上所能够获得的篮板数）；

　　3，失误率（量化到每百回合）；

　　4，造罚球比重（罚球数/投篮数）。

　　大家有没有发现这4要素有什么特点？

　　其实非常简单：第一，它区分了一支球队是在进攻还是在防守。比如你进攻时要算自己的有效命中率，防守时要算对手的有效命中率。

　　第二，它兼顾了“质”和“量”，有效命中率和造罚球比重决定了你每次进攻能得多少分，表明了你进攻的质。而篮板率和失误率，则决定着你能有多少次进攻机会，体现了进攻的“量”。

　　足球数据分析，也要遵循这两个原则：

　　第一，足球是存在攻守分野的，你只有在获得球权的情况下，才能够发起进攻。

　　由于很少出现一场比赛控球率各占50%控球率的情况，因此，同一场比赛的两支参赛球队，其在相同领域表现机会，是不对等的。

　　举例来说，曼城打斯托克城，曼城射门次数更多，能不能说明曼城更倾向于射门？

　　显然不能，因为曼城的控球时间明显要比斯托克城多得多，他们制造射门的可能性也就随之大增。

　　第二，任何数据分析，都必须兼顾“质”和“量”这两个概念。

　　举例来说：A球员抢断成功率100%，全场尝试抢断2次；B球员抢断成功率60%，全场尝试抢断5次。那么，谁是更好的抢球手？

　　答案是：不知道。因为两名球员一个成功率高，一个产量大。

　　那么，这样的数据分析有什么用呢？这里举一个最简单的例子吧：

　　好多人都在说，世界杯德国出局，是因为勒夫盲目照搬照抄瓜迪奥拉，非要学Tiki-Taka，结果被对手的反击打爆。但问题是，曼城那边可是踢得风生水起。是不是德国球员不适合Tiki-Taka？

　　其实，数据分析可以告诉我们：问题的关键在于，勒夫根本就没学到Tiki-Taka的精髓。

　　如果按照粗糙的统计方式，德国是小组赛期间控球率最高的球队之一（65.20%排名第2），也是传球次数最多的球队之一（场均656.3脚排名第2），似乎是一支很合格的传控球队——但注意，这些都是量的累积！

　　如果我们按照控球率计算控球时间，再计算每控球一分钟球队的传球数，就会发现——

　　德国每控球一分钟，传球数只有11.18次，仅排在所有参赛球队的第6位！也就是说，他们根本没做到让皮球流动起来——皮球不流动，能叫“Tiki-Taka”吗？

　　2 恒大的数据分析，问题在哪？

　　恒大的5条评定内容如下：

　　1， 总跑动距离；

　　2， 高强度奔跑距离；

　　3， 传球失误次数；

　　4， 身体对抗次数及成功率；

　　5， 抢断次数及成功率。

　　我们先来看看恒大的数据评定标准，到底是不是符合我们刚才所说的两个原则，也即攻守区分、质量兼顾。

　　答案是：并没有。

　　首先，不知道大家有没有发现，这5项数据当中，没有任何一项能够直接影响进攻结果的数据。

　　比如“射门”，比如“过人”，比如一些数据网站定义的能够越过几名防守球员的“聪明传球”，比如制造射门机会的“关键传球”，这5条里你能找到吗？并不能。那么，这套评定标准是不是没能做到“攻守区分”？

　　其次，一个很严重的问题是，“传球失误次数”这一项，是非常糟糕的统计项目。

　　一方面，它根本没考虑传球次数——传球30次全部成功，和传球100次失误一次，到底哪个更加亮眼？显然是后者。

　　另一方面，统计项目是非常单调的“传球”，而且只统计失误数，那么，威胁性更大的向前传球、直塞球、传中，以及一些必要的长传，一定是对该统计非常不利的。

　　再次，尽管是同一支球队，由于有换人，不同球员的出场时间也是不相同的。那么，如果统计的是总量，那么出场时间少的球员，是不是太吃亏了？

　　最后，这里要提醒大家注意一点：上面说的是球队的数据，而球队数据，是所有球员共同打出来的。这就产生了一个问题：球员的分工是不同的。

　　比如坎特抢断一定比阿扎尔更多；阿扎尔过人一定比坎特更多，那么，到底谁才是最积极的那一个？

　　事实上，对球队来说这并不重要，重要的是，坎特托起了切尔西抢断数据；阿扎尔托起了切尔西过人数据。

　　那么，在一个数据统计极为不全面的评定体系中，是不是有很多球员天然就会处于劣势？

　　说实话，恒大的这套标准如果拿到切尔西，那么坎特应该永远全队头号球星……

　　所以我们目前可以得出这样一个结论：恒大的这套评定标准，自身问题非常大。

　　我们且不说郜林冤不冤，但可以肯定的是，如果这套标准被生硬按照字面意思执行下去，有“冤案”是早晚的事。

　　3 足球数据分析与通过数据确立唯一评定标准，到底是不是可行的？

　　这又是容易混为一谈的两个问题。

　　简单说，答案是：足球数据分析是可行的，但目前来看，它只能评定“风格”，而很难界定“实力”。

　　比如我们可以通过数据证明，卡塞米罗是更擅长抢断的工兵，而克罗斯是更擅长传球的艺术家。但这两人谁的实力更强，那就很难量化了。

　　但是，这并不是说数据在评定球员实力时就全无作用。因为我们一定要注意，当球员数据存在档次差异的时候。数据还是能说明问题的。

　　比如同样是前锋，A球员一个赛季进了25球，B球员20球，两人谁强谁弱？这个其实很难讲，因为两人之间并不存在明显的档次差异，有可能进20球的那个获得的射门机会更少。

　　但是，如果A球员进25球，B球员只进了10球，那么只要两人出场时间相差不大，不管是什么原因，A都是比B更强的球员。因为两个人的进球数是存在档次差距的。

　　但是，通过数据确立唯一的评定标准，短时间内是绝对做不到的。

　　这里我们仍旧援引比较成熟的NBA数据分析法，做个说明：目前公认的比较能表现NBA球员实力的一项高阶数据叫做“RPM”，是ESPN的一项不公开算法的高阶数据。

　　根据篮球数据分析团队“篮圈即是圆点”介绍，其算法的本质是根据场上球员的不同组合情况，计算某一名球员在和不同队友搭档时在场正负值，然后列出大量的方程去求解，最终得出一个估计值。

　　这样的算法，我们可以称之为“回归计算”，理论上讲，一个球员所搭档的不同阵容越多，他的RPM就越接近自身的真实表现。那么，现在问题来了：

　　RPM这样的回归计算，最怕的是什么？毫无疑问，最怕的就是阵容相对固定。

　　因为这样一来，有可能某一名球员一整个赛季身边的搭档是一成不变的10个人，你根本找不出他和其他人搭档时的基础数据是什么，又该如何通过方程组对他的表现进行“回归计算”？

　　不巧的是，足球一场比赛就3个换人名额，阵容固定程度，是所有团体运动中极其罕见的……

　　好吧，总结一下就是：传统进阶数据数据在不存在档次差距的前提下，只能界定球员“风格”，很难界定球员‘“实力”；而回归计算，足球又根本做不成。

　　所以，短时间内，通过足球数据评定球员实力，是做不到可观公正的。

　　结语

　　数据分析是改变传统观念的一项新兴武器，其实不仅仅是广州恒大，很多人都在摸索它的应用方式。这里我们必须指出的两点：

　　第一，数据分析是没有尽头的，它永远不可能完全把球场上的所有细节都如实客观的反映出来，但数据的进阶性越高，距离客观事实就越近。

　　而且，真正懂数据的人特别知道自己的数据体系问题在哪里，任何喊着“数据不能反映全部问题”的人，都是在和“数据万能”这个根本就不存在的假想敌作斗争。

　　第二，数据分析和通过录像进行读场分析并不冲突，二者是相互补充的。好的数据分析者，一定是同时看了大量比赛的。

　　借用篮球评论员“旋猫”的比喻：看球又三个阶段，第一阶段看山是山，觉得比赛就是比赛，与数据无关；第二阶段看山不是山，觉得自己可以脱离比赛录像去研究数据；第三阶段看山还是山，是带着数据去研究比赛录像。