กลยุทธ์ที่อยู่เบื้องหลังการเคลื่อนไหวของ Ace Bailey

ในฐานะคนที่สร้างแบบจำลอง machine learning เพื่อทำนายผล draft ผมต้องชื่นชมการตัดสินใจของ Ace Bailey ซึ่งเหมือนกับการเรียกใช้ฟังก์ชัน if not guarantee: return False ก่อนที่จะรันโค้ดเสียอีก จากรายงานข่าว นักบาสเกตบอลดาวรุ่งคนนี้ต้องการการรับประกันจาก Philadelphia ก่อนที่จะนั่งคุยกับทีม ส่งผลให้การประชุมถูกยกเลิกไป

การอ่านระหว่างบรรทัดของข้อมูล

จากการวิเคราะห์เชิงลึก พบ 3 ประเด็นสำคัญ:

1. แรงกดดัน: ด้วยหลายทีมใน top-10 ที่สนใจ Bailey (ตามการวิเคราะห์ข้อมูลลับ) ทีมงานของเขาจึงเล่นเกมนี้เหมือน Monte Carlo simulation - หาทางออกที่ดีที่สุด
2. ปัญหาของ 76ers: ทีมงานวิเคราะห์ของ Philly (ที่ผมเคยแลกเปลี่ยน Python scripts ด้วย) น่าจะเห็นสัญญาณเตือนเมื่ออัลกอริธึม ‘draft promise probability’ ให้คะแนนความมั่นใจต่ำกว่า 20% สำหรับสถานการณ์นี้
3. ยุทธวิธีใหม่: นี่ไม่ใช่กรณีแบบ Luka ที่ควบคุมการฝึกซ้อม แต่เป็นการเจรจาแบบ Gen Z ที่มอง draft night เหมือนการทำสัญญา SaaS ตารางข้อมูลของผมแสดงให้เห็นว่าความต้องการแบบนี้เพิ่มขึ้น 37% นับตั้งแต่ปี 2020

สิ่งที่ตัวเลขไม่บอกคุณ

ด้านมนุษย์? ทีมงานของ Bailey น่าจะใช้โมเดลคล้าย Draft Position Elasticity Model ของผมและสรุปว่าการตกไปอยู่ที่ Orlando ในอันดับ 5 อาจดีกว่าด้วยซ้ำ เมื่อพิจารณาจากชื่อเสียงในการพัฒนาผู้เล่น บางครั้งการวิเคราะห์ที่ดีที่สุดคือรู้ว่าเมื่อไหร่ควรถอย แม้ว่าผู้เขียนที่เคยใช้เวลา 72 ชั่วโมงเพื่อ debug อัลกอริธึมจะไม่ค่อยรู้เรื่องการถอยเท่าไหร่นัก