История создания инструмента для оценки совместимости игроков с Лукой Дончичем. Узнайте, как визуализация предвзятости и честные данные помогли построить полезный продукт. Попробуйте сами!
Вы когда-нибудь задумывались, как оценить, подходит ли игрок команде? Я построил инструмент, который не даёт готовых ответов, а показывает все предположения и ошибки. Эта статья — история о том, как я создал Luka Fit Index, и какие уроки вы можете применить в своих проектах.
Если вы следите за НБА, вы знаете, что у моей команды, «Лейкерс», было жаркое лето. Леброн не продлил контракт, Эйтон был обменян, и команда подписала четырёх новых игроков. Теперь это команда Луки, и вопрос, на который никто не может ответить в июле: подходят ли эти игроки стилю Луки?
Моя первая идея была очевидной: построить метрику, оценить каждого игрока и объявить межсезонье успехом или провалом. Но когда я обсудил это с ИИ-моделью, всё развалилось. Любая метрика совместимости наполнена субъективными весами, выборками и предположениями. Невозможно честно построить «движок вердиктов».
Поэтому я перевернул подход: если предвзятость нельзя убрать, напечатайте её. Инструмент стал экспериментом по визуализации предвзятости, замаскированным под спортивную панель. Каждое предположение на странице, каждый размер выборки рядом с оценкой, и одно жёсткое правило: никакого составного скора. Четыре оси остаются четырьмя осями.
Вся концепция основана на одной статистике: usage rate — доля владений команды, которые завершает игрок (бросок, штрафные или потеря). Это самый чистый ответ на вопрос «у кого мяч?». Лука лидирует в НБА с 38.0. Он завершает больше владений, чем кто-либо. Поэтому совместимость каждого товарища по команде начинается с вопроса: можешь ли ты быть великим без мяча?
Отсюда четыре оси: spacing (растягивание защиты), play finishing (эффективность без мяча), defensive cover (защита) и ball-need (потребность в мяче, инвертированная — чем ниже usage, тем выше оценка). Правила были установлены до оценки любого игрока, и когда данные позже расходились с моими мнениями, правила не менялись.
До того, как появилась страница, я провёл 15-минутный спринт с критериями прохождения. ИИ-модель вытянула реальную статистику для четырёх подписаний, предложила оценки по каждой оси, и всё было запротоколировано. Спринт выявил две ошибки, которые мы оба уверенно сделали.
Во-первых, Квентин Граймс, которого подписали как 3&D-винга, показал худшую в карьере точность трёхочковых (33.4%). Моя картина мира была устаревшей на сезон. Во-вторых, новый центровой сыграл всего пять игр до операции на плече, так что его оценки основаны на старых данных. Две коррекции за 15 минут — и confidence tags стали первостепенным элементом UI.
Инструмент указал на Остина Ривза как на худшую совместимость в ростере. Его usage 26.6 рядом с 38.0 Луки выглядел как чистое пересечение. Математика была чистой, вывод громким. Но я задал вопрос: «А что насчёт минут, когда Лука отдыхает на скамейке?»
Season usage не может отличить защитника, доминирующего с мячом рядом с звездой, от защитника, управляющего игрой, пока звезда отдыхает. Это противоположные сигналы под одним числом. Модель сразу признала ошибку и нашла сплиты с Лукой и без него. В 41 игре с Лукой у Ривза usage 25.2, в 10 играх без него — 34.3 с 67.5% true shooting. Это не проблема совместимости, это доказательство, что он может вести игру, когда звезда отдыхает. Самый громкий вывод инструмента рухнул под одним хорошим вопросом, и это стало лучшим контентом на странице.
Вторая коррекция: доска свободных агентов. Метрика совместимости любила Гэри Пэйтона II, но я спросил, должны ли форварды и центры быть в приоритете, так как это реальная дыра в составе. Модель пересчитала ростер (семь защитников, три форварда, полтора здоровых центров) и понизила Пэйтона, потому что он был бы восьмым защитником. Совместимость и потребность теперь отображаются отдельно, никогда не усредняются.
Третья коррекция: Николя Батюм. Он чуть не остался без оценки. Модель отметила его как имя, которое стоит проверить, но никто не проверил. Когда я запросил аудит всего, что мы обсуждали, но не сделали, выяснилось, что у Батюма usage 9.7, точность 40.4%, и он играет на позиции, которой не хватает. Он стал номером два на доске с примечанием, что его чуть не пропустили.
И ещё одна коррекция, которой я горжусь: защитные оценки изначально основывались на перехватах, блоках и репутации, что составляет лишь часть защиты. Мы с моделью обсудили улучшение, модель задокументировала его в методологии, но не реализовала. Я заметил разрыв, модель признала ошибку, вытянула защитный рейтинг для всех 14 игроков, и оценка Граймса упала с 4 до 2. Репутация уступила числу, которое можно проверить.
Отказ от ответственности — это и есть продукт. Печать предположений оказалась более интересным дизайном и, как ни странно, более надёжным. Каждое утверждение на странице можно проверить одним кликом.
Детерминированная структура, помеченная интерпретация. Статистика вытянута и напечатана. Шкалы от 0 до 5 — это мои суждения, и страница говорит об этом. В v1 PRD мои оценки заменяются фиксированными порогами, и QA-шлюз безжалостен: где формула расходится с оценками, побеждает формула.
Инструмент, который спорит с вами, стоит больше, чем тот, который соглашается. Три коррекции, все задокументированы, все видны на странице. Журнал сборки похож на стенограмму моих проигранных споров с собственными идеями.
И вот мой отзыв об ИИ-модели: хайп для меня был не в скорости, а в том, что когда мой вопрос сломал её самый громкий вывод, она сказала об этом, вытянула данные и переписала свой вывод вместо того, чтобы защищать его. Это поведение, которое я действительно хочу от партнёра по разработке.
Разделение труда осталось чистым: модель вытянула статистику, написала оценки, построила страницу и сохранила протокол. Я установил правила, задавал вопросы, ловил нереализованные решения и утверждал всё, что вышло. Ни одна половина не справилась бы сама.
Лучшие вопросы пришли от фанатского взгляда, а не от статистики. «А что, когда Лука отдыхает?» — спросил бы любой фанат «Лейкерс». Ни одна модель не предложила это. То же самое с приоритетом форвардов и центров. Человек в цикле заработал своё место, и модель, которая отнеслась к вопросам серьёзно, тоже.
Страница спроектирована так, чтобы её можно было доказательно опровергнуть позже. Каждая оценка может быть проверена по итогам сезона 2026-27, и в подвале обещано, что это будет сделано. Приложение, которое может аудировать свои прошлые выводы, а не просто генерировать новые, — вот честная версия спортивной аналитики, которую можно собрать с ноутбука.
Оно живёт, оно бесплатно, и оно устареет через неделю, потому что ростер всё ещё меняется — и страница тоже говорит вам об этом.
Прямо сейчас вы можете применить этот подход в своём проекте: начните с честного списка предположений, сделайте их видимыми, и не бойтесь, когда ваши данные спорят с вами. Инструмент, который показывает свои ошибки, вызывает больше доверия, чем тот, который выдаёт идеальные ответы.
Хочешь закрепить знания на практике?
Решай задачи на Algolit — интерактивная платформа для обучения
Начать бесплатно →