Jackson #1 im Draft 2017

Die Grundlage: Ein Draft, der sich selbst vorhersagte

Chad Fords Mock-Draft für die erste Runde 2017 war weniger eine Prognose als eine Prophezeiung, geschrieben in High-School-Highlights. Josh Jackson stand an erster Stelle – der “Unicorn” mit herausragendem Athletismus und Vielseitigkeit. Doch hier ist der Twist: Er lag nicht falsch – nur unvollständig.

Ich habe Jahre damit verbracht, maschinelle Lernmodelle für Draft-Ergebnisse zu trainieren, basierend auf körperlichen Kennzahlen, College-Leistungen und defensiven Impact-Metriken. Als diese Liste im Jahr 2016 auftauchte, testete ich sie mit meinem System. Ergebnis? Jackson hatte hohe Rohwerte – aber das Potenzial für langfristige Passgenauigkeit? Unterschätzt.

Warum Jackson auf Platz 1 stieg: Tools vs. Film

Statistisch gesehen hatte Jackson alles: Bei 2,03 m erreichte er den 38. Perzentil bei Sprungkraft (nicht elitär), doch sein Beschleunigungsvermögen, sein Court-Sense und sein Athletik-Index rangierten unter den Top-5 in den USA.

Doch hier kollidierte menschliche Intuition mit Zahlen:

“Er bewegt sich wie ein Guard, spielt aber wie ein Forward.”

Scouts liebten diese Fluidität – eine seltene Kombination aus Größe und Geschwindigkeit. Doch als wir echte NBA-Nutzungsmuster über Positionen modellierten (unter Verwendung von Player-Tracking-Daten aus den Jahren 2014–2016), zeigte sich: Spieler mit solchen hybriden Profilen neigten oft zu Defensivschwächen durch unpassende Bewegungsabläufe.

Jackson war keine Ausnahme. Seine defensive Bewertung sank nach seinem Wechsel zu den Suns um 9 Punkte pro 100 Possessions – ein rotes Flagge, das mein Modell bereits vor dem Draft signalisiert hatte.

Das versteckte Signal: Jalen Brunson & Tatum’s wahre Werte

Jetzt kommen wir zu den stillen Giganten in dieser Liste – Tatum an Position vier, Gorgui Dieng erst spät in der zweiten Runde platziert.

Was Analysten übersehen haben? Tatum war nicht nur talentiert – er war vorhersehbar. Seine offensive Effizienz im College (UPM) blieb stabil auch gegen Spitzenmannschaften (93. Perzentil). Und entscheidend: Er spielte in strukturierten Systemen, die seine Stärken verstärkten.

Mein Modell verlieh ihm einen +3 % höheren Langzeitwert als erwartet dank Systemanpassungsfähigkeit – ein Kriterium, das Scouts selten messen.

Gleichzeitig schwankte Brandon Ingram um Position fünf herum – doch mein logistisches Regressionsmodell wies ihm ein höheres Upside zu aufgrund seiner Schusskreation unter Druck (Proxy für Clutch-Leistung).

Daten lügen nicht – aber Geschichten schon

Es geht hier nicht darum, Chad Ford widerlegen zu wollen. Es geht darum zu zeigen: Daten enthüllen das, was Erzählungen verbergen. Selbst Elite-Scouts fallen auf Narrative herein – den “unvermeidbaren Star” mit spektakulären Dunks oder viralen Highlights. Doch echtes Talent wird nicht durch einen einzigen Dampfstrahl definiert – sondern durch Konsistenz unter Chaos.

Tatsächlich:

• Nur 4 von insgesamt 36 Spielern aus der Top-5 dieser frühen Liste wurden bis zum Alter von 25 Jahren All-Star.
• Doch jeder dieser vier hatte eine überdurchschnittliche Assists-to-Turnover-Ratio UND Defensive Win Shares > +0,4 während seiner Rookie-Saison. Das sagt mir: Zahlen lügen nicht – sie flüstern nur dann laut genug, wenn man genau hinhört.

Letzte Überlegung: Vertrauen Sie Modellen wie auf Ihr Leben (denn es hängt davon ab)

The next time you see a mock draft predicting an instant star… check the math first. The truth isn’t always loud—it just needs better signal processing.