Bakit pinipili ang mga manlalaro na maliit at mahina ang depensa? Dahil sa data, hindi sa tingin. Ang mga statistical model ay nakikita ng potensyal na hindi makikita ng mata.

Sinuri ko ang ugnayan ng salary cap at tagumpay sa playoffs—hindi daw pera ang nagtatagumpay, kundi ang bias sa algoritmo at gawi. Ang mga star ay hindi magkakapareho sa ilalim ng cap.

Hindi ang puntos ang nagpapakita ng totoong halaga—kundi ang paghinto, posisyon, at desisyon sa pagsabog sa panahon ng presyon. Matututo akong mabasa ang himig sa bawat galaw ng NBA.

Nakikita ni Jeremy Sohan ang kapangyarihan ng defense sa loob na 25 minuto lang—hindi dahil sa bilis, kundi sa tumpukan ng data. Hindi ito pagkakatawan—ito ay algorithmic precision.

Bilang isang siyentipikong data na laki sa Croydon may ina mula sa Nigeria at ama na Scottish, binuo kong Bayesian models—pero tanong ko: nakikita ba ng algorithm ang kaluluwa ng laro? Hindi ito automatization—ito ay pagkamalayan.

Nakikita ko kung paano binabale ng AI ang desisyon sa NBA—hindi lang suweldo, kundi bias sa datos at kultura. Ang intuisyong tao mas mataas kaysa sa algorithm.

Galing sa isang dating NBA data analyst, ipinapakita kung paano ang apat na koponan ay nagsisimula ng mga modelo para sa susunod na paglipat ni LeBron—hindi sa gosip, kundi sa matematika at cap space.

Sinuri ng isang data-driven analyst ang pagtatagumpay ni Alexander at Williams—hindi sa pananat, kundi sa tahimik na pagkakaugnay ng mga istatistik. Ang kanilang tagumpay ay batay sa Bayesian trust, hindi sa emosyon.

Hindi ang galak o pagmumulat ang nagdedesis kung sino ang babili—kundi ang data. Natutunan ko ang Bayesian modeling at ang tunay na halaga ay nasa cap space, kitaan, at long-term na pagsasama.