最后，我们在2019年的锦标赛结束，返利软件，这是一个多么神奇的旅程。在球场上，今年有很多惊喜和密切的联系。落后的球队奥本（Auburn）在这场比赛中领先了这么多轮，而种子最密集的球队杜克（Duke）则在这场比赛中比预期更早失利。在经历了一系列事件之后，今年锦标赛的冠军是来自弗吉尼亚大学的弗吉尼亚骑士队！

回到SAP，我们来自#DataGenius团队，也有很多值得庆祝和反思的事情。

首先，在63场比赛中，我们预测了40场比赛是正确的，我们的准确率为63%，这是非常惊人的整体。考虑到产生一个完美的括号的机会是多么渺茫，我们能够在没有统计或数据科学方面的广泛知识的情况下创建一个好的括号。有一件事值得注意的是，团队决定坚持我们的模型和预测，在删除杜克从我们的选择，即使杜克是由其他种子严重！

在设计我们的模型时，我们还有很多可以改进的地方！在我们之前的帖子中，我们让一位篮球专家查看了我们的结果，并了解到我们本可以对我们的设计进行一些调整。虽然我们理解了篮球的基本原理，但我们没有意识到篮球会变得多么复杂，尤其是在耦合统计的情况下。如果我们早点咨询篮球专家，我们可能会更好地了解哪些指标对预测的贡献更大，并知道我们应该排除哪些变量。

毕竟，尽管SAP Analytics Cloud的预测分析可以获取以前的数据，并根据以前的模式确定哪些变量对我们的成绩贡献很大，它对篮球也一无所知。尽管密歇根州和肯塔基州没有晋级决赛，但经过一些微调，结果可能会好得多。

虽然篮球是一项团队运动，但不可否认的是，团队的个人才能构成了整个团队的总和。我们本可以花更多的时间来收集数据，例如，球队中有多少高价值球员，以及这可能如何影响球队的机会。

我们的模型回顾了Ken Pomeroy提供的数据，并使用了以下变量：

攻防比调整防守效率调整进攻效率经验进攻性3个百分点小前锋的进攻篮板中锋防守篮板游戏所在区域种子差异大前锋平均得分防守失误率控球后卫的防守篮板小前锋防守篮板球

从篮球的角度来看，一些变量如攻防比和运气是比赛结果的重要指标，特别是在这些比赛中的随机性。另一方面，有些变量由于在游戏中的重要性而不太有效。在本例中，我们本可以使用的一个很大的帮助是使用Smart Predict手动排除比以前更多的变量。这就是智能预测的伟大之处。虽然数据科学家可以通过操纵数据本身来做到这一点，一些精通主题但没有技术专长的人可以使用聪明的预测和挑选对他们有意义的变量

随机性是这些游戏的很大一部分，所以如果我们把我们的模型缩小到一个更具体的游戏集会有所帮助。这就是为什么为每个地区或回合创建一个特定的模型可能是改进我们明年模型的一个好方法。这样，这个模型就可以考虑到一些具体的问题，比如体育场的位置，或者某个特定地区的球队通常表现如何。

总的来说，这个挑战对我们这个#DataGenius团队来说是一次令人惊奇的经历。我们迫不及待地要学习从这次挑战中学到的技能，看看下一步我们能在哪里应用它！

你自己试试！

查看30天的免费试用和奇妙的增强分析学习资源。

结果在！4月6日，我们的最后四支球队将争夺半决赛的席位。对于SAP的球员和#DataGenius团队来说，这是一个忙碌的周末，这不会就此结束。

在我们满怀信心进入半决赛之前，让我们看看下面16轮和四分之一决赛后的结果。

我们能够正确预测16轮的4/8场比赛，以及1/4场比赛对于四分之一决赛来说，

最令人痛心的事实是，我们的决赛选择都被淘汰了。

肯塔基州最让我们吃惊的是，被奥本淘汰了。一支我们从来没想过能在第二轮中晋级的球队。这让我们反思我们的模型和数据，国家大数据，调查我们在构建我们的支架时可以改进的地方。

为了得到一些反馈，我们联系了一个在篮球领域更敏锐的人Darren Wan。

所以Darren，看看模型的预测和周末发生的事，你觉得我们的结果怎么样？

这些变量中有一些是好的，但并不能涵盖整个情况。例如，控球后卫篮板。控球后卫往往得不到太多的篮板，位置的焦点是他们的助攻。为中锋分析篮板会更有效。虽然这些统计数据很重要，但您应该查看团队统计数据。篮球毕竟是一项团队运动。