2010年、SportVU光学式選手・ボールトラッキングシステムは、選手とチームの分析で優位に立ちたいチームによって、一部のNBAアリーナで初めて導入されました。追跡データの価値が評価され、NBAは2013-14シーズン前にSportVUをリーグ全体に採用しました。それ以来、NBAチームのほぼすべての分析と意思決定は、生のポジションデータだけでなく、機械学習アルゴリズムによって自動的に検出されたマーキング（スクリーン、アイソレーション、ドライブなど）から得られる戦術的洞察も活用し、データ主導で行われています。
しかし、次のドラフトに向けてNCAAプレーヤーを分析するとなると、NBAチームはNCAAプレーヤーのような詳細な追跡データを持っていないため、意思決定能力が著しく制限されます。会場内でのハードウェアソリューションは、NCAAにとって非現実的であり、ディビジョンIだけでも300校以上あり、さらにNCAA会場では行われないエキシビション/トーナメントやポストシーズンの試合も数多くあります。さらに、NBAのフロントオフィスが大学選手の将来の潜在的なアウトプットをモデル化するためには、モデル化のためのトレーニングセットを構築するために、現在のNBA選手の過去のトラッキングデータが必要です。
この問題を回避するため、私たちは最先端のコンピュータvision 技術を駆使して、NCAA D-I男子バスケットボールの過去の数千試合から、選手とボールのトラッキングデータを放送ビデオから直接取得しました。このデータ量は、65万ポゼッション以上、3億フレーム以上の放送映像に相当します。トラッキングデータから、ボールスクリーン、ドライブ、アイソレーション、ポストアップ、オフボールスクリーン、ディフェンスのマッチアップなどのイベントを、アクターアクションアテンションニューラルネットワークシステムを使用して自動的に検出し、それぞれ0.8と0.7の再現率と精度を達成しました。
大学バスケットボールの放送からトラッキングデータを生成することは、それ自体がバスケットボール分析の分野での大躍進であるにもかかわらず、それだけでは十分ではありません。生成されたデータの価値を示すには、予測タスクを通じてその価値を測るのが最善です。本稿では、将来のNBA選手の才能を予測するタスクに焦点を当てる。これは、ある選手がNBAで活躍する確率を大学のデータから直接予測することで行う。トラッキングデータを使用することで、現在のデータソースと比較してより正確な予測を得ることができることを示す（トラッキングのlog-loss：0.30 vs プレイバイプレイのlog-loss：0.40）。我々のアプローチの更なる利点は、「解釈可能な機械学習」技術（すなわち、シャプレー値）を適用して、正確な予測を作成するだけでなく、特定の選手の長所と短所を特定することである。
