球迷们经常在不知道信息原始来源的情况下消费 STATS 的数据，随着该公司探索未来更丰富数据的应用，这种情况不一定会改变。2017年与1987年、1997年甚至2007年不同的是，STATS的专业化从经常以提供体育信息为界限，到更恰当地为客户提供背景信息。
本月早些时候，STATS 的一位幕后领导人接受了 Sirius XM Wharton Moneyball 节目主持人 Adi Wyner 和 Shane Jensen 的采访。STATS 数据科学总监帕特里克-卢西（Patrick Lucey）回顾了 STATS SportVU 五年来的跟踪数据收集工作，并深入分析了不断扩大的样本量和行业进步带来的答案。
STATS 公司早在半个世纪前就开始利用其光学系统 SportVU 跟踪 NBA 比赛，当时恰好是卢西认为体育科学领域特别有趣的时期。
"2012年发生了一件事。深度学习出现了，"2016 年麻省理工学院斯隆体育分析大会第一名研究论文《网球运动员移动和击球模式》的共同作者卢西说。
"这就像一场完美的风暴。我喜欢把它想象成三脚凳。首先，要让深度学习发挥作用，你需要三样东西。第一件事是你需要大量的数据。幸运的是，在 STATS，我们拥有这些数据。第二，你需要强大的计算能力。......第三件事是要有真正知道如何工作或建立网络的人"。
近两年来，卢西一直坐在 STATS 的凳子上，帮助将球员追踪工作扩展到更多体育项目，重点关注全球足球比赛。他目前的大量工作，包括他在 2017 年麻省理工学院斯隆会议上发表的关于篮球投篮风格的亚军论文，都涉及到寻找适当的方法来提出和回答 STATS 早年无法面对的假设问题。
"Lucey 说："最重要的是--这也是我们能做得非常好的地方--我们可以将数据情景化。"......你可以向我们提出具体的问题。你可以说，'那么，这名球员投中这一球的可能性有多大？或者，如果我把这名球员和另一名球员换一下会怎么样？
"因此，我们真的可以进行细粒度模拟，提出那些假设问题。......我们有盒式记分或这些球员的统计数据，但（我认为分析的下一阶段）是模拟这些具体的比赛，看看不同的球员在这些情况下会怎么做。在特定的情况下，我们可以模拟这种情况，我们可以给出更精确的答案，因为我们了解这些情况下的数据。"
身体姿势的特殊性已成为他的主要兴趣之一。具体来说，球员追踪技术的进步--以及进行更准确预测分析的潜力--在于更加重视测量，而不仅仅是使用基本的质量中心来建立光学追踪的 XY 坐标。
"卢西说："从前，我们可以捕捉身体姿势，但必须在实验室环境中进行。"......现在我们可以在野外实际操作了。
Lucey 的团队一直在研究该领域的下一个重大事件，他对未来如何更密切地评估绩效的看法可能会让一些人感到惊讶。这并不一定与创建新的分析指标有关。而是人与技术之间的关系。
"Lucey 说："实际上，我并不认为新的度量标准是个好办法。"我不认为那是未来。我认为这是人类与计算机的共生。我们能否开发出新技术，帮助领域专家更好地完成工作？我认为这才是体育分析的下一步。创造这种技术，帮助教练、分析师或在家的人提出这些假设问题。我认为我们离这个目标并不遥远。
