在每場籃球賽事之後，都有專門數據網站統計每位球員當場比賽的表現，而隨著時代發展，大數據時代的來臨，僅僅依靠得分、助攻、籃板等等基礎數據已經很難真實反應出球員當場比賽的狀態好壞；為了順應時代需求，各項高階數據開始出現，我們最常討論到的幾項，例如PER、USG%、TS%、RPM等等，這些表面上看起來亂七八糟的符號，背後所代表的含義是什麽，而我們又是如何透過這些符號來判斷球員表現，如何解讀符號數據，隨著籃球現代化發展的科學化，對於這些高階數據，理解它的含義，我們才能夠真正看懂比賽。
在討論之前，我們先要理解到籃球運動的基礎數據：
PTS(Points)：得分
TREB OR REB(Total Rebounds)：籃板
OREB(Offensive Rebounds)：進攻籃板
DREB(Deffensive Rebounds)：防守籃板
AST(Assists)：助攻
STL(Steals)：搶截
BLK(Blocked shots)：封阻
TOV(Turnover)：失誤
PF(Personal foul)：犯規
FGM(Field goals made)：投籃命中數
FGA(Field goals Attempted)：投籃出手數
FG%(Field Goal Percentage)：投籃命中率
3PM(Three Pointers Made)：三分命中數
3PA(Three Pointers Attempted)：三分出手數
3P%(Three Point Percentage)：三分命中率
FTM(Free Throws Made)：罰球命中數
FTA(Free Throws Attempted)：罰球出手數
FT%(Free Throw Percentage)：罰球命中率
上述是我們在比賽賽後的統計內容上最常見的幾項數據，而很多高階數據也都是在此基礎上發展而來。想要徹底了解比賽每個細節，以及球員的真實表現，往往需要不斷的重播每一個攻防回合進行拆解統計，但是籃球運動畢竟屬於動態團隊專案，僅僅只是一次攻防，過程中就包含這多位球員的直接數據貢獻，例如得分、籃板、助攻等等，其次還有很多類似傳導球、無球掩護、空切跑位等等間接數據，一直到最後的出手命中或者不中，一個回合才算全部完成。
在這個快速運動的過程中，統計數據需要觀察的細節內容非常多，難度也是很大，想要完全精準的解析每場比賽的所有細節，這是一個相對復雜的過程；所以，本片介紹的高階數據，大多數是直接借助傳統基礎數據來推導計算，和比賽場上實際發生的內容還是存在誤差。但是參考這些高階數據已經能夠得到和實際情況非常相近的數據結果，這已經是現階段既方便又比傳統數據更具參考價值的方法。
討論高階數據的最直接目的就是參考比賽球員在場上的表現好壞，而想要衡量球員的場上表現，效率值就是第一個必須理解到的數據。參考目前最主流的效率值數據，類似EFF、GmSc、PER、ORtg、DRtg等等，相對而言PER、ORtg、Drtg幾項數據的計算過程稍稍復雜，我們先特別介紹幾項簡單的基礎數據。
第一個是EFF(Efficiency：出場效率)
EFF屬於是最基本常見的高階數據了，先看看EFF的公式內容：
EFF = (PTS + TREB + AST + STL + BLK) - (FGA - FGM) - (FTA - FTM) - TO
公式看起來一長串，但實際上就是把五大數據：得分、籃板、助攻、搶截、封阻全部相加，再剪掉投籃不進和罰球不進，最後減掉失誤。五大傳統數據是正項數值，而投籃不進、罰球不進和失誤是負項數值，計算簡單方便是這項數據的最大優點，所以EFF也是最常見的高階數據。公式中也沒有用到每場平均或者命中率數據，而是用一般的基礎數據累積，並且EFF僅僅只是單純的加減而並非比例演算法，可以簡單理解成一個"累積式數據"。
不足之處：
作為高階數據，EFF數值的參考價值並不高，因為這些數據價值並非完全相等，也沒有經過加權計算，這會導致EFF的衡量價值失去真實性。舉例：如果一名球員兩罰不進則EFF數值減2，即便後續搶到進攻籃板重新拿回球權還是會減1，但發生一次失誤並且導致球權轉換給對手方卻只減1。又或者，當你防守對方進攻球員投籃不進，在沒有封阻的情況下EFF數值不會出現變動，但是同樣是造成對手投籃不進，蓋到對方封阻的EFF數值就會加1。
另外一點，EFF數值完全可以依賴大量出手球權來作弊，例如投進一記兩分球會加2，這就意味著後續需要投丟兩記投籃才會歸0，所以只要保證每三球進一球，也就是把投籃命中率穩定在33.3%之上，出手數越多，EFF數值就會越高，這對於一項"累積式數據"來說就是一個最直接的致命漏洞。所以，EFF數據只能是簡單的套用於單場比賽統計，衡量在場球員單場比賽的產出效率占比。
第二個是GmSc(Game Score：比賽評分）
對於EFF，GmSc同樣也是參考五大傳統數據，只是在投籃和罰球、失誤之外還加入了犯規，然後針對各項數據進行加權計算。以下是計算公式：
GmSc = (PTS + 0.7×OREB + 0.3×DREB + 0.7×AST + STL + 0.7×BLK) + 0.4×FGM - 0.7×FGA - 0.4×(FTA-FTM) - TOV - 0.4×PF
GmSc計算籃板時細分成了進攻和防守籃板，進攻籃板因為較難搶到，並且搶到後能再次為球隊贏得一次得分機會，避免了球權轉換後對手的進攻，所以進攻籃板的加權分數較高於防守籃板高，和助攻、封阻一樣都是0.7分，但防守籃板就只有0.3分。而因為搶截等於一次球權轉換，所以加權分數也是比直接封阻要更高。
此處可能就會有疑問了，為什麽投籃加權分數也是1；
背後的原因可以細看」投籃」專案： 0.4×FGM-0.7×FGA
+0.4×FGM代表每投進一球會加0.4分，但-0.7×FGA代表每出手一次會扣0.7分。也就是說，即使你投進球，在FG的部份還是會使GmSc的分數少0.3分，這就是讓得分加權比其他數據高的原因。事實上，投進一記兩分球只能加1.7分，一記三分球能夠加2.7分，只要投丟任何一球也會減0.7分。而投丟一球罰球的加權則是減0.4分，一次犯規減0.4分，失誤一次導致球權轉換，GmSc直接減1分。
不足之處：
對比EFF，GmSc數據多出了對各項數據的加權計算部份，勉強能改善EFF的第一個問題：各項數據並非等價，但是這些加權是否合理就見仁見智了。而即便能夠解決第一個問題，但第二個問題依舊存在：GmSc也可以依靠大量出手來作弊，甚至作弊水分比EFF還嚴重。投進一記兩分球加1.7分，投丟卻只扣0.7分，所以要投丟2.43記出手才會抵消投進一記兩分球的分數，換算之後，兩分球命中率只要能夠在29.1%，兩分球投得越多，GmSc數值就可以越高。而三分球更誇張，一記三分加2.7分，要投丟3.86記三分球才會被抵消，換算後三分球的命中率只要超過20.6%就能不斷的正向累積GmSc數值。
所以對比EFF，雖然其他傳統數據方面的衡量或許比較有參考價值，但對於同樣屬於累積式數據而言，在得分方面的缺失卻更加的嚴重，公式背後看，GmSc更看重得分的產出，所以更別說用GmSc來衡量球員的效率了，畢竟效率已經可以靠大量出手來作弊。
除此之外，GmSc和EFF一樣只適合套用於單場賽事，但是結合一系列的權數比重，在計算上甚至還不如EFF便捷有效，反而比EFF更少被使用。
接下來我們來理解高階的命中率指標數據，由於兩分球和三分球的價值不同，簡單以FG%來衡量球員的投籃效率似乎有失合理。此外，有少部份球員的打法本就比較極端前衛，導致罰球變成了他重要的得分手段之一，那就需要能連同罰球命中率一起考量的高階數據指標了。
分別是eFG%和TS%。
eFG%(effective Field Goal percentage，有效命中率)
eFG%的邏輯很簡單，因為一記三分球能比一記兩分球多出1.5倍分數，所以將FG%的三分球命中數×1.5，也就是提高1.5倍的比分權重。這個數據有個最直接的套用效果，將eFG%×出手數再×2【公式：eFG%×FGA×2=得分】這就是球員借由投籃出手的得分，一次投籃命中等於兩分，而命中三分球的部份，在eFG%裏就已經先乘以1.5倍了。
不足之處
eFG%其實並沒有多少缺點，它已經能夠很真實的呈現出球員在投籃方面的價值。如果一定要找到問題的話，有部份球員本身就很少出手投籃，大多數得分都來自於補籃或者入樽，依靠投籃出手為主的球員即便eFG%已經把三分球的加乘考慮進去，還是難以和此類球員相提並論。所以，eFG%對於投籃還是存在參考物件，對於那些較少出手投籃的球員就不是和合適了。
TS%(True Shooting percentage，真實命中率)
TS%對比eFG%，相對把罰球考慮了進去，用來衡量球員每次進攻機會能夠得到多少分數。因為有些進攻機會，本來是能夠以投籃出手，但因為被對手犯規而變成罰球出手，這依舊屬於是一次進攻機會，但是在eFG%數值上卻不會被計算進去。而真實命中率就是希望可以考慮到所有進攻機會，所以比eFG%多參考到了罰球部份，讓球員命中率看起來能夠更加的趨於真實。
我們可以從eFG%的公式來推匯出它和TS%之間的不同之處：
上述提到，eFG%×FGA×2=得分，所以，我們用這個公式和TS%對比，差距只在TS%的分母數據多出了罰球出手，而乘數是2倍的0.44。這個2×0.44是根據以往賽季的歷史紀錄，來計算所有罰球出手數中，有多少比例是在被犯規而失去進攻機會得來的，目的是要把球員失去的投籃出手機會補回來。在計算歷史紀錄之後發現，每個賽季大約88%的罰球出手次數來自於被對手犯規後失去的進攻機會，而一次被犯規的進攻機會能夠創造出兩次罰球出手，所以88%的罰球出手要除以2，乘數就是0.44。
如果覺得不太好理解，那麽在這裏我們舉個實際套用的例子：
假如一名球員本場比賽一共罰球10次，根據數據資料顯示，這10次罰球出手中包括約4.4次被犯規而失去進攻機會的回合，所以該球員當場比賽得到的進攻機會就是4.4+投籃出手次數。
所以整個分母就代表進攻機會的意思，TS%把投籃出手次數加上被犯規導致的罰球出手，也就是所有的進攻機會。而每次機會如果都能夠把握住，按照得兩分得基礎標準，罰球兩罰全中，所以×2。如果投進三分球，或者得到三次罰球且全數命中，得分就會比較多，所以TS%也就會比較高。而如果兩罰一中，TS%就會比兩罰全進更低。
這對於那些依靠大量補籃或者入樽作為得分手段，但通常罰球命中率都不高的內線球員，TS%數值上會有所修正，而對於少部份大量站上罰球線上的球員來說，對比於eFG%，TS%反而能加真實的呈現出他的得分效率。
不足之處
因為有些進攻機會能夠創造三次罰球，而且是按照全聯盟的數據統計，因此0.44只是一個比較概括的數碼，無法精確作為衡量每位球員的指標，這也是TS%最可惜的地方。除此之外，既然是以進攻機會為單位來衡量，那就應該要把失誤也考慮進去，失誤從另一層面來講直接屬於一個進攻機會的喪失。但是考慮到TS%名為真實命中率，所以僅僅參考最終實際的出手進攻機會其實也算合理。除了上述的部份缺陷，TS%已經算是目前最常被套用來衡量球員價值的數據。
