Улучшение стратегических баскетбольных решений с помощью биполярной комплексной нечеткой многокритериальной групповой модели принятия решений

Более разумные игровые планы для динамичного вида спорта

Матчи по баскетболу могут решиться за несколько суматошных владений, когда тренерам и аналитикам нужно за секунды выбирать сочетания игроков, разрабатывать игровые розыгрыши и схемы защиты. При этом решения опираются на нерегулярную информацию: неполные данные отслеживания, меняющиеся игровые обстоятельства и разногласия между экспертами. В этой статье представлен новый способ объединения человеческой баскетбольной экспертизы с математическими инструментами, позволяющий командам справедливее сравнивать стратегии, взвешивать плюсы и минусы и видеть, какие игровые планы с наибольшей вероятностью сработают в условиях неопределённости.

Почему баскетбольные решения такие сложные

Современный баскетбол переполнен данными. Команды отслеживают перемещения игроков, частоту сердечных сокращений, качество бросков, соответствия соперников и их склонности, при этом счёт, таймер и давление меняются от момента к моменту. Тренеры, аналитики по производительности и бывшие игроки предлагают разные взгляды на одну и ту же ситуацию, часто одновременно оценивая преимущества и недостатки. Традиционные инструменты принятия решений испытывают трудности с такой тонкостью: они обычно предполагают, что мнения в основном положительны или в основном отрицательны, а данные — однозначны. В результате важные стратегические выборы — например, какой состав доверить в концовке близкой встречи — могут не полностью учитывать неопределённость и разногласия, присущие реальному соревнованию.

Новый способ зафиксировать смешанные мнения

Авторы предлагают структуру под названием биполярная комплексная нечеткая многокритериальная групповая модель принятия решений (BCF‑MCGDM). Проще говоря, это механизм оценки, который позволяет экспертам одновременно выражать и положительные, и отрицательные оценки варианта, а также степень своей неуверенности. Вместо того чтобы заставлять каждого эксперта давать одно чистое число, метод фиксирует поддержку и оппозицию в виде пар значений, а затем использует гибкие математические правила (так называемые нормы Ачела–Альсина) для их объединения. Эти правила действуют как настраиваемые «смесители», которые регулируют, сколько компромисса или строгости применяется при объединении различных критериев и мнений экспертов. В результате получается более богатая картина каждой стратегии, которая лучше соответствует тому, как люди фактически думают о компромиссах.

От сложной математики к ранжированию команд

Чтобы показать применение на практике, исследователи построили гипотетический кейс из пяти элитных баскетбольных команд. Трое экспертов — тренер национальной сборной, аналитик по производительности и бывший международный игрок — оценивают каждую команду по шести прикладным факторам: контекст и время игры, сочетания игроков и штаб, сильные и слабые стороны команды, скаутинг соперника, оперативные корректировки и аналитика данных. Их суждения сначала преобразуются в биполярный нечеткий формат, а затем проходят шаг агрегирования, который уравновешивает влияние каждого эксперта и каждого критерия. Дополнительный шаг на основе энтропии проверяет, чтобы ни один отдельный фактор не доминировал несправедливо. В итоге модель выдаёт ясные оценки и ранжирование команд, отражающие как метрики, основанные на данных, так и субъективные инсайты.

Что показывает структура о командной стратегии

В кейсе модель ранжирует Eastern Falcons как наиболее стратегичную команду. Они выделяются гибкими тактиками, сильным пониманием игрового контекста и эффективным использованием аналитики. Northern Titans занимают второе место благодаря умным сочетаниям игроков и глубокой работе по анализу соперников, за ними следуют Thunder Hawks. Southern Stallions демонстрируют сбалансированную игру, но у них нет ярко выраженных сильных сторон, в то время как Capital Warriors оказываются последними: они сильно зависят от запланированных схем, но испытывают сложности с их исполнением в нужные моменты. Тесты чувствительности, в которых авторы варьируют степень применения различных весов и параметров, показывают, что тройка лидеров остаётся стабильной. Сравнительные проверки с другими нечеткими методами принятия решений свидетельствуют о том, что новая модель более последовательно справляется с неоднозначностью и конфликтующими мнениями.

Почему это важно не только для одного турнира

Для тренеров и аналитиков предложенный подход — это больше, чем хитрая формула. Это структурированный способ превращать разрозненные, порой противоречивые баскетбольные знания в прозрачные ранжирования, которые могут направлять выбор составов, отчёты скаутинга и долгосрочное планирование. Явно моделируя как преимущества, так и недостатки каждой стратегии и показывая, насколько чувствительны ранжирования к разным допущениям, структура помогает принимающим решения увидеть, какие выводы устойчивы, а какие — хрупки. Хотя пример сосредоточен на баскетболе, те же идеи можно применять там, где группы должны принимать важные решения в условиях неопределённости — от планирования здравоохранения до инфраструктурных проектов — гарантируя, что множество голосов и смешанные чувства будут учтены, а не сведены к одному виду в финальном решении.

Цитирование: Yao, J., Wang, X., Wei, Q. et al. Enhancing strategic basketball decisions using a bipolar complex fuzzy multi criteria group decision making framework. Sci Rep 16, 13174 (2026). https://doi.org/10.1038/s41598-026-42277-6

Ключевые слова: баскетбольная тактика, аналитика спорта, система поддержки принятия решений, нечеткая логика, групповое принятие решений