自2015年起，NFL在其Next Gen Stats平台中采用AWS云计算技术，并于2017年引入机器学习。这一高级分析平台通过追踪赛场复杂数据并部署模型，实现了传球完成率概率、接球后预期码数及最快持球跑者等新动作可视化方式。这些实时数据有效提升了球迷体验，使其更深入地了解球员天赋与比赛决策过程。
尽管每档进攻包含200多项由AWS支持的下一代统计数据（Next Gen Stats），但长期以来仅有少数指标能捕捉跑球细节。今年，NFL首次引入“预期冲球码数”（Expected Rushing Yards），旨在根据阻挡与防守球员的相对位置、速度和方向，预测单次冲球的预期码数，从而更全面地展现跑卫的速度与变向能力。该指标仅是本赛季利用AWS技术推出的多项新统计之一。
这一新指标源于AWS支持的“大数据碗”（Big Data Bowl）数据分析竞赛。该赛事于2月底举行，为全球数据科学家提供了探讨NFL高级统计演进的交流平台。本届竞赛聚焦核心问题：当NFL持球跑卫接到手递手传球时，预期在该次进攻中能推进多少码？
超过2000人参与了此次开源竞赛。一支来自奥地利的两人团队——Philipp Singer和Dmitry Gordeev（队名“The Zoo”）脱颖而出。尽管赛前从未接触过美式足球，他们凭借机器学习专业知识构建了卷积神经网络，成功开发出这一新的统计方法。
团队成员详细阐述了模型构建逻辑，这也成为后续讨论板上出现的新高级统计指标基础：
“若仅关注持球冲跑者并移除其他进攻方球员，这便是一场简单的游戏：一名球员试图逃跑，其余11名球员试图拦截。我们假设冲跑战术开始后，无论防守球员位置如何，都会专注于尽快阻止冲跑者。防守球员擒抱冲跑者及其预计位置的概率，取决于双方的相对位置、移动速度和方向。”
基于统计数据的前10大进攻线
NFL Next Gen Stats团队在休赛期采用了The Zoo的建模架构，并通过Amazon SageMaker（一项使开发者和数据科学家能快速构建、训练及部署机器学习模型的全托管服务）创建了新的冲球指标。随着“预期冲球码数”在赛季初正式上线，球队、转播商及球迷不再局限于传统冲球码数统计。
基于该新指标可衍生出多项核心数据，包括预期冲球码数、超出预期的冲球码数、每次尝试超出预期的冲球码数、超出预期的冲球比例、首攻概率及达阵概率等。例如上赛季克利夫兰布朗队对阵巴尔的摩乌鸦队时，在比赛还剩9分47秒且以24-18领先的情况下，跑卫尼克·查布从本方12码线出发，完成一次88码达阵。该表现产生了+81的预期冲球码数超额值、12.4%的首攻概率以及低于1%的达阵概率。
NFL新兴产品与技术副总裁马特·斯文森表示：“正如我们通过完成概率更好地理解四分卫和接球手的表现一样，现在可利用这些高级统计数据更准确地量化跑卫的独特能力。‘预期冲球码数’是一种独特方法，未来也可应用于改进现有统计指标（如预期接球后码数）。借助AWS支持下一代统计数据平台，我们将不断发现以往无法看到的比赛新维度。”