一支美國職棒大聯盟球隊透過優化球探之間相互衝突的意見，對潛力新秀進行排名。

為每年一度的美國職棒大聯盟選秀做準備並不容易：每年約有1,500名球員被選中，球隊必須評估並排名數百名潛力新秀。球探提交質性與量化的報告，但他們的意見往往嚴重分歧。

喬治亞理工學院的研究人員與一支大聯盟球隊合作，將這個問題建模：針對該球隊代表所考察的所有球員，提出一份共識排名。同一套方法也能推薦球探的賽季內行程安排，依據是每位球探能增加多少資訊，以及每位球員真實排名的不確定性。

該球隊使用這套優化工具兩年，之後有第二支大聯盟球隊請研究人員評估其排名資料。

將意見分歧的球探轉化為一份共識選秀排名。

從眾多充滿雜訊的專家意見中凝聚共識，正是優化擅長的事。

球探行程安排自然衍生自同一個模型，並以不確定性為目標。

兩支球隊採用這套工具，顯示它經得起實際選秀室的使用考驗。

當專家意見分歧時，不要手動平均他們的清單——要明確地將彙整過程建模，你就能得到一份排名，並洞悉下一次觀察在哪裡最有價值。

此案例於2012年發表於《Interfaces》；該工具持續被使用，並有第二支球隊要求進行評估。