Estructurando datos para entender mejor el juego

Un pequeño experimento visualizando los tiros de campo de la temporada 25/26 de la EuroLeague

Ya lo dije en la entrada sobre las jugadas ATO de Fenerbahce: el verano deja más huecos para pensar en cómo miramos el baloncesto en las fases de competición que están por venir. Hoy le voy a dar una pequeña vuelta a esta newsletter para analizar menos y enfocarme en cómo se puede construir un pequeño producto para facilitar que los datos nos sirvan para explicar el juego.

Para llevar la idea a la práctica, en LN Data hemos hecho un pequeño experimento: extraer el play-by-play crudo de una temporada completa y ver hasta dónde se puede llegar si el dato se estructura bien desde el principio. Usamos como muestra la EuroLeague 25/26, y el resultado es un dashboard completo que analiza los tiros de campo de muchas formas. Va con dos pestañas — un mapa de zonas con una serie de filtros cruzados, y una comparativa cara a cara entre dos jugadores — y por el camino acabamos clasificando a toda la liga en arquetipos de finalizador.

Enlace al dashboard aquí.

No obstante, para llegar ahí hay un proceso que ha sido entretenido y ha estado lleno de aprendizajes. Os lo explico:

De un PbP a un dashboard: qué hay que medir y cómo

Todo nace de un único archivo: el play-by-play crudo de la temporada, una fila por jugada, sin ningún tipo de agregación. Con eso solo ya se puede sacar muchísimo, pero hay que decidir bien qué medir y cómo — pero todo es fácil si aprendes y trabajas con la gente adecuada, como en este aspecto Lluís Navarro y el proyecto de LN Data.

Construir a partir de la ubicación. Esto fue posible sobre todo porque partíamos de la coordenada exacta de cada tiro, no solo si entró o falló. Esto ha permitido reconstruir la cancha, así que para entender la distribución de los tiros más allá de lo reglamentario hemos podido dividir la pista de ataque en las siguientes zonas:

Sin esa extracción de coordenadas, esta parte hubiera sido muchísimo más limitada, o directamente inviable.

El “cubo” de datos. Este fue el cambio de arquitectura más importante. En vez de calcular una tabla distinta para cada combinación de filtro (equipo + posición + tercio de posesión + situación de clutch + jornada), se consolidó una única tabla granular — una fila por cada combinación real de jugador, zona, tercio, clutch y jornada — y todo se suma al vuelo según utilices los filtros, que se combinan libremente entre sí sin recalcular nada por separado.

Los tiros se pueden filtrar por los siguientes valores: equipo, posición del jugador (Guard, Forward, Center), Tercio de Posesión, Clutch Time y rango de jornadas.

Sumar el box score. El play-by-play de tiros te da mucho, pero no todo. Para sacar USG%, AST%, TS% o minutos por partido hace falta cruzarlo con el box score oficial y el total de cada equipo partido a partido — el USG%, por ejemplo, no se puede calcular sin saber cuántos tiros, pérdidas y minutos totales tuvo el equipo completo en cada partido concreto. El box score aquí lo titularía como una fuente de datos que nos ha aportado más sobre el contexto individual del jugador, algo que podemos alimentar en sus fichas individuales y en su comparativa.

Clasificar arquetipos. La parte más divertida. A partir de las métricas de ataque disponibles en el play by play, como el reparto de tiros por zonas o el origen de las canastas, además de otras métricas que enseñan uso del jugador (USG%, AST%) y eficiencia, hemos construido un árbol de decisión que ha separado a los jugadores en 11 roles. Aquí lo interesante no ha sido tanto escribir las reglas como afinarlas: casos como un ala-pívot etiquetado erróneamente como center por un fallo en la fuente de datos, o la diferencia entre “genera juego para otros” (medible en el ratio de asistencias -AST%-) y “depende de que le asistan” (medible en el % de canastas asistidas), que parecen lo mismo pero cuentan historias opuestas. También hemos añadido otros detalles como si el jugador performa bien en el clutch o el matiz de que, si un jugador no tiene un volumen de datos suficientes (bien por falta de minutos o bien por falta de tiros), avisar de que su rol es algo menos exacto.

Con toda esta información, la pestaña de comparativa lo deja todo mucho más sencillo:

Un matiz importante: esta clasificación etiqueta solo con lo que da el propio tiro — zona, volumen, si vino de asistencia o no y otros datos que explican mejor al jugador y ayudan a definirlo. Con datos de tipo de finalización como los que da Synergy (mano a mano, aislamiento, bloqueo directo, transición...) se podría afinar bastante más, tanto en ataque como del lado defensivo, que aquí directamente no está cubierto. Pero al final la visualización de datos no consiste en inventar información que no tenemos, sino en ordenar y hacer más clara la que sí — y a partir de ahí, dejar espacio para pensar. Con lo que había disponible, esto es hasta dónde se puede llegar; con más detalle de por medio, seguramente el árbol de decisión se pueda afinar más todavía. Quant més sucre, més dolç.

Algunas ideas a partir de lo extraído

Una vez explicado el dashboard, dejo aquí algunas ideas clave que he extraído. Porque visualizar y estructurar datos está muy bien pero no puede estar solo de adorno: tiene que ayudarnos a contar una historia. Vamos con algunas notas, si tienes otras apreciaciones no dudes en compartirlas:

• La eficiencia de los primeros ocho segundos de posesión. Dividiendo las posesiones en tres tercios vemos que la tendencia a atacar rápido se justifica en la eficiencia de poder acabar los ataques en el inicio. La eficiencia en el primer tercio de la posesión es de 1,20 puntos por ataque, por encima de la media de 1,10. En ese primer tramo, casi la mitad de los tiros salen de la pintura (47,5%), en consecuencia de los ataques en superioridad.

• El papel de jugar con las esquinas. Ocupar esquinas y hacer el campo grande es una necesidad para hacer que los equipos siempre tengan un pase para un buen tiro que sirva para ejecutar o para mover a la defensa. Su uso, que aumenta en el tercio final de posesión, tiene una eficiencia de 1,22 puntos por tiro. Un tiro que apremia el haber encontrado un espacio liberado. Además, los triples desde las esquinas tienen un porcentaje de rebote ofensivo del 31,8%, siendo así la ubicación con mayor eficiencia para conseguir un ataque extra. Esto gana fuerza con una idea: al ser una ubicación donde la manta no llega, el fallo suele coger al equipo que ataca con mejor posición para cargar el rebote.

• Lo de la media distancia y el triple, por si hace falta recordarlo. La eficiencia del triple es de 0,28 puntos por tiro más que los tiros desde la media distancia. Por algo el reparto del triple está ya superando el 40% del volumen total de los lanzamientos de campo ejecutados.

• La EuroLeague es una competición de lanzadores. En la clasificación por arquetipos predominan los categorizados como Spot-Up Shooter, agrupando prácticamente un 40% de los jugadores etiquetados. Cierto es que no hay una categorización tan fuerte como en otras posiciones y roles, pero este hecho nos muestra dos cosas: que los aleros sin capacidad autónoma para generar tiros deben ser eficientes en el tiro exterior y que lo que marca la diferencia a día de hoy está en otros roles, como los Primary Ball Handler y los Elite Scorer. Los roles que marcan el techo de un equipo.

• La distribución de los interiores enseña tendencias. Dividí a los 70 Centers en tres etiquetas: jugadores continuadores en la pintura -rollers- (46), interiores abiertos por su capacidad para tirar desde fuera (17) y jugadores al poste (7). En los jugadores de poste marqué la etiqueta en la capacidad para anotar canastas con menor porcentaje de canastas asistidas y también por tener más capacidad para generar que la media. Pese a encontrar perfiles de muchísimo nivel como Milutinov (3º más valorado) o Kabengele, la tendencia enseña a que el rol de poste bajo sigue decreciendo en beneficio de jugadores más adaptables a los generadores exteriores, como los continuadores o los interiores abiertos.

• Los mitos del clutch: Solo 9 de los 30 jugadores con más puntos de la competición mejoran su eficiencia en el clutch: Sylvain Francisco, Talen Horton-Tucker, Timothé Luwawu-Cabarrot, Armoni Brooks (con un impresionante 2,09 puntos por tiro), Wade Baldwin IV, Jordan Nwora, Trey Lyles, Alpha Diallo y Elie Okobo. Tirar mucho en el clutch y tirar bien en el clutch son dos habilidades distintas, y muy pocos tienen las dos.

Estas son algunas de mis observaciones a bote pronto. Hay muchas más. Si os apetece trastear el dashboard vosotros mismos — cruzar vuestro equipo con la jornada, comparar a dos jugadores cara a cara, o simplemente cotillear quién sale etiquetado como “Elite Scorer” — el link está arriba. Como siempre, si encontráis algo raro o un hallazgo que se nos haya escapado, avisadnos.