Big Data en Deporte (Metadeporte 2013)

SUPLEMENTO PRIMERA ÉPOCA

58

BIG DATA en deporte: de Moneyball a Muthuball

METADEPORTE

#0

NOVIEMBRE 2013

BIG DATA EN DEPORTE

Muthu Alagappan podría ser el nombre de un pivot que procede de un país asiático. Sin embargo, no es así. Es el nombre de un estudiante de Medicina que ha revolucionado la NBA a través del análisis de datos. Gracias a un software pensado para curar enfermedades complejas ha redefinido el modo en el que se posicionan y construyen los equipos de baloncesto. Miami Heat contrató sus servicios durante los últimos play-offs. ¿El resultado? El equipo de Florida ha vuelto a ganar la NBA

H

ace casi 2000 años, el médico Galeno de Pérgamo clasificó las enfermedades humanas en cuatro tipologías distintas en función de los fluidos corporales. La tecnología y la evolución de la Medicina han permitido analizar y ordenar las diversas patologías en clasificaciones mucho más complejas y precisas que van mucho más allá de Galeno. Si esto ha ocurrido en la Medicina, ¿por qué no puede suceder lo mismo con las posiciones tradicionales del

baloncesto? ¿Se han quedado anticuadas las denominaciones de base, escolta, alero, ala-pívot y pívot? Con este punto de partida, Muthu Alagappan se presentó en 2012 en el evento Evolution of Sport del Sloan Sports Analytics Conference del MIT. Desde hacía unos meses trabajaba en Ayasdi, una compañía de Palo Alto (California) especializada en el análisis topológico de grandes volúmenes de datos (TDA). La topología estudia la forma de un conjunto de datos y posibilita que se pueda analizar la información a partir de nuevos puntos de vista. En este caso, el software de Ayasdi permite visualizar los datos en mapas de tres dimensiones y lo utilizan fundamentalmente médicos para profundizar en su conocimiento sobre enfermedades como el cáncer o la diabetes.

Aunque el trabajo de Alagappan se centraba en otras áreas, el joven inglés de origen indio decidió probar el programa en un sector impensable para sus mentores: la NBA. Un viernes por la noche analizó con el software de Ayasdi las siete variables estadísticas de los jugadores de la NBA que

#5 MAYO-JUNIO 2014

59

SUPLEMENTO PRIMERA ÉPOCA

60

ofrecía el portal Yahoo! Sports (puntos, rebotes, asistencias, robos, pérdidas de balón, faltas y bloqueos). Después de tres horas de trabajo, ante sus ojos se dibujó un mapa molecular en el que se mostraban varios grupos de nodos de color conectados por líneas en función de su afinidad estadística. Los nodos de color eran los jugadores en función de los datos que ofrecía Yahoo! Sports. Alagappan pensaba que los jugadores se reunirían en torno a cinco grandes grupos, como las posiciones tradicionales del baloncesto (base, escolta, alero, ala-pivot y pivot). Sin embargo, se encontró con 13 grupos bien diferenciados en los que, gracias a la estadística, podía hacer una clasificación con los mejores jugadores por posición. Pero, ¿por qué ese cambio? Hasta ahora, las posiciones de los jugadores en el campo se establecen según las cualidades subjetivas y condiciones físicas, quizá de un modo excesivamente simplificado. Alagappan ha incorporado un nuevo punto de vista que rompe con este concepto: ¿por qué no clasificar a los jugadores en distintas tipologías según lo que cuentan sus datos de juego? Sin saberlo, había abierto la caja de Pandora de la NBA.

De 5 a 10 posiciones Alagappan no se atrevía a contar los datos a sus jefes. Cuando lo hizo, se sorprendieron por el uso que había dado a su software y le animaron a poner en valor sus descubrimientos. Lo hizo en 2012 en Evolution of Sport (EOS), el certamen con el que los especialistas del MIT premian a las ideas y los proyectos más interesantes sobre el futuro de la tecnología en el deporte. Su presentación ‘From 5 to 13: redefining the positions in basketball’, además de ganar EOS, supuso una bomba mediática que llamó la atención de managers y directores deportivos de la NBA. El valor fundamental del trabajo de Alagappan reside en que los equipos de la NBA pueden cambiar la manera de pensar a la hora de construir sus plantillas. El objetivo es que pasen de fichar jugadores para encajarlos en las cinco posiciones tradicionales a construir nuevas posiciones basadas en los datos y así desarrollar un estilo de juego concreto. Los resultados de aplicar su análisis topológico tienen su aplicación práctica tanto en los despachos como en la cancha de juego. Por un lado, están los fichajes. La minería de datos

BIG DATA EN DEPORTE

EL CASO DEVIN EBANKS Alagappan ha recibido

distintas críticas desde que hizo público su trabajo. Se le acusaba de hacer una

simple reinterpretación de las posiciones tradicionales o de

ser demasiado teórico…, hasta que Devin Ebanks demostró que no se equivocaba. Para

conocer el caso hay que irse a la temporada 2011-2012. El joven alero de Los Ángeles Lakers era carne de banquillo en el equipo californiano. A pesar de ello,

figuraba entre los 40 jugadores

puede descubrir al manager de un equipo jugadores casi desconocidos que ofrecen un rendimiento muy alto por un salario considerablemente inferior al de otros jugadores consagrados con datos de juego similares. A su vez, en el terreno de la estrategia, la visualización de cada jugador como un conjunto de datos interrelacionados en lugar de como un conjunto de aptitudes en una posición tradicional, permite al entrenador tomar decisiones tácticas tanto en la preparación como durante el juego.

La innovación puesta en marcha por el científico indio ha ido más allá en el último año. Ha precisado aun más su trabajo y las 13 posiciones originales han pasado a ser 10. En este tiempo, Alagappan ha introducido en sus análisis la tecnología de seguimiento personalizado de jugadores de SportVU. Un conjunto de cámaras graba y analiza sus movimientos y ofrece un millón

que Alagappan había clasificado como ‘scoring rebounders’, la categoría con los jugadores

más valiosos de un equipo..., y quizá del mundo. En ella

estaban nombres como Carmelo Anthony, Amare Stoudemire

o Dirk Nowitzki. Para hacerse una idea, el salario medio en este grupo rondaba los 13,8

millones de euros mientras que

Ebanks cobraba 550.000 euros.

Alagappan defendió que Ebanks

era un jugador infravalorado: sus estadísticas estaban entre las

mejores del grupo de ‘scoring rebounders’. Su afirmación

despertó la hilaridad entre los

ojeadores de la NBA. No creían en Ebanks como jugador de

la NBA, ni evidentemente en

Alagappan. Pocos días después de esta particular apuesta,

Kobe Bryant se lesionó y Metta World Peace fue suspendido.

Ebanks comenzó a tener

minutos. ¿El resultado? En seis

semanas consiguió cifras de dos dígitos en cuatro partidos. FOTO: ©WVILLUSTRATED.COM

de datos en cada partido. De este modo, a los datos estadísticos suma el análisis espacial. Con esta información, Alaggapan está trabajando en cómo las estadísticas individuales de los jugadores influyen en el resultado de un partido. Este análisis le permite determinar, por ejemplo, que los Lakers ganan siempre cuando Pau Gasol consigue un número concreto de rebotes en un tiempo determinado. Pero la teoría está dando paso a la práctica…, con muy buenos resultados. El efecto ‘Muthuball’ – como lo han bautizado los medios norteamericanos en alusión al Moneyball de Billy Beane-, se deja notar en varios equipos de la NBA. De momento, es público su trabajo con Portland Trail Blazers y Miami Heat. El equipo de Florida, a la sazón campeón de la NBA, recurrió a los análisis de Alagappan durante los últimos play-offs. Parece que los datos de Muthu se merecen un anillo de campeón. 

#5 MAYO-JUNIO 2014

61

SUPLEMENTO PRIMERA ÉPOCA

MUTHU ALAGAPPAN ESTUDIANTE DE MEDICINA Y ANALISTA DE DATOS

“Clubes con presupuestos bajos pueden armar equipos campeones gracias al análisis de datos” Sus métodos interesan a equipos que ganan la NBA, al fútbol inglés, incluso al propio presidente de Estados Unidos, Barack Obama. Muthu Alagappan, el científico de Ayasdi que ha revolucionado la NBA, analiza las claves de su trabajo en su primera entrevista para un medio en español.

62

METADEPORTE: ¿Por qué el análisis de datos supone una revolución para los deportes profesionales?

MUTHU ALAGAPPAN: Los propietarios y entrenadores siempre buscan una ventaja competitiva en sus equipos.

Durante años han invertido en datos y análisis estadístico, así que eso no es nuevo en el deporte profesional. Sin embargo, el problema con un enfoque puramente estadístico está en que la persona que analiza solo selecciona determinados datos como, por ejemplo, goles, minutos jugados, pases… En sí, el análisis tiene sesgo porque no se está mirando al jugador en su conjunto. Están ahorrando tiempo porque a un equipo de estadísticos le llevaría meses analizar concienzudamente los datos de cada jugador. Por ejemplo, Opta recoge 191 datos

estadísticos de cada jugador de fútbol. Con las herramientas tradicionales, es virtualmente imposible utilizar los 191 datos entre cientos de jugadores y valorar cuáles son sus debilidades y fortalezas. La revolución que proponemos desde Ayasdi es dar un nuevo enfoque matemático a este análisis. Somos pioneros en análisis topológico de datos para resolver los problemas más complejos. La gran ventaja es la capacidad de nuestro software para gestionar grandes bases de datos. En deporte profesional, podemos utilizar los datos disponibles y automáticamente

EL SIGUIENTE RETO ES DAR VELOCIDAD AL ANÁLISIS DE DATOS, TENER INFORMACIÓN VALIOSA EN SEGUNDOS”

descubrir puntos clave sin ni siquiera haber visto un partido o tener ningún conocimiento previo.

Eliminamos cualquier sesgo y creamos grupos de jugadores por estilos de juego y mostramos cómo pueden hacer que sus equipos sean mejores. ¿En qué parcela es más eficaz su análisis de datos? ¿En la estrategia o en los fichajes?

Ayasdi aporta rigor matemático a los deportes profesionales.

En vez de adivinar quiénes son los mejores jugadores, ofrecemos claridad matemática para ver quién es el mejor en su posición. Podemos ayudar a los entrenadores a tomar mejores decisiones durante un partido. Por ejemplo, qué jugadores tienen que jugar en una situación concreta.

También podemos ayudar a los equipos a seleccionar un tipo de

MUTHU ALAGAPPAN ESTUDIANTE DE MEDICINA Y ANALISTA DE DATOS

jugador concreto para su plantilla e, incluso, a encontrar jugadores similares a las estrellas pero que, por la razón que sea, cuentan con una ficha baja. De esta forma, equipos con presupuestos pequeños pueden armar equipos competitivos por mucho menos de lo que otros están pagando.

En realidad, Ayasdi propone una nueva manera de pensar el baloncesto o, incluso, cualquier deporte profesional.

Ayasdi trabaja con equipos como Portland o Miami. ¿Tienen más clubes en su cartera de clientes?

Hemos trabajado con otros equipos profesionales, pero se nos ha pedido que no lo revelemos. Sí que podemos decir que uno de los mayores aficionados al baloncesto de Estados Unidos, el presidente Obama, se ha interesado por nuestro trabajo. Incluso le hemos

proporcionado un análisis privado de su equipo favorito, los Chicago Bulls.

Miami ha sido campeón de la NBA. ¿Cuál es su contribución a este éxito?

Hemos tenido conversaciones con Miami Heat antes y durante los playoffs. Repensamos con ellos su estrategia en el juego, cómo utilizar sus jugadores de diferentes maneras, la manera de combinar jugadores o posiciones para conseguir más efectividad. En sí, hemos buscado manera para pensar el juego con unos métodos que a los que otros equipos no tienen acceso o incluso no los han pensado. ¿Cuál es el siguiente reto en el análisis de datos en deporte?

Hay muchas maneras de analizar los datos del deporte. En nuestro caso, nos centramos en ayudar a

las compañías y organizaciones que quieren resolver problemas complejos como la prevención de enfermedades; la exploración y el descubrimiento de la energía; la prevención del terrorismo o la detección del fraude financiero.

Nuestro trabajo en deporte es una pequeña parte de nuestra actividad. Pensamos que el siguiente paso importante en el análisis es la velocidad.

Los proyectos de analítica tradicionales pueden llevar meses y ofrecer solo una pequeña ventana para comprender el significado de los datos. Con Ayasdi, los equipos pueden confirmar en segundos lo que ya saben o creen que es verdad, pero lo más importante: pueden encontrar información valiosa que les suponga una ventaja competitiva para construir un equipo campeón. 

#5 MAYO-JUNIO 2014

63

#5 MAYO-JUNIO 2014 SEGUNDA ÉPOCA METADEPORTE.COM

LA 1º REVISTA EN ESPAÑOL SOBRE ECONOMÍA, EMPRESAS Y NEGOCIOS DEL DEPORTE PATROCINAN Y COLABORAN:

A

NBA 3.0, EL PROYECTO DE VIVEK RANADIVÉ B

EL DEPORTE UNIVERSITARIO EN EEUU C

ENTREVISTA: JOSÉ LUIS SÁEZ (FEB): “ME MUEVO POR ILUSIONES, NO POR AMBICIONES DE PODER”

Blake Lawrence revoluciona el patrocinio deportivo en Internet OPENDORSE CONECTA A LOS DEPORTISTAS DE ELITE CON LAS MARCAS EN TIEMPO REAL