Создавање на “идеалниот тим” во НБА со помош на Data Science

Data Science NBA

Во најдобрата кошаркарска лига во светот НБА секоја сезона сме сведоци на неверојатни натпревари и пресврти, што се должат на талентот на индивидуалци кои секојдневно испишуваат историја со нивната игра. Од основањето на лигата, од сезона во сезона играта се подобрува во секој аспект, посебно последните 10 сезони откако технологијата сериозно “замеша прсти” во лигата. Водењето на статистики не е новитет, тоа е основата на која отсекогаш се граделе тактики, но усовршувањето на анализата и начинот на кој клубовите ги користат податоците е подигнато на ново ниво, а тоа секако се гледа на теренот.

 

Од “лузери” до големото финале

Еден одличен пример за примена на Data Science во НБА се тимот на Phoenix Suns, кој 10 сезони по ред не успеваше ниту да се пласира во следната фаза од натпреварувањето, за во 2021 да ја освои титулата за најдобар тим на Западната конференција и да се пласира во финалето, кое го загуби од најдобриот претставник на Источната конференција, тимот на Milwaukee Bucks.

Таквиот успех највеќе се должи на тренерот Монти Вилијамс кој своите тактики ги усогласи со вештините на неколку индивидуалци во тимот кои ги виде како вистински двигатели на играта. Сепак, од огромна помош, ако не и клучна, придонесе новиот тренинг центар што го отворија во 2020 година. Инвестицијата вредна 45 милиони долари, наречена Verizon 5G Performance Center е со големина од околу 5.000 квадратни метри и во него се поставени преку 150 камери и сензори за да го следат секој податок, вклучувајќи го и движењето на топката при специфични тактики што предизвикуваат замор кај играчот.

„Разликата помеѓу тимовите од повисок ранг се сведува на “носење одлука”. Аналитиката е корисна алатка за да го зголеми носењето одлуки. Нашите играчи сакаат да бидат сѐ подобри и прифаќаат било какви податоци кои ќе создадат предност наспроти останатите тимови. За вакво нешто многу се корисни податоците кои доаѓаат во real-time кои помагаат веднаш да се открие кои движења се штетни и предизвикуваат поголем замор. Исто така ваквиот вид информации ги споделуваме со нашите играчи за да можат да видат кои аспекти од играта можат да ги подобрат и да направат значителен прогрес, што веќе и тоа како се гледа” – вели генералниот менаџер Џејмс Џоунс.

Како резултат на достапноста на овој вид на податоци, тренерот многу полесно може да направи стратегија која би придонела за поголема ефикасност и би ги заштитил своите играчи од повреди. Како интересен податок се зема фактот дека во претходниот тренинг центар Phoenix имале само 4 камери.

 

Како тимовите направија револуција во играта?

Околу 2010 година, неколку тимови започнаа да користат камери и сензори за да го следат движењето на играчите и топката на теренот, за да собираат податоци. Подоцна преку овие податоци, тактиките на тренерите драстично се променија, играчите воведоа нови вештини во својата игра,  па со тоа и гледаноста на лигата се зголеми.

Како за пример, тренерите започнаа да ги ротираат своите играчи според plus/minus параметарот (мерење на рејтингот на дадени поени на тимот додека играчот e на терен и на клупа). Според тоа ако главната ѕвезда во тимот има +/- од +20 додека е втора четвртина и на паркетот се наоѓаат ветерани кои се со минимум 10 години искуство се форсира таа петорка. Кога пак на паркетот се наоѓаат играчи кои имаат просечен рејтинг од -25 (проектирано на 48 мин) и во просек тимот постигнува 70 поени, нивната шанса најчесто се добива во “Garbage Time” поради малата ефикасност. Исто така се добиваат податоци колкава ефикасност има главниот играч во последната минута за постигнување поени. Како за пример, ако постигнува 1.7 поени во просек во последната минута од натпреварот, а има 1.9 асистенции, попаметно е да ја подаде топката на некој соиграч.

Од целокупното собирање податоци, податоците покажаа дека “тројката” e меѓу највредните поени. Како интересен податок издвојуваме дека од сезоната 2000-01 во просек имало 13.7 обиди за 3 поени, додека во сезоната 2020-01 таа бројка била 34.6. Според тоа, концепциски целосно се менува играта и споредбено со 2000-01 каде што eFG% (ефективноста на тројката во однос на поен од поле) изнесува 0.473% со 94.8 поени во просек, а во сезоната 2020-01 таа ефективност била на 0.538 со 112.1 поени во просек.

Овој факт доволно ни кажува колку повеќе тимовите се фокусирани на шутевите за 3 и дека офанзивниот рејтинг Ortg (односот на поени на 100 поседи) е зголемен за 9.3. Исто така преку овој шут, се избегнува дуел меѓу играчот и неговиот чувар, а со тоа има и минимален ризик од повреда.

Податоците открија и дека шутевите од полу-дистанца се најмалку ефикасни, пракса што ја применуваа играчите од пред да биде воведена целата оваа технологија и поради тоа одбраната од едниот тим ги форсира играчите на противничкиот тим да се движат повеќе во тие неефикасни зони.

 

Играчот кој ја искористи предноста на “тројката”

Според многумина, Стеф Кари е човекот кој веројатно е најдобриот шутер кој играл во лигата во избор од преку 3.500 играчи низ историјата. Во оваа сезона 2021-2022 ја погоди и 3.000 тројка во својата кариера и поради тоа ги добива сите епитети кои се упатени спрема него. Како и да е, Кари ја започна кариерата во момент кога Data Science влегуваше во НБА на голема врата, така што челниците на Golden State Warriors знаејќи со каков талент располагаат, започнаа со експеримент кој подоцна им донесе 3 НБА титули во 6 години.

Ако играчот шутира 45% на 100 обиди, постигнува 1.35 поени од обид. Ако кажеме дека просекот на лигата е 35% на 100 обиди за 3 поени или 1.05 поени од обид, шутерот има 0.3 поени повеќе од просекот на лигата по обид. Помножено по 100, тоа се 30 поени повеќе од просекот во лигата. Откако оваа формула е искористена на Стеф Кари, неговите бројки значително се подобрија и поради тоа е доста заслужен за успехот на Warriors. Базирано на оваа формула, Кари има кариерен просек од 43.3% за три поени. Од графиконот кој е базиран на сезоната 2018-19, може да видиме од кои позиции Кари е најефикасен.

 

 

Што всушност значи Data Science во НБА?

Веројатно многумина би се запрашале зошто толку многу податоци се следат и информации се преработуваат? Како на пример, Golden State Warriors со финансиски  податоци од октомври 2021 година, вреднуван е на 5,6 милијарди долари и се наоѓа во топ 3 најбогати тимови во НБА.

Во периодот кога е драфтуван Кари, односно сезоната 2009-2010, тимот имал вредност од “само” 450 милиони долари. Според ова, гледано од бизнис аспект, тимот на Warriors ја зголемил вредноста за преку 10 пати во рок од 12 години и докажуваат колкава важност има Data Science и сите тие “бројки” во НБА.

Се потврди дека  податоците имаат огромен удел во финансискиот прогрес на НБА тимовите, од продажба на карти до зголемена гледаност. Рангирано според финансиите, од 30 тимови во лигата ниту еден не е со пазарна вредност под 1 милијарда долари и секоја година платите на играчите се зголемуваат стигајќи до вртоглави суми. Како за пример ќе го земеме Кари, кој потпиша 4 годишен договор во 2021 од 215 милиони долари што му гарантира дури 59.6 милиони долари во последната година од договорот. Според овие податоци може да се заклучи дека Data Science игра клучна улога за целата организација и е одличен сојузник во сезоните кои следат.

 

 

 

 

 

 

Share on facebook
Share on twitter
Share on linkedin