Como a Data Science transformou o Basquetebol

Nos últimos anos gerou-se uma revolução digital que tem por base o crescimento exponencial do volume de dados que, todos os dias, é gerado e captado em tudo aquilo que nos rodeia.

Por outro lado, se o volume de dados é a base da revolução digital, é na análise e tratamento desses dados, feito por empresas especializadas em Data Science, que essa base é materializada e transformada em informação capaz de mudar o mundo como o conhecemos.

Com esta revolução, a maioria das instituições perceberam e identificaram que necessitam de capacidade técnica e intelectual para agregar estas vastas fontes de informação, de forma a que, aquando da tomada de decisão, esta seja o mais fundamentada possível e se possa assim diminuir os riscos associados.

Termos que se tornaram bastante comuns no nosso dia a dia, como Big Data, Business Analytics, Artificial Intelligence (AI), Machine Learning ou Data Science, apesar da complexidade inerente, são, na essência, instrumentos utilizados para dar sentido aos dados e gerar resultados que possam ajudar o decisor a tomar as melhores decisões para atingir os seus objetivos.

Os últimos 2 anos são responsáveis por 90% da quantidade do volume de dados existente.

 

O uso da Data Science no Desporto

Após o escândalo da Cambridge Analytics, a sociedade no geral começou a reconhecer que este tipo de ferramentas, que até então estavam confinadas às Big Tech e à sua esfera de ação, são bastante poderosas e podem ser utilizadas em diversas áreas, desde a Saúde ao Desporto.

No Desporto, principalmente no de alta competição, uma pequena vantagem é o suficiente para determinar o sucesso ou insucesso do atleta ou da equipa – são aqueles que descobrirem a “fórmula” para ganhar essa margem que estarão mais perto do sucesso.

Mas para essa descoberta é necessário, como referido anteriormente, dar ao decisor toda a informação de forma limpa, concisa e com valor, para que este possa escolher a melhor estratégia (como por exemplo, ganhar um jogo de Basquetebol).

Na NBA, a maiorias das equipas começaram a investir nestas ferramentas de forma a poderem retirar mais informações de como o jogo é jogado e de como podem tirar partido desses dados, aumentado a sua probabilidade de o ganhar. Para isso, começaram a instalar software e hardware específico para fazer tracking dos movimentos e habilidades dos jogadores.

Ultimamente, as equipas já conseguem ter uma quantidade tão grande de dados que permitem aos Data Scientists descobrirem novas informações sobre o jogo das equipas e mensurarem algo que muitas das vezes era intitulado como intuição empírica do staff técnico.

 

A importância que as Business Analytics tiveram no Basquetebol

Um dos exemplos mais claros sobre a influência das Analytics no basquetebol, é diferença que aconteceu na quantidade de pontos marcados por jogo.

O que os Data Scientists repararam foi no impacto que o lançamento de três pontos pode ter no valor esperado de pontos.

Imaginemos que temos o Jogador A que, a cada 100 lançamentos de dois e três pontos tem 50% de sucesso no lançamento de dois pontos e 40% no de três pontos. O seu valor esperado nos lançamentos de dois pontos é de 100, enquanto que o valor esperado no de três é de 120 pontos. No total é uma diferença de 20 pontos, o que é bastante significativo em jogos de alta competição.

Os casos de sucesso fizeram com que o uso da Data Science fosse fundamental no desporto de alta competição.

Devido a este insight, obtido através do uso da ciência dos dados, a maioria dos treinadores começaram a mudar as suas estratégias para que as tentativas de três pontos das equipas fossem mais recorrentes.

A partir daí, começaram a surgir mudanças significativas no jogo e os projetos de analítica passaram a fazer parte do dia a dia das equipas de alta competição:

  • Na época de 2013-2014, o número médio de tentativas de três pontos era de 21,5, enquanto que na época 2018-2019 passou para umas impressionantes 32 tentativas – um acréscimo percentual de quase 50%.
  • Os treinadores começaram a contratar jogadores mais pela sua habilidade e agilidade do que pela sua constituição física – a média de peso de um jogador da NBA em 2013 era de 101kg e em 2017 era de 99kg.
  • Na época 2013-2014 o número médio de pontos por equipa era de 101, enquanto que a época 2018-2019 acabou com um número médio de pontos de 111 – uma variação positiva de quase 10 pontos percentuais.

 

NBA Analyst at ESPN, NYT Best-selling author of Sprawlball, Professor at University of Texas. Analyst, Team USA Basketball. Formerly VP at Spurs

 

Como podemos verificar pela imagem, o lançamento mid-range foi completamente ultrapassado pelo lançamento de três pontos, pois este é muito mais eficiente e, consequentemente, permite um melhor aproveitamento ofensivo.

Com esta mudança do estilo do jogo ofensivo, os treinadores começaram a olhar para os outros dados de forma a contratar jogadores que encaixem melhor no seu estilo de jogo.

Antigamente, os primeiros jogadores escolhidos em draft eram eleitos pela a sua constituição física, enquanto que atualmente e, devido aos casos de sucesso no uso da Data Science, começam a optar por dados como a habilidade e agilidade.

 

A Data Science pode ditar o sucesso ou fracasso de uma empresa

Estes exemplo é um de muitos de como a analítica dos dados e os projetos de analítica estão a transformar o desporto no geral, e ilustra bem como a tomada de decisão sustentada em dados valiosos poderá influenciar o sucesso de uma equipa.

A Axians ajuda os seus clientes em toda a sua jornada Analítica, desde a identificação e compreensão dos dados de negócio, até a sua análise e tradução para dados exatos e acionáveis para descoberta de novos insights.

O nosso objetivo é ajudar a encontrar vantagens competitivas para que escolham a melhor estratégia para vencerem os seus jogos.