Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Lieben Sie Football – den NFL Draft, Fantasy Football und Football-Videospiele? Dann folgen Sie Joseph Bryan von Koalaty Statistics auf Twitter!
In den letzten Jahren habe ich das verfolgt Koalaty-Statistiken auf Twitter, interessiert an den dort in Threads getwitterten Analysen und prädiktiven Modellierungen von Fußballdaten. Manchmal stammen die Daten, die untersucht und analysiert werden, aus Videospiele wie Madden Football von EA Sports , die ihre eigenen Bewertungen von Spielern und Teams veröffentlicht. (Ich habe einen Sohn im Teenageralter, der sowohl Fußball als auch Videospiele liebt und mir diese Dinge beibringt.)
Da der Fußball bald wieder anläuft, habe ich die Person hinter dem Konto, die in der Biografie als Analysespezialist mit einem BS in Statistik von der University of Georgia identifiziert wurde, per Direktnachricht benachrichtigt. Es stellt sich heraus Koalaty Statistiken ( @KoalatyStats ) ist Joseph Bryan, und er war so freundlich, mir etwas über sich und seine Pläne zu erzählen.
Joseph ist in Georgia geboren und aufgewachsen und liebt Fußball – sowohl College als auch NFL. Eigentlich hatte er vorgehabt, Maschinenbau an der University of Georgia zu studieren, wechselte aber sein Hauptfach, nachdem der Professor für seinen Grundkurs Statistik Konzepte vermittelte, indem er Statistiken auf den Fußball anwendete. Spulen wir ein paar Jahre vor, und jetzt hat dieser Analytiker mit einem Bachelor-Abschluss in Statistik eine Anhängerschaft für das, was er seine „nerdige, regressionsbasierte Sicht auf Fußball“ nennt.
Während eines Praktikums im Quality Engineering bei Caterpillar kam er erstmals mit Daten in einer „realen Anwendung“ in Berührung. Im vergangenen Jahr war er als Qualitätsingenieur für Masterack in Georgia tätig, wo er half, die Datenanalyse in der Einrichtung einzuführen, und Projekte mit geschätzten Einsparungen von mehr als 200.000 US-Dollar pro Jahr (!) leitete.
Er hat diesen Sommer geheiratet und ist mit seiner Frau, die an der University of Pennsylvania in Wirtschaftswissenschaften promoviert, nach Philadelphia gezogen. Und jetzt ist er auf der Suche nach einem Job als Datenanalyst in seiner neuen Stadt. In der Zwischenzeit hat er Analysen zu Koalaty Statistics geteilt.
Erzählen Sie uns von Koalaty-Statistiken? Was ist das und wann/wie/warum hast du damit angefangen?
OK, also habe ich vor ein paar Jahren einen Kurs namens Applied Linear Regression belegt, der mein Lieblingskurs an der UGA war. Mein Professor, Mark Werner, war fantastisch und hat mich wirklich dazu gebracht, Regression zu lieben. Das war ein Frühlingskurs, und ich wollte das, was ich gelernt hatte, auf das anwenden, was ich liebe (Fußball). Also fing ich an, an einer Regression zu arbeiten, um den NFL Draft vorherzusagen. Der Draft ist ein riesiges NFL-Event, das im April stattfindet, und eine meiner Lieblingsbeschäftigungen. Ich wollte den Entwurf vorhersagen, bevor er passierte, oder es zumindest versuchen. Ich habe eine Regression erstellt, und es war in Ordnung, aber nichts Erstaunliches. Ich habe alle Daten manuell gesammelt (ich hatte keine der Fähigkeiten, die ich jetzt habe), und es dauerte ungefähr 30 Stunden, bis alles auf brauchbare Weise zusammenkam.
Als ein wenig Zeit verging und mein Abschluss näher rückte, dachte ich: „Ich sollte anfangen, meinen Abschluss für Fußballkram zu verwenden … vielleicht interessiert es die Leute auf Twitter.“ Ich habe meine verfeinerten statistischen Fähigkeiten/Methoden eingesetzt und den NFL Draft 2018 für Running Backs mit *großartigem* Erfolg gemacht. Ich habe den Entwurf mit einem 0,67 R^2 vorhergesagt, bevor es passierte. Ich war super stolz und begann, eine kleine Fangemeinde aufzubauen. Vor allem dank Peter Howard ( @pahowdy ), der die erste Person war, die meine Arbeit RT gab.
Von da an habe ich angefangen, meine Methoden/Fähigkeiten auf mehr als nur den Entwurf anzuwenden. Ich dachte, ich brauche einen Namen, und mein Spitzname in der High School war Koala ... also wurde Koalaty Statistics gegründet. Ich fing an, mit Regression in DFS (Daily Fantasy Sports), Sachen wie DraftKings und FanDuel zu arbeiten, und meine Gefolgschaft wurde viel größer. Im Moment habe ich ungefähr 1.803 Follower, was eine Menge für eine nerdige, regressionsbasierte Herangehensweise an Fußball ist. Als ich anfing, hätte ich nie gedacht, dass ich auch nur die 100 Follower überschreiten würde. Alles begann mit dem NFL Draft. Aber es hat sich zu fast allem entwickelt, was auf Regression basiert (innerhalb des Fußballs). Ich genieße es, DFS vorherzusagen, was im Wesentlichen auf einer Spiel-zu-Spiel-Basis erfolgt.
Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game.Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game.Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game.Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game. Gegen Ende des Jahres 2018 erstellte Joseph Bryan dieses Bayes'sche Modell mit JMP. Es sagte voraus, ob ein Running Back „gut“ oder „schlecht“ wäre. Gut = über dem durchschnittlichen FP (Fantasiepunkte) erzielt & Schlecht = unter dem durchschnittlichen FP erzielt. Das Ziel bestand darin, einem größeren Ensemblemodell eine weitere Variable hinzuzufügen, die den wöchentlichen Erfolg vorhersagt. Die X-Achse ist FP, das in einem einzigen Spiel erzielt wird.
Wie haben Fußballfans auf Koalaty Statistics reagiert?
Normalerweise „ehrfürchtig“ wie „Wie hat er das einen Monat vorher vorhergesagt?“ Oder wenn ich in einer bestimmten Woche einen Breakout-Spieler vorhersage, sind die Leute ziemlich glücklich. Was wirklich Spaß macht! Die coolsten Momente sind, wenn die Leute sehen, was ich mache, und interessiert genug sind, mir eine DM zu senden, um mehr über die statistischen Methoden zu erfahren.
Was erhoffen Sie sich von Koalaty Statistics?
Das Endziel ist es, Menschen dabei zu helfen, Statistiken auf unterhaltsame Weise zu lernen. Jedes Mal, wenn mich jemand fragt, wofür ich aufs College gegangen bin und ich „Statistiken“ sage, sagen sie *immer*: „Ewwww, das ist hart/langweilig“ (oder eine Variante). Statistik macht so viel Spaß, ist interessant und wenn man genug gelernt hat, kann es wahnsinnig nützlich sein.
Gewinnst du immer beim Fantasy Football?
Hach, manchmal. Meine Models sind nicht zu 100 % perfekt – kein Model ist es. Ich arbeite immer noch an allem, und hoffentlich kann ich es eines Tages. Ich hatte Wochen, in denen mein Modell fast perfekt war, aber ich hatte auch Wochen, in denen mein Modell kaum etwas richtig gemacht hat.
Was gefällt dir an Statistik am besten?
Der ganze Grund, warum ich am College das Hauptfach gewechselt habe, war, dass ich dachte: „Mit Statistiken kann ich die Zukunft vorhersagen“, und bis zu einem gewissen Grad stimmt das. Es ist wie eine Supermacht, und will nicht jeder eine Supermacht?
Wie haben Sie angefangen, JMP zu verwenden? Warum benutzt du es jetzt?
Ich wurde zuerst vorgestellt JMP in meinem angewandten linearen Regressionskurs an der UGA. In diesem Kurs wurde uns beigebracht, wie man sowohl R als auch JMP verwendet. Ich verwende auch heute noch beide, aber hauptsächlich JMP wegen seiner fantastischen Visualisierung und neuronalen Netzwerkfähigkeit. JMP rationalisiert die meisten Regressionswerkzeuge und macht es sehr einfach, mehrere verschiedene Ansätze für ein Problem in kurzer Zeit auszuprobieren.
Was könnten die Leute sonst noch über Sie wissen?
Wenn kein Fußball läuft, schaue ich gerne NCAA-Softball und NBA-Basketball. Ich war in der Redcoat Marching Band bei UGA, wo ich Posaune spielte. Ich bin auch ein Eagle Scout. Schließlich habe ich während meines letzten Jahres an der UGA einen Programmierkurs für Kindergartenkinder für ein außerschulisches Programm an einer örtlichen Schule unterrichtet.
