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!¿Te encanta el fútbol, el Draft de la NFL, el fútbol de fantasía y los videojuegos de fútbol? Entonces, ¡empieza a seguir a Joseph Bryan de Koalaty Statistics en Twitter!
Durante los últimos dos años, he estado siguiendo Estadísticas de Koalaty en Twitter, interesado en los análisis y modelos predictivos de datos de fútbol tuiteados allí en hilos. A veces, los datos que se exploran y analizan provienen de videojuegos, como Madden football de EA Sports , que publica sus propias valoraciones de jugadores y equipos. (Tengo un hijo adolescente al que le encanta el fútbol y los videojuegos y me enseña sobre estas cosas).
Con el fútbol comenzando de nuevo pronto, le envié un DM a la persona detrás de la cuenta, identificada en la biografía como un especialista en análisis con una licenciatura en estadísticas de la Universidad de Georgia. Resulta que las estadísticas de Koalaty ( @KoalatyStats ) es Joseph Bryan, y tuvo la amabilidad de contarme un poco sobre él y lo que está haciendo.
Nacido y criado en Georgia, a Joseph le encanta el fútbol, tanto universitario como de la NFL. Si bien había planeado estudiar ingeniería mecánica en la Universidad de Georgia, cambió su especialidad después de que el profesor de su curso de estadística básica enseñara conceptos aplicando estadísticas al fútbol. Avance rápido unos años, y ahora este especialista en análisis con una licenciatura en estadística tiene seguidores para lo que él llama su "visión del fútbol basada en la regresión nerd".
Llegó a trabajar con datos por primera vez en una "aplicación del mundo real" durante una pasantía en ingeniería de calidad en Caterpillar. Durante el año pasado, se desempeñó como ingeniero de calidad para Masterack en Georgia, donde ayudó a introducir el análisis de datos en las instalaciones y lideró proyectos con ahorros estimados de más de $200 000 al año (!).
Se casó a principios de este verano y se mudó a Filadelfia con su esposa, quien está obteniendo un doctorado en economía en la Universidad de Pensilvania. Y ahora está a la caza de un trabajo de analista de datos en su nueva ciudad. Mientras tanto, ha estado compartiendo análisis sobre las estadísticas de Koalaty.
Cuéntanos sobre las estadísticas de Koalaty. ¿Qué es y cuándo/cómo/por qué lo empezaste?
Bien, hace unos años, tomé una clase llamada Regresión lineal aplicada, que era mi clase favorita en la UGA. Mi profesor, Mark Werner, fue fantástico y realmente me hizo amar la regresión. Esa fue una clase de primavera y quería aplicar lo que había aprendido a lo que amo (fútbol). Entonces, comencé a trabajar en una regresión para predecir el Draft de la NFL. El draft es un gran evento de la NFL que ocurre en abril y una de mis cosas favoritas. Quería predecir el draft antes de que sucediera o al menos intentarlo. Creé una regresión y estuvo bien, pero nada sorprendente. Recopilé todos los datos manualmente (no tenía ninguna de las habilidades que tengo ahora) y me tomó alrededor de 30 horas obtener todo de una manera utilizable.
Pasó un poco de tiempo y se acercaba mi graduación. Pensé: "Debería comenzar a usar mi título para cosas de fútbol... tal vez a la gente en Twitter le importe". Usé mis habilidades/métodos estadísticos más refinados e hice el Draft de la NFL 2018 para corredores con un éxito *increíble*. Predije el draft con un .67 R^2 antes de que ocurriera. Estaba súper orgulloso y comencé a desarrollar un pequeño número de seguidores. Especialmente, gracias a Peter Howard ( @pahowdy ) quien fue la primera persona en dar RT a mi trabajo.
A partir de ahí, comencé a aplicar mis métodos/habilidades a algo más que el borrador. Pensé que necesitaba un nombre, y mi apodo en la escuela secundaria era Koala... así que se formó Estadísticas de Koalaty. Empecé a trabajar con regresión en DFS (Daily Fantasy Sports), cosas como DraftKings y FanDuel, y mis seguidores aumentaron mucho. En este momento, tengo alrededor de 1.803 seguidores, lo cual es una tonelada para una versión nerd del fútbol basada en la regresión. Cuando empecé, nunca pensé que pasaría los 100 seguidores. Todo comenzó con el Draft de la NFL. Pero se ha convertido en casi cualquier cosa basada en la regresión (dentro del fútbol). Disfruto prediciendo DFS, que es esencialmente juego a juego.
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. Hacia fines de 2018, Joseph Bryan creó este modelo bayesiano utilizando JMP. Predijo si un corredor sería "bueno" o "malo". Bueno = por encima del promedio de FP (puntos de fantasía) anotados y Malo = por debajo del promedio de FP anotados. El objetivo era agregar otra variable a un modelo de conjunto más grande que predijera el éxito semanal. El eje X es FP anotado en un solo juego.
¿Cómo han respondido los aficionados al fútbol a las estadísticas de Koalaty?
Por lo general, "asombro" como "¿cómo predijo eso un mes antes de que sucediera?" O cuando predigo un jugador destacado en una semana determinada, la gente está muy contenta. ¡Lo cual es realmente divertido! Los mejores momentos son cuando las personas ven lo que hago y están lo suficientemente interesadas como para enviarme un mensaje privado para aprender más sobre los métodos estadísticos.
¿Cuál espera que sea el resultado de las estadísticas de Koalaty?
El objetivo final es ayudar a las personas a aprender estadísticas de una manera divertida. Cada vez que alguien me pregunta para qué fui a la universidad y digo "estadísticas", *siempre* dicen: "Ewwww, eso es difícil/aburrido" (o alguna variante). Las estadísticas son MUY divertidas, interesantes y, una vez que aprendes lo suficiente, pueden ser increíblemente útiles.
¿Siempre ganas en el fútbol de fantasía?
Jaja, a veces. Mis modelos no son perfectos el 100% del tiempo, ningún modelo lo es. Todavía estoy trabajando en todo, y espero que algún día pueda. He tenido semanas en las que mi modelo era casi perfecto, pero también he tenido semanas en las que mi modelo apenas tenía nada correcto.
¿Qué es lo que más te gusta de las estadísticas?
La razón principal por la que cambié de especialidad en la universidad fue porque pensé: "Con las estadísticas, puedo predecir el futuro", y hasta cierto punto eso es cierto. Es como un superpoder, ¿y no todos quieren un superpoder?
¿Cómo empezaste a usar JMP? ¿Por qué lo usas ahora?
me presentaron por primera vez JMP en mi curso de regresión lineal aplicada en la UGA. Nos enseñaron cómo usar R y JMP en ese curso. Todavía uso ambos hoy en día, pero principalmente JMP por su fantástica capacidad de visualización y red neuronal. JMP agiliza la mayoría de las herramientas de regresión, lo que hace que sea muy fácil probar múltiples enfoques diferentes para un problema en un corto período de tiempo.
¿Qué más le gustaría saber a la gente sobre ti?
Cuando no hay fútbol, disfruto viendo el softbol de la NCAA y el baloncesto de la NBA. Estuve en la Redcoat Marching Band en la UGA donde toqué el trombón. También soy un Eagle Scout. Por último, durante mi último año en UGA, enseñé una clase de codificación a niños de jardín de infantes para un programa extracurricular en una escuela local.
