Aujourd'hui étaient en allant à parler à propos
quoi fournit le meilleur opportunité pour a revenir dans le NBA.
Donc mon nom est Weston Saumon.
Je suis actuellement a étudiant à Oklahoma État Université
étudier pour Entreprise Analytique et Données Science dans notre Masters programme.
Et mon nom est Zach Miller.
Je suis aussi a étudiant à Oklahoma État Université
et aussi étudier pour mon Masters dans Entreprise A analytique et Données Science.
Tous droite, donc étaient en allant à couverture le tableau contenu réel rapide.
que spectacles quoi étaient faire tout au long de le présentation.
D'abord étaient en allant à commencer avec un introduction
que discute pourquoi étaient ici et quoi exactement le étude est pour.
Alors étaient en allant à saut dans notre données et méthodes,
et que regard à quoi fait le données regarder comme,
comment a fait nous complet notre analyse,
et le différent façons nous manipulé notre données.
Bien alors regarder à le proportions descriptives et prédictives
que montrer quoi peut nous dériver depuis le données telles quelles
et alors quoi faire notre prédictions regarder comme.
Alors à le fin,
Bien conclure le présentation
et regarder à quoi sont le implications de l'analyse
et comment il peut être utilisé par NBA équipes dans le avenir.
Voici a citation par Sans Franc.
Il est le Directeur de Basket-ball Analytique avec le San Antonio Éperons.
Nous pensée ce serait être a bien citation
à ajouter car il traite de [inaudible 00:01:16]
et aussi le La NBA est dans général.
Donc il dit,
"JE pense analytique avoir sa popularité a augmenté
parce que il peut donner toi a compétitif avantage
si toi faire il Bien.
Chaque petit peu aide.
À travers notre présentation, étaient en allant à discuter
NBA analytique et comment ils peut produire viens dos
basé sur le données que nous trouver.
Nous pensée ce citation vraiment rayon à le dans l'ensemble objectif de notre projet.
Maintenant je vais passer il désactivé à Zach pour moi introduire le projet comme a entier.
Merci, Weston.
En allant dans le introduction ici, en allant dans a NBA saison,
chaque équipe a un commun but, et c'est à gagner le championnat.
Comme I dit, en allant dans le saison, a parcelle de équipes espoir pour 40 plus victoires
dans leur 82- jeu saison,
mais a super saison typiquement résultats dans 50 plus victoires.
Alors aussi notre primaire intérêt pour ce présentation et analyse
est dans le dur combattu victoires ou aussi connue sous le nom de victoire de retour
par ces différent équipes.
Nous définir a revenir victoire
comme le gagnant équipe perdant par 10 plus points à mi-temps.
À mi-temps être vers le bas par plus que 10 points à la fin du match,
nous étaient vision que chaque donc souvent
là étaient équipes que étaient prise a plomb et finalement gagnant ce jeu.
Alors enfin,
nous avoir notre analyse que utilise jouer- par- jouer données et salaire données ensembles,
lequel nous volonté aller dans a petit plus détail dans juste a peu minutes.
Maintenant étaient en allant à discuter le deux questions commerciales
que nous vouloir à répondre en utilisant les deux le données.
D'abord, regarder à le jouer- par- données de jeu,
nous vouloir à savoir exactement quoi joue ou séquence de joue dans le jeu
donner le équipe le plus grand chance à a revenir victoire.
Nous vouloir à savoir quoi exactement Les joueurs et les entraîneurs peuvent faire
et dessiner en haut dans le doubler en haut à produire a revenir.
Alors avec le salaire et carrière données statistiques
nous vraiment vouloir à voir comment ceux variables,
le salaire et carrière statistiques,
peut être utilisé à déterminer comment impliqué a joueur devrait être dans revenir victoires.
Donc pas nécessairement juste comment Bien ils effectuer comme ils en fait effectuer,
mais aussi comment ils devrait effectuer basé sur ces variables.
Donc lequel joueurs sont sous-performant
et sur performance selon à leur contracter et piste enregistrer?
Suivant Bien discuter le données et méthodes que nous utilisé pour les deux le données ensembles.
Comme I dit, nous Ha deux données ensembles.
Le d'abord un concentré sur compte rendu détaillé données.
Ce données contient le processus et résultat de chaque jeu
dans chaque jeu depuis 2015 à travers 2018.
Donc il compris tous 30 NBA équipes et exactement quoi ils a fait
dans chaque célibataire jouer tout au long de le jeux tout au long de ces années.
Zach volonté aussi parler à propos le salaire données que nous avoir.
Droite, donc en allant dans le salaire données, il contient le salaire information
pour chaque de le joueurs
que étaient mentionné dans le compte rendu détaillé données.
Si que joueur que était mentionné dans les données de jeu par jeu
joué un minute de NBA temps ou des centaines de minutes de C'est l'heure de la NBA,
ils étaient apparaissant dans mon salaire données.
I pourrait alors aller et voir quoi leur carrière statistiques et quoi leur salaire était
pour le saisons que nous étaient en regardant dans le compte rendu détaillé données.
Maintenant étaient en allant à regarder à le variables clés
que nous trouvé dans le compte rendu détaillé données ensemble.
Toi peut voir des choses tel comme revenir,
moitié temps déficit, le tir distance, résultat taper, et rebond taper.
Mais deux que nous vouloir à se concentrer sur dans particulier était le revenir.
C'est a variable [inaudible 00:04:51]
il était notre drapeau variable et utilisé comme notre prédicteur.
Nous signalé le un suivant à tous jeux
où a équipe traîné par 10 ou plus points à la mi-temps
et est venu dos et gagné et il était a zéro si pas,
parce que comme nous dit,
le dans l'ensemble but de ce présentation
est à voir quoi conduit à viens dos dans général.
Alors aussi nous vouloir à Regardez le déficit à la mi-temps,
lequel était un autre variable que nous créé.
Ce spectacles le nombre de points, le une certaine équipe traîné par à mi-temps.
Si le déficit était plus grand que ou égal à 10 points,
alors ceux étaient le jeux que nous spécifiquement regardait à,
et alors nous vouloir à voir si les actions réalisées tout au long de ces matchs
dirigé à a revenir dans le fin.
Maintenant regarder à quelques de le clé variables pour le salaire données.
Ces comme a entier sont variables que nous avons décidé
étaient en allant à être important pour notre analyse.
Mais une fois encore,
I recherché à se concentrer sur a peu de ces variables, ou deux d'entre elles.
comme I sentir que ils sont plus important à indiquer dehors et expliquer.
D'abord de lequel être le joueur participation variable.
Le joueur participation Les variables tiennent compte de l'implication individuelle
sur clé joue pendant retours.
Ces joue pourrait inclure coups, rebonds, fautes,
n'importe lequel de le actionnable joue
que nous voir tout au long de le compte rendu détaillé données.
Donc nous recherché à prendre individuel comptes
depuis joueurs donc nous pourrait voir
comment beaucoup fois a certain joueur
était tirer au panier tout au long des saisons,
et vraiment être capable à comparer ces joueurs
à d'autres joueurs de la ligue
Alors en allant à viens dos score.
Ce est a min- max score méthode
que nous utiliser à score le dans l'ensemble joueur implication.
Ce est quoi nous utiliser à vraiment quantifier comment impliqué ces joueurs étaient.
Ce est utiliser le variable d'implication du joueur
que toi voir que I juste expliqué.
I recherché à aller a petit peu Plus profond dans le revenir score calcul
juste à faire bien sûr que tout le monde comprend comment ce était calculé.
Comme I dit, il était a min- max méthode de notation,
et ce était utilisé à déterminer l'implication des joueurs
pendant leur l'équipe revenir victoires.
Ce min- max méthode crée le scores,
prise le joueurs prise en compte de l'implication,
relatif à le gamme de valeurs que apparaître pour chaque variable.
Il serait prendre le maximum compter de ces différent joue
et il serait utiliser que comme le maximum et alors a minimum
de typiquement quoi nous trouvé serait être zéro comme certain joueurs serait seulement jouer
a très faible montant de minutes depuis zéro et tous le chemin en haut à des centaines de minutes.
Mais typiquement avec le zéro minute joueurs,
nous trouvé que ils a fait pas contribuer beaucoup à ces revenir victoires.
Ci-dessous toi voir le formule que nous utilisé pour chacun des joueurs
à créer ce revenir score.
Ce est a parfait exemple comme nous voir le assister compter
divisé par le assistance maximale fois. 1667,
lequel .1667 être 1 divisé par le total de le 6 variables incluses,
lequel est quoi nous serait appel le poids pour le formule.
Chaque de ces variables était pondéré également
et nous a pris le min- max score pour chacune des variables
et multiplié que par 100 à obtenir le final score.
Bien maintenant regarder à le jouer- par- jouer analyse méthode.
Quand prise ce données, nous d'abord a commencé par fusion.
Nous avait six CSV fichiers,
un que identifié chaque individuel année,
et nous combiné tous ceux dans un fichier central
donc nous pourrait regarder à chaque compte rendu détaillé données depuis le six années que nous avait.
Nous alors transformé le données en utilisant drapeau variables.
Comme nous dit,
nous créé a colonne que spécifié si là était a revenir ou pas.
Nous d'abord regardait à le mi-temps scores
et scie si équipes étaient traînée par 10 ou plus à mi-temps.
Nous serait alors prendre ceux jeux
et alors voir si a revenir en fait s'est produit.
Si il a fait, nous signalé un et spécifiquement Bien obtenir ceux joue que s'est produit.
Alors pour le descriptif analyse,
nous regardait à différent graphiques dans Tableau.
Ces compris des choses comme comment loin loin le joueurs étaient tournage depuis le panier,
et si ils étaient manquant ou simuler leur coups,
le rebond types, un et des choses comme ça
à obtenir un idée de quoi joueurs étaient faire pendant le jeux,
si ils étaient en fait produire bien résultat à sécurisé a revenir.
Alors dernièrement, le prédictif analyse nous a fait dans J MP Pro en utilisant a décision arbre
à voir lequel joue et séquences de pièces de théâtre produire le viens dos
et comment nous peut mieux regarder à ceux dans le avenir à alors avoir équipes
être capable à produire plus retours tout au long de le saison.
Maintenant pour le méthodes avec le analyse salariale.
D'abord désactivé, nous avait à faire quelques tableau se joint.
Ces articulations étaient nécessaire à obtenir l'ensemble des tableaux de données
comme nous nécessaire eux tous ensemble
à pouvoir vraiment se plonger dans tout comme a entier
Séparé il n'était pas aussi beaucoup aide pour nous.
Alors nous avons déplacé sur à quelques données transformation.
Nous a écrit SQL requêtes à rassembler le comptes de le clé métrique.
Ce est comment nous a obtenu le comptes de coups
pour le divers joueurs
le long de avec autre des choses tel comme rééquilibrer ou fautes.
Alors nous déplacé sur à quelques descriptif analyse que était complété dans Tableau.
Avec ce descriptif analyse,
un de le clé des choses que nous étaient en regardant
était le revenir scores, le réel revenir scores,
et le prédit revenir scores contre le salaire de le joueurs.
Donc nous pourrait voir juste comment Bien ils sont performance
relatif à leur salaire.
Alors enfin nous avait a prédictif analyse.
Nous a fait a linéaire régression que était complété dans JMP Pro.
I volonté aller dans a petit peu plus de détails à propos que a petit peu plus tard sur.
Maintenant étaient en allant à saut
dans ceux descriptif et prédictif analyse que nous mené.
Étaient en allant à commencer avec le descriptif analyse d'abord.
Ici, nous vouloir à regarder à le salaire contre retours par chaque NBA équipe.
Si toi regarder à le données points,
toi peut voir que la plupart équipes suivre la ligne de tendance,
signification que comme ils dépenser plus d'argent sur leur équipes et salaire,
ils aussi produire a plus grand nombre de retours.
Donc toi peut voir que le Boston Celtes
avait le la plupart retours à 14 vers le haut,
et alors le Cleveland Cavaliers avoir le plus haut salaire payé,
mais aussi un de le le moins retours avec seulement cinq retours.
Quoi nous pensée était le la plupart intéressant était le Indiana Pacers,
parce que pas seulement a fait ils payer tel a faible salaire,
mais ils étaient aussi capable à produire 12 retours
lequel est le troisième la plupart tout au long de le NBA.
I recherché à concentrez-vous sur les Indiana Pacers
et voir quoi exactement ils faisaient
que autorisé eux à produire un si grand nombre de retours
avec tel a faible salaire taux.
Comme Weston dit, nous recherché à se concentrer sur le Indiana Pacers.
Ici nous voir le salaire de Les joueurs des Pacers face à leurs scores individuels de remontée.
Plusieurs très score joueurs sont trouvé dans le Indiana Pacers liste,
comme toi peut voir avec Myles Tourneur, Carlson, Jeune, George, et Oladipo.
Le haut score joueurs sont propagé à travers le salaire spectre.
Donc toi voir quelques bon marché joueurs tel comme Myles Turner ou Carlson
être plus de a milieu- gamme joueur, salaire payé joueur.
Alors toi aussi avoir plus cher joueurs tel comme Paul George
ou Victor Oladipo plus loin vers le haut droite de le graphique là.
Donc toi peut vraiment voir comment ils ont répartir la richesse entre
et sont obtenir maximum performance dehors de leur joueurs très bien payés,
mais aussi trouver performance dehors de inférieur payé joueurs.
Toi peut aussi voir que ils avoir plusieurs milieu étage joueurs que viens dans jouer
et fournir grand aide à le Pacers
comme ils besoin quelques joueurs à viens désactivé le banc
et être capable à fournir
quelques clé valeur joue et produire retours.
Comme I dit, un de le clé points que je souhaite souligner
était que image Victor Oladipo— le plus haut payé joueur de l'équipe—
est aussi le plus haut performance dans termes de revenir score,
donc ils sont certainement obtenir leur valeur dehors de lui comme a joueur.
Tous droite, donc maintenant étaient en allant à obtenir dans notre prédictif analyse.
À commencer avec le compte rendu détaillé données, nous décidé à faire a décision arbre
à prédire le jouer taper que conduit Indiana Pacers produire que diriez-vous de dos
en utilisant le suivant variables que vous peut voir ci-dessous.
Bien voir que seulement a quelques-unes de ces variables
en fait joué a énorme impact dans prédiction si le Pacers
volonté viens dos depuis 10 ou plus points.
Dans le décision arbre,
là sont deux nœuds dans particulier.
Un où le distance tir était supérieur ou égal à 26 pieds
depuis le panier, et ils étaient fabrication ceux,
comme Bien comme ayant une distance de tir supérieure ou égale à 3 pieds
depuis le panier,
signification que ils sont en regardant plus de a mise en page option.
Maintenant étaient en allant à regarder à ceux deux nœuds a petit peu plus dans particulier.
Ces branches, comme I dit,
prédire que le Pacers produire revenir victoires.
Dans le dans l'ensemble modèle nous avait a validation erreur de classification taux de 45,97%.
Comme I dit,
le modèle prédit que fait coups de 26 pieds et plus
fait lay-ups 3 pieds ou plus loin depuis le panier conduit à retours.
Nous serait dire est,
ils devrait vraiment se concentrer sur le aspect à trois points
et plus plus haut pourcentage fusillades tel comme paniers faciles,
parce que comme toi peut voir dans les deux de ceux, le prédiction était un,
lequel dans ce cas moyens que le Pacers étaient capable à produire a revenir.
Toi peut voir que avec le 26 pieds et nœud supplémentaire,
le probabilité que il égalé 1 était 62,75%,
Alors quand Nous tirions des paniers en lay-up à 90 cm ou plus du panier.
toi avait a probabilité que toi serait victoire de 75,9 %,
ou viens dos à 75,9%.
Alors comme I dit,
là étaient deux variables que semblent les plus importants
de le 10 que nous regardait à
en prédisant pourquoi le Les Pacers ont réussi à effectuer une remontée.
que était d'abord tir distance.
Lequel regardait à comment loin joueurs tir le balle,
et alors aussi tir résultat.
C'est si ils fait ou manqué le tir.
Avec le distance, comme I dit,
26 pieds ou plus loin, lequel est à propos le trois- indiquer gamme,
ou quelques de ceux plus haut pourcentage coups dans le jouer pour a se mettre en position de repos.
Alors aussi si tu es fabrication plus coups,
tu es produire a plus haut score donner toi a mieux chance de à venir dos.
Tous droite, donc maintenant mobile dans
notre linéaire régression partie de notre analyse prédictive.
Ce régression, comme I dit, était complété dans JMP Pro,
et ce était fait à prédire le revenir scores de individuel joueurs
basé sur le suivant variables que toi voir là sur écran.
A couple de le clé ceux à indiquer Ce qui exclurait ce sont les salaires individuels des joueurs.
leur équipe nom, et alors leur statistiques de carrière,
comme toi voir avec tous ceux différent variables là.
C'est aussi important à note
que le variables étaient choisi pour cette régression
basé sur leur niveau de importance.
Si le variable était pas trouvé à être significatif,
il était pas compris dans le régression.
En allant dans le résumé de adapté à cette régression linéaire,
I faire vouloir à indiquer il s'avère qu'il a un RSquare faible,
mais ce est pas a primaire préoccupation pour notre analyse.
Nous savait que le revenir score
serait être basé sur le revenir statistiques d'implication,
mais nous maintenant recherché à savoir
quoi le le score serait basé sur complètement différent variables.
Donc plutôt de en utilisant le variables
que nous utilisé à créer le statistique initialement,
étaient maintenant en utilisant nouveau variables à essayer à prédire quoi il devrait être basé sur,
comme I dit, leur salaire et carrière statistiques.
Que moyens que le prédictions serait varier depuis le original scores
et que était pas seulement attendu dans notre analyse,
mais il était aussi voulu que nous avons obtenu des scores différents
à vraiment voir comment ils étaient censé à effectuer.
Maintenant, basé sur ce analyse,
nous étaient capable à viens en haut avec quelques de le la plupart important variables.
Le d'abord de lequel que nous scie était la plupart important était salaire.
Quelque chose que nous étaient vision
est que plus haut payé joueurs étaient on prévoit qu'il sera plus performant,
lequel est quelque chose que toi J'en verrais certainement plus
dans le réel NBA.
Vision que joueurs comme Victor Oladipo ou LeBron James
avec plus haut salaires payé à eux serait être performance mieux
que ceux avec inférieur salaires.
Alors mobile sur depuis là, nous aussi avoir le équipe.
Ce un certainement fait sens
comme toi voir que quelques de le haut équipes
que il il cherchait à remporter une victoire de retour
et prédiction le revenir scores
est le Doré État Guerriers et l'Indiana Pacers,
lequel est a couple de le équipes que nous scie
avait le plus haut nombre de victoires de retour
sur le saisons que nous étaient regarder à.
Alors nous aussi avait a couple de statistiques de carrière que vraiment éclaté en haut
et montré à moi a couple de le la plupart important variables
pour ce régression.
Le d'abord de lequel être le carrière total rebonds par le joueurs,
et alors que était suivi par le carrière points.
Vision que joueur avait plus haut total de rebonds en carrière et points plus élevés,
nous attendu ceux joueurs à produire plus
valeur chaque fois que il est venu à créer revenir victoire.
Je vais aussi note que ces variables importantes
étaient calculé à travers le enregistrer valeur.
Maintenant étaient en allant à regarder à le conclusions de le présentation.
D'accord, donc en allant dans quelques de le Indiana Pacers prédictions,
spécifiquement vouloir à indiquer sortir quelques-uns des meilleurs joueurs des Pacers
et sous artistes.
Le bleu points que toi voir là sont les véritables meilleurs joueurs des Pacers
que nous scie dans le plus tôt graphiques
de le score de retour prévu réel par rapport au salaire,
alors que maintenant nous sont en regardant le score prévu
ou leur réel revenir score, Désolé, contre le salaire,
et maintenant nous sont regarder à le score prévu.
Le le orange Xs marque le Pacers sous-performants.
Le sous-performants dans ce graphique avec le orange Xs,
nous sont vision eux prédit à être relativement beaucoup plus élevé
que leur coéquipiers, alors que avec leur réel scores,
ils sont trouver eux-mêmes plus milieu à bas du peloton
relatif à leur coéquipiers,
lequel vraiment spectacles nous que ils sont pas performance
en haut à quoi leur statistiques sur les salaires et les carrières
dire que ils devrait être performance
particulièrement quand il vient à créer a revenir victoire.
Mais il est important à indiquer dehors
que le équipe a fait a super tâche de recruter des joueurs peu coûteux
que produire revenir victoires.
Nous voir ceux joueurs tel comme Myles Turner ou Carlson, ou Young
que avoir a petit peu inférieur salaires,
mais ils aussi produire a parcelle de joue
que peut aide avec créer a revenir gagner.
Alors nous aussi recherché à indiquer dehors
quelques prédictions concernant les Cleveland Cavaliers
et leur défauts que aller avec eux.
Le Cavs devrait avoir multiple haut- étage revenir joueurs.
Un spécifiquement à indiquer dehors serait être Kevin Amour.
Kevin Amour est là à le haut du graphique
et il a les deux un orange X et a bleu marque suivant à son nom.
Que juste marques que il était un de le réel haut artistes
pour les Cavaliers,
mais à le même temps, il est sous performance considérablement.
Donc dans notre prédictions,
nous peut voir que il est prédit à en fait effectuer mieux que LeBron James,
lequel est quelque chose que est très intéressant à indiquer dehors.
Comme I dit, avec notre prédictions en fonction du salaire et de leurs statistiques de carrière,
nous serait attendre Kevin Amour à surpasser LeBron James
quand il est venu à produire revenir victoires.
Mais dans réalité, il est en fait assez tout en bas de la liste
et il toujours restes un de le haut artistes,
mais il fait pas produire presque comme beaucoup comme LeBron Jacques fait.
Maintenant nous aussi recherché à regarder à le meilleur estimé joueurs dans NBA.
Nous montrer le haut cinq ici.
Regarder à leur prédit revenir scores,
toi avoir personnes tel comme Karl-Anthony Towns, Joel Embiid,
et Ben Simmons
qui étaient prédits à être quelques de le plus haut performance joueurs
dans le entier ligue.
Mais comme toi peut aussi voir, quand ce données était pris,
ils avait relativement faible salaires comparé à autre joueurs.
Quoi nous recommander ici
est certainement donner ces joueurs le des contrats qu'ils méritent,
comme ils aide équipes produire retours et évidemment
fournir statistiques que permettre équipes à effectuer leur meilleur.
Ils sont J'en fais certainement plus pour quoi ils sont en fait valeur.
Alors nous aussi recherché à examinez la meilleure ligne de prédictions
pour le Pacers.
Comme I mentionné plus tôt,
que trois indiquer dans haut pourcentage accent.
Donc construire en haut la composition de tournage menaces depuis distance.
Toi avoir personnes tel comme Robinson, Joseph et George
leur moyenne tir distance est à propos 15 pieds et plus
quand le trois- indiquer doubler est à propos 25 pieds,
donc que spectacles que ils ils tirent beaucoup de tirs à trois points,
mais ils sont aussi fabrication il.
Pas seulement sont ils tournage depuis que loin,
mais ils sont aussi plus probable à faire leur coups,
donc ceux personnes serait être bon à avoir dans le doubler en haut
chaque fois que toi sont en essayant à produire a revenir
comme ils sont plus efficace.
Aussi parce que ils peut tirer depuis profond,
tu attendre que ils aussi avoir a solide jouer vers le bas faible
à être capable à obtenir a se mettre en position très rapidement
et obtenir ceux plus haut pourcentage coups entrer comme Bien.
Comme I mentionné,
un moyenne distance de fait les tirs près de la ligne des trois points sont
très important pour les Pacers en particulier
à être capable à produire a haut nombre de retours.
Ce analyse confirme quoi est déjà en allant sur dans le NBA.
Typiquement, équipes OMS trouver eux-mêmes vers le bas par a certain nombre à mi-temps
volonté lancer en haut a petit peu plus trois- indiquer coups,
mais aussi ils ne le faites pas vraiment concentrez-vous sur ce look à pourcentage élevé
juste depuis vers le bas faible dans le panier.
Nous aussi pense que ils devrait se concentrer sur l'élaboration des pièces de théâtre,
permettre eux à juste obtenir a rapide se mettre en retrait et construire sur cette dynamique
comme ils essayer à produire a revenir plus tard sur.
Tous droite, donc que conclut notre présentation.
Nous juste vouloir à dire a rapide remercier toi,
et ce est où nous serait ouvrir il en haut à questions.
