Hoy eran yendo a hablar acerca de
qué proporciona el mejor oportunidad para a regresar en el NBA.
Entonces mi nombre es Weston Salmón.
Soy actualmente a alumno en Oklahoma Estado Universidad
estudiando para Negocio Analítica y Datos Ciencia en nuestro Máster programa.
Y mi nombre es Zach Molinero.
Soy también a alumno en Oklahoma Estado Universidad
y también estudiando para mi Máster en Negocio A análisis y Datos Ciencia.
Todo bien, entonces eran yendo a cubrir el mesa contenido real rápido.
eso programas qué eran haciendo a lo largo de el presentación.
Primero eran yendo a comenzar con un introducción
eso discute por qué eran aquí y qué exactamente el estudiar es para.
Entonces eran yendo a saltar en nuestro datos y métodos,
y eso aspecto en qué hace el datos mirar como,
cómo hizo nosotros completo nuestro análisis,
y el diferente maneras nosotros manipulado nuestro datos.
Bien entonces mirar en el proporciones descriptivas y predictivas
eso espectáculo qué poder nosotros derivar de el datos tal como están
y entonces qué hacer nuestro predicciones mirar como.
Entonces en el fin,
Bueno concluir el presentación
y mirar en qué son el implicaciones del análisis
y cómo él poder ser usado por NBA equipos en el futuro.
Aquí está a cita por Sin Franco.
Él es el Director de Baloncesto Analítica con el San Antonio Espuelas.
Nosotros pensamiento este quería ser a bien cita
para incluirlo ya que se trata de [inaudible 00:01:16]
y también el La NBA es en general.
Entonces él dicho,
"I pensar analítica tener ha ganado popularidad
porque él poder dar tú a competitivo ventaja
si tú hacer él Bueno.
Cada pequeño poco ayuda."
A través de nuestro presentación, eran yendo a conversar
NBA analítica y cómo ellos poder producir venir espaldas
basado en el datos eso nosotros encontrar.
Nosotros pensamiento este cita en realidad habló a el en general objetivo de nuestro proyecto.
Ahora lo haré aprobar él apagado a Zach a mí Introducción el proyecto como a entero.
Gracias, Weston.
Yendo en el introducción aquí, yendo en a NBA estación,
cada equipo tiene uno común meta, y eso es a ganar el campeonato.
Como I dicho, yendo en el estación, a lote de equipos esperanza para 40 más victorias
en su 82- juego estación,
pero a excelente estación típicamente resultados en 50 más victorias.
Entonces también nuestro primario interés para este presentación y análisis
es en el duro luchó victorias o también conocida como victoria de remontada
por estos diferente equipos.
Nosotros definir a regresar victoria
como el victorioso equipo vencido por 10 más agujas en medio tiempo.
En medio tiempo ser abajo por más que 10 puntos al final del partido,
nosotros eran vidente eso cada entonces a menudo
allá eran equipos eso eran tomando a dirigir y al final victorioso este juego.
Entonces finalmente,
nosotros tener nuestro análisis eso utiliza jugar- por- jugar datos y salario datos conjuntos,
cual nosotros voluntad ir en a pequeño más detalle en justo a pocos minutos.
Ahora eran yendo a conversar el dos preguntas de negocios
eso nosotros desear a respuesta usando ambos el datos.
Primero, mirando en el jugar- por- datos de reproducción,
nosotros desear a saber exactamente qué obras o secuencia de obras dentro el juego
dar el equipo el el más grande oportunidad en a regresar victoria.
Nosotros desear a saber qué exactamente Los jugadores y entrenadores pueden hacerlo
y dibujar arriba en el línea arriba a producir a regresar.
Entonces con el salario y carrera datos estadísticos
nosotros en realidad desear a ver cómo aquellos variables,
el salario y carrera estadísticas,
poder ser usado a determinar cómo involucrado a jugador debería ser en regresar victorias.
Entonces no necesariamente justo cómo Bueno ellos llevar a cabo como ellos de hecho llevar a cabo,
pero también cómo ellos debería llevar a cabo basado en estos variables.
Entonces cual jugadores son bajo rendimiento
y encima amaestrado de acuerdo a a su contrato y pista ¿registro?
Próximo Bueno conversar el datos y métodos eso nosotros usado para ambos el datos conjuntos.
Como I dicho, nosotros ha d dos datos conjuntos.
El primero uno enfocado en narración del juego datos.
Este datos contiene el proceso y resultado de cada juego
dentro cada juego de 2015 a través de 2018.
Entonces él incluido todo 30 NBA equipos y exactamente qué ellos hizo
en cada soltero jugar a lo largo de el juegos a lo largo de estos años.
Zach voluntad también hablar acerca de el salario datos eso nosotros tener.
Bien, entonces yendo en el salario datos, él contiene el salario información
para cada de el jugadores
eso eran mencionado en el narración del juego datos.
Si eso jugador eso era mencionado en los datos jugada a jugada
jugó uno minuto de NBA tiempo o cientos de minutos de Hora de la NBA,
ellos eran apareciendo en mi salario datos.
I podría entonces ir y ver qué su carrera estadísticas y qué su salario era
para el estaciones eso nosotros eran mirando a dentro el narración del juego datos.
Ahora eran yendo a mirar en el variables clave
eso nosotros encontró dentro el narración del juego datos colocar.
Tú poder ver cosas semejante como regresar,
medio tiempo déficit, el disparo distancia, resultado tipo, y rebote tipo.
Pero dos eso nosotros desear a enfoque en en particular era el regresar.
Eso es a variable [inaudible 00:04:51]
él era nuestro bandera variable y utilizado como nuestro vaticinador.
Nosotros marcado el uno próximo a todo juegos
dónde a equipo seguido por 10 o más puntos al descanso
y vino atrás y ganado y él era a cero si no,
porque como nosotros dicho,
el en general meta de este presentación
es a ver qué dirige a venir atrás en general.
Entonces también nosotros desear a mira el déficit al medio tiempo,
cual era otro variable eso nosotros creado.
Este programas el número de agujas, el cierto equipo seguido por en medio tiempo.
Si el déficit era mayor que que o igual a 10 puntos,
entonces aquellos eran el juegos eso nosotros específicamente miró en,
y entonces nosotros desear a ver si las jugadas realizadas a lo largo de esos juegos
condujo a a regresar en el fin.
Ahora mirando en alguno de el llave variables para el salario datos.
Estos como a entero son variables eso decidimos
eran yendo a ser importante para nuestro análisis.
Pero una vez de nuevo,
I buscado a concentrarse en a pocos de estas o un par de estas variables
como I sentir eso ellos son más importante a punto afuera y explicar.
Primero de cual ser el jugador enredo variable.
El jugador enredo Las variables explican la participación individual.
en llave obras durante regresos.
Estos obras podría incluir disparos, rebotes, faltas,
cualquier de el procesable obras
eso nosotros ver a lo largo de el narración del juego datos.
Entonces nosotros buscado a llevar individual cuentas
de jugadores entonces nosotros podría ver
cómo muchos veces a cierto jugador
era lanzar el balón a lo largo de las temporadas,
y en realidad ser capaz a comparar estos jugadores
a otros jugadores dentro de la liga
Entonces yendo a venir atrás puntaje.
Este es a min- máximo tanteo método
eso nosotros usar a puntaje el en general jugador participaciones.
Este es qué nosotros usar a en realidad cuantificar cómo involucrado estos jugadores eran.
Este es utilizando el variable de participación del jugador
eso tú ver eso I justo explicado.
I buscado a ir a pequeño poco Más adentro en el regresar puntaje cálculo
justo a hacer seguro eso todos entiende cómo este era calculado.
Como I dicho, él era a min- máximo método de puntuación,
y este era usado a determinar la participación de los jugadores
durante su del equipo regresar victorias.
Este min- máximo método crea el montones,
tomando el jugadores participación en cuenta,
relativo a el rango de valores eso aparecer para cada variable.
Él quería llevar el máximo contar de estos diferente obras
y él quería usar eso como el máximo y entonces a mínimo
de típicamente qué nosotros encontró quería ser cero como cierto jugadores quería solo jugar
a muy bajo cantidad de minutos de cero y todo el forma arriba a cientos de minutos.
Pero típicamente con el cero minuto jugadores,
nosotros encontró eso ellos hizo no contribuir mucho a estos regresar victorias.
Abajo tú ver el fórmula eso nosotros utilizado para cada uno de los jugadores
a crear este regresar puntaje.
Este es a perfecto ejemplo como nosotros ver el asistir contar
dividido por el asistencia máxima veces. 1667,
cual .1667 ser 1 dividido por el total de el 6 variables incluidas,
cual es qué nosotros quería llamar el peso para el fórmula.
Cada de estos variables era ponderado igualmente
y nosotros tomó el min- máximo puntuación para cada una de las variables
y multiplicado eso por 100 a conseguir el final puntaje.
Bien ahora mirar en el jugar- por- jugar análisis método.
Cuando tomando este datos, nosotros primero comenzó por fusionándose.
Nosotros tenía seis CSV archivos,
uno eso identificado cada individual año,
y nosotros conjunto todo aquellos en uno archivo central
entonces nosotros podría mirar en cada narración del juego datos de el seis años eso nosotros tenía.
Nosotros entonces transformado el datos usando bandera variables.
Como nosotros dicho,
nosotros creado a columna eso especificado si allá era a regresar o no.
Nosotros primero miró en el medio tiempo montones
y sierra si equipos eran arrastre por 10 o más en medio tiempo.
Nosotros quería entonces llevar aquellos juegos
y entonces ver si a regresar de hecho ocurrió.
Si él hizo, nosotros marcado uno y específicamente Bueno conseguir aquellos obras eso ocurrió.
Entonces para el descriptivo análisis,
nosotros miró en diferente gráficos dentro Cuadro.
Estos incluido cosas como cómo lejos lejos el jugadores eran tiroteo de el cesta,
y si ellos eran desaparecido o fingiendo su disparos,
el rebote tipos, un Dakota del Norte cosas así
a conseguir un idea de qué jugadores eran haciendo durante el juegos,
si ellos eran de hecho productor bien resultado a seguro a regresar.
Entonces por último, el profético análisis nosotros hizo en J MP Pro usando a decisión árbol
a ver cual obras y secuencias de obras producir el venir atrás
y cómo nosotros poder mejor mirar en aquellos en el futuro a entonces tener equipos
ser capaz a producir más regresos a lo largo de el estación.
Ahora para el métodos con el análisis salarial.
Primero apagado, nosotros tenía a hacer alguno mesa se une.
Estos articulaciones eran necesario a conseguir todas las tablas de datos juntas
como nosotros necesario a ellos todo juntos
a poder sumergirse de verdad en todo como a entero
Apartado él no lo era también mucho ayuda para a nosotros.
Entonces tenemos emocionado en a alguno datos transformación.
Nosotros escribió SQL consultas a recolectar el recuentos de el llave métrica.
Este es cómo nosotros consiguió el recuentos de disparos
para el varios jugadores
a lo largo de con otro cosas semejante como reequilibrio o faltas.
Entonces nosotros emocionado en a alguno descriptivo análisis eso era terminado en Cuadro.
Con este descriptivo análisis,
uno de el llave cosas eso nosotros eran mirando a
era el regresar montones, el actual regresar montones,
y el previsto regresar montones versus el salario de el jugadores.
Entonces nosotros podría ver justo cómo Bueno ellos son amaestrado
relativo a su salario.
Entonces finalmente nosotros tenía a profético análisis.
Nosotros hizo a lineal regresión eso era terminado en JMP Pro.
I voluntad ir en a pequeño poco más detalles acerca de eso a pequeño poco más tarde en.
Ahora eran yendo a saltar
en aquellos descriptivo y profético análisis eso nosotros realizado.
Eran yendo a comenzar con el descriptivo análisis primero.
Aquí, nosotros desear a mirar en el salario versus regresos por cada NBA equipo.
Si tú mirar en el datos agujas,
tú poder ver eso mayoría equipos sigue la línea de tendencia,
significado eso como ellos gastar más dinero en su equipos y salario,
ellos también producir a mayor que número de regresos.
Entonces tú poder ver eso el Bostón Celtas
tenía el mayoría regresos en 14 hacia la parte superior,
y entonces el Cleveland Caballeros tener el más alto salario pagado,
pero también uno de el menos regresos con solo cinco regresos.
Qué nosotros pensamiento era el mayoría interesante era el Indiana Pacers,
porque no solo hizo ellos pagar semejante a bajo salario,
pero ellos eran también capaz a producir 12 regresos
cual es el tercero mayoría a lo largo de el NBA.
I buscado a Concéntrese en los Indiana Pacers
y ver qué exactamente lo estaban haciendo
eso permitido a ellos a producir un número tan alto de regresos
con semejante a bajo salario tasa.
Como Weston dicho, nosotros buscado a enfocar en el Indiana Pacers.
Aquí nosotros ver el salario de Jugadores de los Pacers contra sus respectivas puntuaciones de remontada.
Varios muy anotó jugadores son encontró dentro el Indiana Pacers lista,
como tú poder ver con Myles Tornero, Carlson, Joven, George, y Oladipo.
El arriba anotó jugadores son desparramar al otro lado de el salario espectro.
Entonces tú ver alguno barato jugadores semejante como Myles Turner o Carlson
ser más de a medio- rango jugador, salario pagado jugador.
Entonces tú también tener más caro jugadores semejante como Pablo Jorge
o Víctor Oladipo más hacia el arriba bien de el gráfico allá.
Entonces tú poder en realidad ver cómo ellos tienen repartir la riqueza
y son conseguir máximo actuación afuera de su jugadores mejor pagados,
pero también descubrimiento actuación afuera de más bajo pagado jugadores.
Tú poder también ver eso ellos tener varios medio nivel jugadores eso venir en jugar
y proporcionar grande ayuda a el Pacers
como ellos necesidad alguno jugadores a venir apagado el banco
y ser capaz a proporcionar
alguno llave valor obras y producir regresos.
Como I dicho, uno de el llave puntos que quiero destacar
era eso imagen Víctor Oladipo— el más alto pagado jugador del equipo—
es también el más alto amaestrado en términos de regresar puntaje,
entonces ellos son definitivamente conseguir su valer afuera de a él como a jugador.
Todo bien, entonces ahora eran yendo a conseguir en nuestro profético análisis.
A comenzar con el narración del juego datos, nosotros decidido a hacer a decisión árbol
a predecir el jugar tipo eso dirige Indiana Pacers productor ¿Qué tal si...? atrás
usando el siguiente variables que tú poder ver abajo.
Bien ver eso solo a un par de estas variables
de hecho jugó a enorme impacto en predicción si el Pacers
voluntad venir atrás de 10 o más agujas.
En el decisión árbol,
allá son dos nodos en particular.
Uno dónde el distancia disparo era mayor o igual a 26 pies
de el cesta, y ellos eran haciendo aquellos,
como Bueno que tenga una distancia de disparo mayor o igual a 3 pies
de el cesta,
significado eso ellos son mirando a más de a disposición opción.
Ahora eran yendo a mirar en aquellos dos nodos a pequeño poco más en particular.
Estos sucursales, como I dicho,
predecir eso el Pacers producir regresar victorias.
En el en general modelo nosotros tenía a validación clasificación errónea tasa de 45,97%.
Como I dicho,
el modelo predice eso hecho disparos de 26 pies y más allá
hecho bandejas 3 pies o más de el cesta dirige a regresos.
Nosotros quería decir es,
ellos debería en realidad enfocar en el aspecto de tres puntos
y más más alto porcentaje tiroteos semejante como tiros fáciles,
porque como tú poder ver en ambos de aquellos, el predicción era uno,
cual en este caso medio eso el Pacers eran capaz a producir a regresar.
Tú poder ver eso con el 26 pies y nodo adicional,
el probabilidad eso él igualado 1 era 62,75%,
Entonces cuando Estábamos lanzando bandejas desde 3 pies o más lejos de la canasta.
tú tenía a probabilidad eso tú quería victoria del 75,9%,
o venir atrás en 75,9%.
Entonces como I dicho,
allá eran dos variables eso parecen ser los más importantes
de el 10 eso nosotros miró en
en la predicción por qué el Los Pacers lograron remontar.
eso era primero disparo distancia.
Cual miró en cómo lejos jugadores disparo el pelota,
y entonces también disparo resultado.
Eso es si ellos hecho o omitido el disparo.
Con el distancia, como I dicho,
26 pies o más, cual es acerca de el tres- punto rango,
o alguno de aquellos más alto porcentaje disparos en el jugar para a atesorar.
Entonces también si estás haciendo más disparos,
estás productor a más alto puntaje donación tú a mejor oportunidad de próximo atrás.
Todo bien, entonces ahora emocionante en
nuestro lineal regresión parte de nuestro análisis predictivo.
Este regresión, como I dicho, era terminado en JMP Pro,
y este era hecho a predecir el regresar montones de individual jugadores
basado en el siguiente variables eso tú ver allá en pantalla.
A pareja de el llave unos a punto quedarían fuera sus salarios individuales de jugador,
su equipo nombre, y entonces su estadísticas de carrera,
como tú ver con todo aquellos diferente variables allá.
Es también importante a nota
eso el variables eran seleccionado para esta regresión
basado en su nivel de significado.
Si el variable era no encontró a ser significativo,
él era no incluido en el regresión.
Yendo en el resumen de ajuste para esta regresión lineal,
I hacer desear a punto que tiene un R cuadrado bajo,
pero este es no a primario inquietud para nuestro análisis.
Nosotros sabía eso el regresar puntaje
quería ser basado en el regresar estadística de participación,
pero nosotros ahora buscado a saber
qué el La puntuación sería basado en completamente diferente variables.
Entonces en cambio de usando el variables
eso nosotros usado a crear el estadística inicialmente,
eran ahora usando nuevo variables a intentar a predecir qué él debería ser basado en,
como I dicho, su salario y carrera estadísticas.
Eso medio eso el predicciones quería variar de el original montones
y eso era no solo esperado en nuestro análisis,
pero él era también deseado eso Se nos ocurrieron diferentes puntuaciones
a en realidad ver cómo ellos eran supuesto a llevar a cabo.
Ahora, basado en este análisis,
nosotros eran capaz a venir arriba con alguno de el mayoría importante variables.
El primero de cual eso nosotros sierra era mayoría importante era salario.
Algo eso nosotros eran vidente
es eso más alto pagado jugadores eran Se prevé que rindan más,
cual es algo eso tú Sin duda vería más
en el actual NBA.
Vidente eso jugadores como Víctor Oladipo o LeBron James
con más alto salarios pagado a a ellos quería ser amaestrado mejor
que aquellos con más bajo salarios.
Entonces emocionante en de allá, nosotros también tener el equipo.
Este uno definitivamente marcas sentido
como tú ver eso alguno de el arriba equipos
eso él Buscaba una victoria de remontada
y predicción el regresar montones
es el Dorado Estado Guerreros y el Indiana Pacers,
cual es a pareja de el equipos eso nosotros sierra
tenía el más alto número de victorias de remontada
encima el estaciones eso nosotros eran mirando en.
Entonces nosotros también tenía a pareja de estadísticas de carrera eso en realidad reventó arriba
y presentado a a mí a pareja de el mayoría importante variables
para este regresión.
El primero de cual ser el carrera total rebotes por el jugadores,
y entonces eso era seguido por el carrera agujas.
Vidente eso jugador tenía más alto rebotes totales de carrera y puntos más altos,
nosotros esperado aquellos jugadores a producir más
valor cuando sea él vino a crear regresar victoria.
Enfermo también nota eso estos variables importantes
eran calculado a través de el registro valer.
Ahora eran yendo a mirar en el conclusiones de el presentación.
Bueno, entonces yendo en alguno de el Indiana Pacers predicciones,
específicamente desear a punto Algunos de los jugadores más destacados de los Pacers
y bajo artistas.
El azul puntos eso tú ver allá son los jugadores más destacados de los Pacers
eso nosotros sierra en el más temprano gráficos
de el puntuación de regreso prevista real frente al salario,
mientras ahora nosotros son observando la puntuación prevista
o su actual regresar puntaje, Lo siento, versus el salario,
y ahora nosotros son mirando en el puntuación prevista.
El el naranja X marca el Pacers los de bajo rendimiento.
El los de bajo rendimiento en este gráfico con el naranja X,
nosotros son vidente a ellos previsto a ser relativamente mucho más alto
que su compañeros de equipo, mientras con su actual montones,
ellos son descubrimiento ellos mismos más de nivel medio a bajo del grupo
relativo a su compañeros de equipo,
cual en realidad programas a nosotros eso ellos son no amaestrado
arriba a qué su Estadísticas salariales y profesionales
decir que ellos debería ser amaestrado
particularmente cuando él llega a crear a regresar victoria.
Pero él es importante a punto afuera
eso el equipo tiene hecho a excelente trabajo de fichar jugadores baratos
eso producir regresar victorias.
Nosotros ver aquellos jugadores semejante como Myles Turner o Carlson, o Young
eso tener a pequeño poco más bajo salarios,
pero ellos también producir a lote de obras
eso poder ayuda con crear a regresar ganar.
Entonces nosotros también buscado a punto afuera
Algunas predicciones sobre los Cleveland Cavaliers
y su fallas eso ir con a ellos.
El Cavaliers debería tener múltiple alto- nivel regresar jugadores.
Uno específicamente a punto afuera quería ser Kevin Amar.
Kevin Amar es allá en el parte superior del gráfico
y él tiene ambos un naranja X y a azul marca próximo a su nombre.
Eso justo marcas eso él era uno de el actual arriba intérpretes
para los Cavaliers,
pero en el mismo tiempo, él es bajo amaestrado muy.
Entonces en nuestro predicciones,
nosotros poder ver eso él es previsto a de hecho llevar a cabo mejor que LeBron James,
cual es algo eso es muy interesante a punto afuera.
Como I dicho, con nuestro predicciones basado en el salario y sus estadísticas de carrera,
nosotros quería esperar Kevin Amar a superar a LeBron James
cuando él vino a productor regresar victorias.
Pero en realidad, él es de hecho bastante muy abajo en la lista
y él aún restos uno de el arriba artistas,
pero él hace no producir cerca de como mucho como LeBron Jaime hace.
Ahora nosotros también buscado a mirar en el mejor valorado jugadores en NBA.
Nosotros espectáculo el arriba cinco aquí.
Mirando en su previsto regresar montones,
tú tener gente semejante como Karl-Anthony Towns, Joel Embiid,
y Ben Simmons
quienes fueron predichos a ser alguno de el más alto amaestrado jugadores
en el completo liga.
Pero como tú poder también ver, cuando este datos era tomado,
ellos tenía relativamente bajo salarios comparado a otro jugadores.
Qué nosotros recomendar aquí
es definitivamente donación estos jugadores el contratos que merecen,
como ellos ayuda equipos producir regresos y obviamente
proporcionar estadística eso permitir equipos a llevar a cabo su mejor.
Ellos son definitivamente haciendo más para qué ellos son de hecho valer.
Entonces nosotros también buscado a mira la mejor línea de predicciones
para el Pacers.
Como I mencionado más temprano,
eso tres punto en alto porcentaje énfasis.
Entonces construir arriba la alineación de tiroteo amenazas de distancia.
Tú tener gente semejante como Robinson, Joseph y George
su promedio disparo distancia es acerca de 15 pies y más
cuando el tres- punto línea es acerca de 25 pies,
entonces eso programas eso ellos están lanzando muchos triples,
pero ellos son también haciendo él.
No solo son ellos tiroteo de eso lejos,
pero ellos son también más probable a hacer su disparos,
entonces aquellos gente quería ser Es bueno tenerlo en el línea arriba
cuando sea tú son intentando a producir a regresar
como ellos son más eficiente.
También porque ellos poder disparar de profundo,
tú lo harías esperar eso ellos también tener a sólido jugar abajo bajo
a ser capaz a conseguir a hacer una bandeja muy rápido
y conseguir aquellos más alto porcentaje disparos entrar como Bueno.
Como I mencionado,
un promedio distancia de hecho tiros cerca de la línea de tres puntos es
muy importante para los Pacers en particular
a ser capaz a producir a alto número de regresos.
Este análisis confirma qué es ya yendo en en el NBA.
Típicamente, equipos OMS encontrar ellos mismos abajo por a cierto número en medio tiempo
voluntad tirar arriba a pequeño poco más tres- punto disparos,
pero también ellos no en realidad concéntrate en ese aspecto de alto porcentaje
justo de abajo bajo en el cesta.
Nosotros también pensar eso ellos debería centrarse en elaborar jugadas,
permitir a ellos a justo conseguir a rápido establecer y generar impulso a partir de eso
como ellos intentar a producir a regresar más tarde en.
Todo bien, entonces eso finaliza nuestro presentación.
Nosotros justo desear a decir a rápido agradecer tú,
y este es dónde nosotros quería abierto él arriba a preguntas.
