Hallo zusammen! Ich bin Ryan Cooper und arbeite als Gulf Coast Systems Engineer für JMP. Meine Kollegin Laura Higgins ist ebenfalls anwesend.
Hallo, ich bin Laura Higgins. Ich bin auch als Systemingenieurin im Global Technical Enablement Team tätig.
Unser Projekt beschäftigt sich mit Torpedoschlägern in der Major League Baseball. Diese haben aufgrund ihres unkonventionellen Designs und ihrer offensiven Schlagkraft für Aufsehen gesorgt. Dazu gibt es eine kleine Geschichte, wie die Idee entstand. Laura und ich waren Anfang April, gleich zu Saisonbeginn, bei einem Baseballspiel in Houston. Wir waren wegen des dort stattfindenden Entdeckungsseminars in der Stadt.
Es waren die ersten paar Tage der Saison und die Houston Astros, ein Team aus meinem Bundesstaat Texas, spielten gegen die San Francisco Giants, wo Laura herkommt. Wir waren bei dem Spiel und hatten von diesem Torpedoschläger-Trend gehört und von den New York Yankees, die einen Homerun nach dem anderen schlugen, und von diesem magischen Schläger, der all diese Homeruns verursachte. Wir sprachen darüber und sahen uns das Spiel an und dachten: „Wir sollten ein Projekt darüber machen.“
Daher kommt das. Wir freuen uns, die Ergebnisse präsentieren zu können, da es außer einigen wenigen zu Beginn der Saison, als alle damit begannen, keine Datenpunkte gab. Jetzt gibt es eine Menge Datenpunkte und einige wirklich interessante Erkenntnisse, die wir daraus gewinnen können. Wir freuen uns, Ihnen dies präsentieren zu können.
Ein paar Hintergrundinformationen zum Torpedoschläger selbst. Wir werden untersuchen, ob der Torpedoschläger messbare Leistungsverbesserungen aufweist. Wir konzentrieren uns auf explorative Datenanalyse, Data Mining und Modellierung mit Statcast, dem öffentlichen Datenarchiv der Major League Baseball mit einer Vielzahl verschiedener Statistiken zur Major League Baseball.
Schauen wir uns diesen Schläger genauer an. Ganz links sehen Sie … Lassen Sie mich den Zeiger hierhin bewegen. Der linke Schläger sieht etwas anders aus als der rechte. Der rechte ist ein herkömmlicher Schläger. Sie sehen, dass die Kante seitlich etwas gerader verläuft, während sie beim Torpedoschläger nach innen gebogen ist. Hier konzentriert sich mehr Gewicht auf den Sweet Spot, also den Punkt, an dem Sie den Ball treffen würden, während es bei diesem Schläger gleichmäßig verteilt ist. Das überträgt sich auf das Bild hier: Auf dem blauen Bild sehen Sie den Torpedoschläger mit seinem stärker konzentrierten Sweet Spot, während beim herkömmlichen Schläger dieser Punkt stärker verteilt ist, aber vielleicht nicht so wirkungsvoll.
Wir gehen von diesem Bildabschnitt zu diesem hier. Sie sehen dieselbe Überlagerung, dieselben Farben beim traditionellen und beim Torpedo-Schläger. Der Sweet Spot ist genau hier. Wir haben jetzt eine Verteilung der zu erwartenden Austritts- und Abschussgeschwindigkeit eines Balls, der von diesen Schlägern abprallt. Hier, wo der Schläger etwas breiter ist, würde man eine um etwa 5–7 % höhere Austritts- und Abschussgeschwindigkeit erwarten, mit einem höheren Maximum beim Abprallen. Wenn Sie den Ball hier hingegen mit einem traditionellen Schläger treffen, erzielen Sie eine Steigerung von etwa 2–3 %. Dieser Schläger wird die Leistung von jemandem, der den Ball hier etwas stärker trifft, wirklich stark beeinflussen oder sollte die Leistung zumindest beeinflussen.
Hier sind noch ein paar andere kleine Grafiken. Ich empfehle unbedingt ein Video, in dem jemand diese Schläger und Grafiken zeichnet und erklärt, was mit dem Schläger passiert. Besonders erwähnenswert ist diese Grafik hier, in der es wie beim Schwingen einer Axt aussieht: Das Gewicht ist bei einem traditionellen Schläger ganz am Ende verteilt. Verlagert man das Gewicht hingegen auf das Ende, das näher bei einem ist, lässt sich der Schläger viel leichter schwingen. Das Gewicht verlagert sich ein wenig, und das erleichtert das Schwingen. Möglicherweise hat sich hier die Mechanik geändert. Wir werden uns die Daten ansehen, um zu erklären, wie das funktioniert.
Kommen wir nun zu den Methoden und Zielen unserer Datenexploration. Der Zugriff auf die Daten erfolgte über PyBaseball, ein Python-Paket, und der Code wurde größtenteils von ChatGPT geschrieben. Hier unten finden Sie einen Link zu meiner ChatGPT-Konversation. Es lohnt sich, einen Blick darauf zu werfen, wie diese erstellt wurde und wie sie von Python übernommen wird.
Das Tolle an JMP 18 und später auch an JMP 19 und höher ist die Integration von Python. Sie können also Ihren Python-Code generieren, schreiben, damit machen, was Sie möchten, ihn in JMP einfügen und ihn aus einem Paket wie diesem abrufen lassen.
Dieses Baseball-Paket enthält etwa 119 verschiedene Variablen für jeden Pitch. Sie erhalten also eine Zeile. Sehen wir uns an, wie der Datensatz hier aussieht. Jede Zeile stellt eine Transaktion und einen Pitch dar. Es werden 119 verschiedene Dinge gemessen bzw. Datenpunkte für jeden Pitch erfasst. Wir nehmen diese Daten, segmentieren sie mit Torpedoschlägern, unabhängig davon, ob der Benutzer einen Torpedoschläger verwendet oder nicht. Das wurde ebenfalls von ChatGPT ermittelt. Es gibt keine gute Möglichkeit, das nachzuschlagen. Es ist nicht gut dokumentiert, also habe ich ChatGPT das analysieren lassen.
Wir betrachten wichtige Kennzahlen wie Abschussgeschwindigkeit, Square-Ups und Blasts sowie die Schwungmechanik. Die Square-Ups und Blasts geben Hinweise auf die Austrittsgeschwindigkeit. Wir werden uns die beiden oberen Bilder hier ansehen. Sie stammen von der MLB Statcast-Website im Glossar, auf die ich auch in den Referenzen verlinke.
Ein Square-Up ist jedoch ein Prozentsatz der maximal möglichen Geschwindigkeit, wenn Sie den Ball treffen, und ein Blast ist eigentlich ein verstärktes Square-Up. Ein Blast ist wirklich der beste Schwung, den Sie haben können, und wir würden erwarten, dass sich diese verbessern, wenn jemand einen Torpedoschläger erfolgreich einsetzt.
Zu den von uns verwendeten Tools gehörte unter anderem der Graph Builder. Einige davon sehen Sie hier unten. Dazu gehören die Verteilung, eine Formelspalte, Datentabellen-Tags (neu in JMP 19) und Modellierungstechniken wie Bootstrap Forest, Boosted Trees und Workflow Builder, um alles zusammenzufügen. Insgesamt wollen wir die Leistungsänderungen nach der Einführung von Torpedo-Bat bei den ausgewählten Spielern untersuchen und sie mithilfe der Modellierung als Ganzes betrachten.
Kommen wir zurück zum Setup. Schauen wir uns an, wie es hier funktioniert. Ich habe das Python-Skript in JMP erwähnt. Dies ist ein Ausschnitt dieses Python-Skripts und wie es auf die Statcast-Daten zugreift. Außerdem haben wir die Statcast-Daten selbst. Dies ist ein manueller Pull der Square-Ups und Blasts, da diese nicht in den Daten des PyBaseball-Pakets enthalten sind.
Diese Informationen müssen kombiniert werden. Dies geschieht, zumindest teilweise, indem die Ausschnitte der Square-Ups und Blast-Daten in separaten Dateien gespeichert und dann alle auf einmal mit Multiple File Import und JMP importiert werden. Ich hatte einen Ordner voller Square-Up- und Blast-Dateien. Ich habe sie alle auf einmal importiert, um sie zu verknüpfen und sie dann wieder in das Hauptdatentabellenskript einzufügen, sodass wir für jede dieser Transaktionen Blasts und Square-Ups haben und diese für jeden Pitch gekennzeichnet sind.
Von dort aus verwenden wir die Nachschlagetabelle aller uns bekannten Torpedoschläger-Benutzer und geben an, wann sie mit der Nutzung begonnen haben. Wir haben hier eine Formel, die besagt, dass es sich um einen Torpedoschläger-Benutzer handelt, wenn das Spieldatum nach der ersten Nutzung liegt, andernfalls ist es Null. Dann gibt es hier einen Workflow, der alles zusammenführt. Dabei werden die Statcast-Daten aus der CSV-Datei gezogen, die im Python-Skript gespeichert wurde, und dann werden die verschiedenen Dateien importiert.
Sobald wir diese Informationen haben, können wir mit der explorativen Datenanalyse beginnen. Wir haben zunächst einige Spieler ausgewählt, von denen wir wussten, dass sie einen gewissen Einfluss haben. Anthony Volpe wurde von Anfang an als erfolgreicher Spieler erwähnt. Wir haben uns die Verteilung der Startgeschwindigkeiten angesehen. Schauen wir uns das mal an.
Dies ist ein Diagramm im Graph Builder, ein Schattendiagramm. Auf der x-Achse ist die Startgeschwindigkeit dargestellt. Ich nehme meinen Laserpointer. Die Startgeschwindigkeit ist auf der x-Achse dargestellt, und die Farbe ist das Spieljahr. Im Jahr 2024 (blau) war die Startgeschwindigkeit etwas niedriger als im Jahr 2025. Rot ist etwas höher, und hier sind einige zusammenfassende Statistiken.
Wir wollten uns ansehen, wie sich das für alle auswirkt. Hier ganz rechts sehen Sie ein Diagramm mit den Modalwerten der Startgeschwindigkeit von 2025 und 2024 entlang einer Linie, um zu sehen, wer sich auf diese Weise verbessert hat. Wir haben festgestellt, dass dies nicht bei jedem der Fall ist. Anthony Volpe hatte mit der Änderung der Startgeschwindigkeit des Torpedoschlägers einige Erfolge. Andere Personen, die grün markiert sind, und einige, bei denen wir nicht sicher waren, ob sie Torpedoschläger verwenden, es aber möglicherweise getan haben, sind hier orange markiert. Das führte zu der Annahme, dass sich dies auf Menschen unterschiedlich auswirkt, was die Modellierung, die Laura gleich zeigen wird, letztendlich auch zeigt.
Eine weitere Person, die wir intensiv untersucht haben, war Colson Montgomery. Das Besondere an ihm ist, dass er Anfang Juli 2025 in der Major League startete. Er benutzte etwa drei Wochen lang keinen Torpedoschläger, und als er dann plötzlich wieder mit dem Torpedoschläger anfing, schlug er mehr Homeruns. Die Homeruns sind hier die Kreise, und er hatte mehr Blasts. Das sind alle roten Punkte. Hier entlang der Y-Achse ist die Startgeschwindigkeit aufgetragen. Wir haben außerdem einen gleitenden Durchschnitt der Startgeschwindigkeit.
Um den 31. Juli herum, ich glaube, es war der 1. August, ging sein Torpedoschläger kaputt, und er hatte etwa anderthalb Wochen lang keine anderen Schläger, bis neue für ihn hergestellt wurden. Man sieht einen deutlichen Rückgang der Austrittsgeschwindigkeit und weniger höhere Startgeschwindigkeiten und weniger Homeruns. Sobald er den Schläger wieder hatte, schlug er gleich ein paar Homeruns mit deutlich höheren Startgeschwindigkeiten. Das war also eindeutig ein positiver Effekt für Colson Montgomery. Damit sind die Ergebnisse der explorativen Datenanalyse sowie einige der Methoden und Ziele abgedeckt. Jetzt übergebe ich an Laura für das Data Mining und die Modellierung.
Danke, Ryan. Die Frage, auf die ich mich letztendlich konzentriert habe, ist, wie sich der Torpedoschläger auf die Schlageigenschaften auswirkt. Wir hatten all diese Daten, also habe ich einen Data-Mining- und Modellierungsansatz verwendet. Nächste Folie. So ist es. Das erste Problem mit den Daten ist, dass wir nur einen sehr kleinen Anteil der Personen haben, die einen Torpedoschläger benutzen. Bei einem sehr unausgewogenen Datensatz werden Sie kaum ein Signal finden, wenn das, wonach Sie suchen, nur einen sehr kleinen Anteil der Daten ausmacht.
Ich musste also einen Datensatz erstellen, der gleiche Datenmengen für Torpedoschläger- und Nicht-Torpedoschläger-Nutzer enthielt. Ich entschied, was fair wäre: Anstatt einfach den gesamten Datenpool zu verwenden und wahllos einige Dinge herauszupicken, wollte ich Datensätze erstellen, die wirklich ähnlich aussahen. Also schichtete ich nach der Startgeschwindigkeit der Torpedoschläger-Nutzer. Ich dachte, das wäre einigermaßen repräsentativ … eine einigermaßen repräsentative Stichprobe von Nicht-Torpedoschläger-Nutzern zu ziehen. Das habe ich mit der Schichtung gemacht. Nächste Folie.
Die Daten waren stark nichtlinear. Ich habe andere Modellierungstechniken ausprobiert, und die Baummethoden funktionieren am besten. Dies gilt insbesondere für Daten, die nicht sehr linear sind. Lineare Modelle verhalten sich einfach seltsam. Der Bootstrap Forest lieferte die beste und klarste Antwort. Ich habe auch Boosting ausprobiert und beides lieferte ein qualitativ ähnliches Ergebnis, verbesserte die Ergebnisse jedoch nicht wirklich.
Ich habe eine 33%-Validierungsspalte verwendet. Sie können sehen, dass das Modell insgesamt, unabhängig davon, ob für jede Fledermaus ein Torpedofledermaus verwendet wurde oder nicht, zwischen etwa 9 % und 15 % der Daten erklärte, je nachdem, welches Element Sie verwenden möchten. Die Fehlklassifizierungsrate war in Ordnung. Es gibt also eine gewisse Vorhersage, aber sie ist nicht perfekt. Aber es gibt definitiv ein Signal.
Die Ergebnisse stammen aus dem Bootstrap Forest. Im Diagramm sehen Sie die Spaltenbeiträge. Die Schlägergeschwindigkeit ist definitiv das Wichtigste. Die meisten anderen Spalten hatten einen ähnlichen Einfluss, auf die ich auf der nächsten Folie näher eingehen werde.
Beim Profiler bedeutet hier „Torpedoschläger“: Eins bedeutet, dass sie einen Torpedoschläger haben, und Null bedeutet, dass sie keinen Torpedoschläger verwenden. Was wir sehen, ist eine längere Schwunglänge. Die Schwunglänge ist der gesamte Bereich, in dem sich der Schläger bewegt, und denken Sie daran, ein Torpedoschläger kann schneller geschwungen werden, und das sehen wir auch. Wir sehen höhere Schlägergeschwindigkeiten und eine insgesamt höhere Abschussgeschwindigkeit, und die Abschussgeschwindigkeit gibt an, wie weit der Ball tatsächlich fliegen wird. Wenn Sie sich die Diagramme beim Anschauen von Ballspielen ansehen, wird die Austrittsgeschwindigkeit angezeigt, und sie ist wirklich ein guter Hinweis darauf, wie weit der Ball fliegen wird, besonders wenn Sie versuchen, einen Homerun zu schlagen. In dieser Notiz sahen wir auch in einer der Metriken, wohin der Ball tatsächlich flog. Bei der Feldposition flog er tatsächlich weiter ins Feld hinein. Ob er links oder rechts war, spielte für das Modell keine Rolle.
Das Modell enthielt noch weitere Aspekte, die im Grunde alle auf dasselbe hindeuten: Mit einem Torpedoschläger trifft man den Ball gleichmäßiger, und das ist nachvollziehbar. Ist der Sweet Spot auf dem Schläger kleiner, muss man hinsichtlich der Schwungmechanik disziplinierter sein. Ob das ein Erfolg ist, haben wir nicht untersucht. Vielleicht im nächsten Artikel. Die Ergebnisse zeigen aber definitiv, dass der Torpedoschläger die Schwungmechanik verändert, je nach Schlagmann zum Guten oder zum Schlechten. Auf jeden Fall. Und dann die nächste Folie. Auf dem Poster haben wir ein animiertes GIF. Wenn Sie das Profil sehen oder die Bereiche aller Variablen durchlaufen möchten, können Sie sich das in der PowerPoint-Präsentation ansehen. Ryan, zurück zu Ihnen.
Einige der Schlussfolgerungen, die wir aus der Modellierung und der explorativen Datenanalyse gezogen haben … Ich werde noch einmal auf diese Grafik hier zurückkommen, um einige dieser Schlussfolgerungen zu untersuchen. Der Torpedoschläger verändert seine Schwungmechanik grundsätzlich unabhängig vom Erfolg des Spielers. Das entspricht dem, was hier passiert. Es wird sich für jeden, der den Schläger schwingt, anders anfühlen. Es kommt darauf an, ob er erfolgreich ist oder nicht, ob er gut ausgeht oder nicht. Abschlaggeschwindigkeiten, Aufschläge und Blasts sind nützliche Indikatoren für eine verbesserte Kontaktqualität, wie Sie in der explorativen Datenanalyse sehen können.
Torpedoschläger können die Leistung mancher Schlagmänner steigern, aber nicht aller. Individuelle Technik und Anpassungsfähigkeit spielen also eine Rolle. Man muss kontrollieren können, was in seinem Schwung passiert und wie er sich verändert, um einen erfolgreichen Straight-Up, einen Blast oder eine erhöhte Austrittsgeschwindigkeit zu erzielen.
Wir haben wertvolle Erkenntnisse aus der Abschussgeschwindigkeit sowie den Schlägen und Zusammenstößen der einzelnen Spieler gewonnen. Data Mining und Modellierung haben jedoch gezeigt, wie sich die Torpedoschläger auf die Schwungmechanik selbst auswirken. Die Modellierung wurde dabei durch die Berichterstattung zur Schlägernutzung eingeschränkt. Wir hatten nicht viele aussagekräftige Daten, die lediglich auflisteten, wer wann einen Torpedoschläger verwendet hat. Aber was wir herausfinden konnten, war wirklich wirkungsvoll und lieferte uns dennoch einige Ergebnisse, aus denen wir Schlussfolgerungen ziehen konnten.
Dann hier unten rechts die Schlagposition, der Abfangpunkt und die Länge Ihres Schwungs. Dies sind nur einige Definitionen aus dem Glossar, die mit dem mechanischen Aspekt der Dinge zu tun haben, die Laura erklärt hat. Wie lang ist Ihr Schwung? Der Abfangpunkt, an dem der Ball gefangen wird, liegt deutlich später im Schwung, aber viel schneller. Sie erreichen ihn also schneller und sind weiter vorne. Dies wurde in der Modellierung deutlich sichtbar.
Damit ist unsere Präsentation abgeschlossen. Unten rechts finden Sie einige Referenzen, die unbedingt einen Blick wert sind, wenn Sie sich weiter damit befassen möchten. Ich habe den Statcast, die Suche und das Glossar erwähnt. Es gibt auch einige Kommentarartikel, die Sie sich ansehen sollten.
Was mein Interesse geweckt hat, war dieses Video von den Savannah Bananas. Es ist 30 Minuten lang, aber sie testen den Torpedoschläger auf ihre eigene Art und Weise. Die Stichprobengröße und das Design sind vielleicht nicht besonders aufschlussreich, aber es ist wirklich toll, ihnen zuzuhören, wie sie darüber sprechen, wie sie Innenwürfe besser treffen können. Sie erhalten Einblicke von einem Experten, der den Schläger tatsächlich benutzt, und einige Erkenntnisse, die sie selbst als Baseballspieler gewinnen könnten. Dann gab es auch ein paar Artikel über Colson Montgomery, um den es in der zweiten Grafik links geht. Das brachte mich auf die Idee, das Ganze grafisch darzustellen. Vielen Dank an alle, die sich unsere Präsentation angesehen haben, und einen schönen Tag noch.
