Ciao a tutti. Sono Ryan Cooper e sono il Gulf Coast Systems Engineer di JMP. Sono qui con la mia collega Laura Higgins.
Ciao, sono Laura Higgins. Faccio parte del Global Technical Enablement Team come Systems Engineer.
Il progetto su cui abbiamo lavorato riguarda le mazze da baseball a siluro nella Major League Baseball. Queste hanno attirato una certa attenzione per il design non convenzionale e per il potenziale offensivo che ne deriva. Abbiamo una piccola storia dietro a tutto questo, su come è nata l'idea. Laura e io eravamo a una partita di baseball a Houston all'inizio di aprile, proprio all'inizio della stagione. Eravamo in città per il seminario di approfondimento che si stava tenendo lì.
Erano i primi giorni della stagione e gli Houston Astros, una squadra del mio stato, il Texas, giocavano contro i San Francisco Giants, da dove proviene Laura. Eravamo a quella partita e avevamo sentito parlare di questa mania della mazza a siluro e dei New York Yankees e di come battessero fuoricampo uno dopo l'altro, e di questa mazza magica che causava tutti quei fuoricampo. Ne parlavamo e guardavamo la partita, e ci siamo detti: "Dovremmo fare un progetto su questo".
Ecco da dove nasce tutto questo. Siamo entusiasti di presentare i risultati, dato che non c'erano dati a disposizione, fatta eccezione per alcuni all'inizio della stagione, quando tutti stavano iniziando a farlo. Ora abbiamo molti dati e spunti davvero interessanti che possiamo trarre da tutto questo. Siamo entusiasti di presentarvi tutto questo.
Un breve cenno sulla mazza da baseball Torpedo. Quello che vedremo è se la mazza da baseball Torpedo mostra miglioramenti misurabili nelle prestazioni. Ci concentreremo sull'analisi esplorativa dei dati, sul data mining e su alcuni modelli basati su Statcast, il repository pubblico di dati che la Major League Baseball conserva, contenente un'ampia gamma di statistiche relative alla Major League Baseball.
Diamo un'occhiata più da vicino a come si presenta questa mazza. Vedrete all'estrema sinistra... Lasciate che giri il puntatore qui. Vedrete sulla mazza sinistra, sembra un po' diversa da quella a destra. Quella a destra è una mazza tradizionale. Vedrete il lato, il bordo della mazza è un po' più dritto, mentre la mazza torpedo qui è curva. Quello che succede qui è che c'è più peso centrato sul punto ideale in cui potresti colpire la palla, a differenza di questa mazza che è distribuito uniformemente. Questo si traduce in questa immagine qui, dove sul blu, avete la mazza torpedo e un punto ideale più concentrato, mentre con la mazza tradizionale, c'è una maggiore distribuzione su dove si trova quel punto, ma forse non così d'impatto.
Passiamo da questa sezione di questa immagine a questa, e vedete la stessa sovrapposizione, gli stessi colori qui con la mazza tradizionale e quella a siluro, e quel punto ideale è proprio qui. Quello che succede ora è che abbiamo una distribuzione di dove ci si aspetterebbe la velocità di uscita, la velocità di lancio di una palla che esce da queste mazze. Qui, dove la mazza è un po' più larga, ci si aspetterebbe una velocità di uscita e una velocità di lancio di circa il 5-7% in più, con un massimo più alto in uscita dalla mazza. Mentre se si colpisce la palla qui con una mazza tradizionale, si ottiene un aumento di circa il 2-3%. Questa mazza avrà un impatto davvero notevole sulla prestazione o dovrebbe avere un impatto sulla prestazione di qualcuno che colpisce la palla un po' più forte qui.
Ci sono altri piccoli grafici qui. C'è un video che consiglio vivamente di guardare, in cui la persona disegna queste mazze e questi grafici e spiega cosa succede con la mazza. Qui sopra, vale la pena menzionare questo grafico, dove è come brandire un'ascia, dove il peso è distribuito proprio all'estremità dell'ascia per qualcosa come, diciamo, questa mazza tradizionale. Mentre se ruoti quel peso e lo metti proprio all'estremità più vicina a te, è molto più facile colpire. Quello che succede è che il peso si sposta leggermente, e questo rende il colpo più facile. Alcuni dei meccanismi sono potenzialmente cambiati qui, e vedremo come appaiono i dati quando si tratta di come funziona.
Passiamo ora ai metodi e agli obiettivi con cui abbiamo affrontato parte di questa esplorazione dei dati. Questi dati sono stati accessibili tramite PyBaseball, un pacchetto Python, e il codice è stato in gran parte scritto da ChatGPT. In realtà, ho un link alla mia conversazione su ChatGPT qui sotto. Vale la pena dare un'occhiata a come è stata elaborata e a come si ispira a Python.
Il bello di JMP 18 e delle versioni successive, JMP 19 e successive, è che abbiamo Python integrato. Quindi puoi generare il tuo codice Python, puoi scriverlo, farci quello che vuoi, inserirlo in JMP e poi estrarlo da un pacchetto come questo.
Questo pacchetto di baseball ha circa 119 variabili diverse per ogni lancio. Quindi hai una riga. Osserviamo come appare il set di dati qui. Ogni riga è in realtà una transazione e un lancio. Ci sono 119 cose diverse che vengono misurate, o punti dati che vengono presi su ciascuno di questi lanci. Prendiamo quei dati, li segmentiamo con la mazza da baseball, indipendentemente dal fatto che l'utente la utilizzi o meno, e anche questo è stato trovato da ChatGPT. Non c'è un modo efficace per cercarlo. Non è molto documentato, quindi ho chiesto a ChatGPT di estrarlo.
Stiamo esaminando parametri chiave relativi a velocità di lancio, piazzamenti e sbalzi, e meccanica dello swing. Piazzamenti e sbalzi sono indicatori che hanno a che fare con la velocità di uscita. Osserveremo queste due immagini in alto, tratte dal sito web MLB Statcast nel glossario, a cui ho anche aggiunto un link nei riferimenti.
Ma uno square-up è una percentuale della velocità massima possibile quando si colpisce la palla, e quindi un blast è in realtà uno square-up potenziato. Un blast è davvero il miglior swing che si possa avere, e ci aspettiamo che questi aumentino man mano che qualcuno usa con successo una mazza da siluro.
Tra gli strumenti che abbiamo utilizzato, abbiamo utilizzato Graph Builder. Ne vedete un paio qui sotto. Distribuzione, una colonna formula, tag di tabella dati, una novità di JMP 19, e poi alcune tecniche di modellazione come Bootstrap Forest, Boosted Trees e Workflow Builder per unire il tutto. In definitiva, quello che vogliamo fare è esplorare i cambiamenti di prestazioni dopo l'adozione del siluro nei giocatori selezionati e analizzarli nel loro complesso con la modellazione.
Tornando alla configurazione, vediamo come funziona. Ho menzionato lo script Python in JMP. Questo è un frammento di quello script Python e come accede ai dati Statcast. Poi abbiamo anche i dati Statcast stessi. Questo è un pull manuale degli square-up e dei blast, perché in realtà non sono inclusi nei dati del pacchetto PyBaseball.
Queste informazioni devono essere combinate, e il modo in cui ciò avviene, o almeno in parte, è salvare questi frammenti di dati di square-up e blast in file separati e poi importarli tutti in una volta utilizzando l'importazione di file multipli e JMP. Avevo una cartella piena di file di square-up e blast. Li ho importati tutti in una volta per concatenarli e poi unirli di nuovo nello script della tabella dati principale, in modo da avere blast e square-up per ciascuna di queste transazioni e contrassegnati per ciascuno dei lanci.
Da lì, utilizziamo la tabella di ricerca di tutti i nostri utenti noti di Torpedo Bat e di quando hanno iniziato a utilizzarlo. Abbiamo una formula che dice che un utente di Torpedo Bat è un utente di Torpedo Bat se la data della sua partita è successiva al primo utilizzo e zero altrimenti, e poi un flusso di lavoro che combina tutto insieme, in cui si parte dai dati di Statcast, si estrae dal file CSV salvato dallo script Python e si importano i vari file.
Una volta ottenute queste informazioni, possiamo iniziare a fare un'analisi esplorativa dei dati. Per iniziare, abbiamo selezionato un paio di giocatori che sapevamo avessero avuto un certo impatto. Anthony Volpe è stato menzionato fin dall'inizio come un giocatore di successo. Abbiamo analizzato la distribuzione della velocità di lancio. Andiamo a dare un'occhiata.
Questo è un grafico in Graph Builder, ed è uno shadowgram. Quello che abbiamo è la velocità di lancio sull'asse x. Lasciatemi posizionare il mio puntatore laser qui. Abbiamo la velocità di lancio sull'asse x, e poi l'anno di gioco è il colore. Nel 2024, con il blu, quella velocità di lancio era leggermente inferiore rispetto al 2025. Abbiamo il rosso che è leggermente più alto, e poi alcune statistiche riassuntive qui.
Partendo da questo, volevamo vedere come si presentava per tutti. Qui all'estrema destra, c'è un grafico in cui abbiamo la modalità della velocità di lancio del 2025 e la modalità del 2024 lungo una linea per vedere chi stava migliorando in questo modo. Quello che abbiamo scoperto è che questo non accade per tutti. Quindi Anthony Volpe ha finito per ottenere un certo successo modificando questo siluro per quanto riguarda la velocità di lancio. Ma altre persone che sono indicate in verde e poi alcune che non eravamo sicuri usassero siluri, ma avrebbero potuto farlo, sono indicate in arancione qui. Questo ha portato all'idea che questo influisca sulle persone in modo diverso, che è ciò che la modellazione finisce per mostrare che Laura mostrerà tra un secondo.
Un'altra persona che abbiamo esaminato attentamente è un certo Colson Montgomery. La sua particolarità è che ha iniziato nelle Major League proprio all'inizio di luglio 2025. Non ha usato la mazza da baseball "torpedo" per circa 3 settimane, e poi all'improvviso, quando ha iniziato a usarla, ha iniziato a fare più fuoricampo. Potete vedere che i fuoricampo sono i cerchi qui, e che ha fatto più fuoricampo. Quelli sono tutti quelli in rosso. Questa è la velocità di lancio lungo l'asse y. Poi abbiamo una media mobile della velocità di lancio.
Intorno al 31 luglio, credo fosse il 1° agosto, la sua mazza da baseball si ruppe e non ebbe altre mazze da usare per circa una settimana e mezza, finché non ne costruirono altre per lui. Si può notare un calo evidente nella velocità di uscita e non ci sono molti punti più alti per la velocità di lancio o meno fuoricampo. Non appena ha recuperato la mazza, ci sono un paio di fuoricampo subito dopo la battuta che hanno velocità di lancio molto, molto più elevate. Quindi chiaramente un buon impatto per Colson Montgomery. Questo riguarda i risultati dell'analisi dei dati esplorativi e alcuni dei metodi e degli obiettivi, e ora passo la parola a Laura per il data mining e la modellazione.
Grazie, Ryan. La domanda su cui mi sono concentrato è come la mazza da baseball "siluro" influenzi le caratteristiche di battuta. Avevamo tutti questi dati, quindi ho utilizzato un approccio di data mining e modellazione. Diapositiva successiva. Eccoci qui. Il primo problema con i dati è che abbiamo una rappresentanza molto ridotta di persone che usano una mazza da baseball "siluro". Quando si ha un set di dati davvero sbilanciato, non si troverà alcun segnale se quello che si sta cercando è una percentuale molto piccola nei dati.
Quindi avevo bisogno di creare un set di dati che contenesse la stessa quantità di dati sia per gli utilizzatori di siluri che per quelli di altri tipi. Ho deciso che, piuttosto che usare l'intero pool di dati e prendere alcuni dati a caso, volevo davvero creare set di dati che sembrassero simili. Quindi ho stratificato in base alla velocità di lancio degli utilizzatori di siluri. Ho pensato che fosse abbastanza rappresentativo... per estrarre un campione abbastanza rappresentativo dagli utilizzatori di siluri. Questo è ciò che ho fatto con la stratificazione. Diapositiva successiva.
I dati erano molto non lineari. Ho provato altre tecniche di modellazione e i metodi ad albero funzionano meglio. Questo è sicuramente vero con dati non molto lineari. I modelli lineari si comportano in modo strano. Bootstrap Forest ha fornito la risposta migliore e più chiara. Ho anche provato il boosting, e mi ha fornito una risposta qualitativamente simile, ma in realtà non ha migliorato i risultati.
Ho utilizzato una colonna di convalida del 33% e, come potete vedere, nel complesso, considerando se è stato utilizzato o meno un siluro per ogni siluro, il modello ha spiegato una percentuale compresa tra il 9% e il 15% dei dati, a seconda dell'elemento che si desidera utilizzare. Il tasso di classificazione errata era accettabile. Quindi c'è una certa previsione, ma non è perfetta. Tuttavia, c'è sicuramente un segnale.
I risultati sono stati ottenuti con Bootstrap Forest. Se osservate il grafico qui, questi sono i contributi delle colonne. La velocità del pipistrello è sicuramente l'aspetto più importante. La maggior parte delle altre colonne ha avuto un impatto simile, e ne parlerò più approfonditamente nella prossima diapositiva.
Con il profiler, qui "torpedo bat" significa che hanno una mazza "torpedo", e "zero" significa che non stanno usando una mazza "torpedo". Ciò che vediamo è una lunghezza dello swing maggiore. La lunghezza dello swing è l'intero raggio di movimento della mazza, e ricordate, una mazza "torpedo" può essere fatta oscillare più velocemente, e lo vediamo anche noi. Vediamo velocità della mazza più elevate e velocità di lancio complessivamente più elevate, e la velocità di lancio indica la distanza effettiva che la palla percorrerà. Quando si guardano i grafici delle partite, la velocità di uscita è ciò che viene mostrato, ed è davvero una buona indicazione della distanza percorsa dalla palla, soprattutto se si sta cercando di fare un fuoricampo. In quella nota, abbiamo anche visto una delle metriche relative alla posizione effettiva della palla. Per quanto riguarda la posizione di fielding, si è spostata più in profondità nel campo. Che fosse a sinistra o a destra, in realtà, non è stato preso in considerazione dal modello.
C'erano altri elementi nel modello, e fondamentalmente indicano tutti la stessa cosa: chi usa una mazza a siluro è più costante nel punto in cui colpisce la palla, e questo ha senso. Se il punto ideale sulla mazza è più piccolo, bisogna essere un battitore più disciplinato in termini di funzionamento della meccanica dello swing. Non abbiamo cercato di capire se questo sia un successo. Forse lo vedremo nel prossimo articolo. Ma i risultati sono sicuramente che la mazza a siluro cambia la meccanica dello swing, nel bene o nel male, a seconda del battitore. Ma sicuramente la cambia. Poi la prossima diapositiva. Nel poster, abbiamo una GIF animata. Se volete vedere il profilo o spostarvi tra gli intervalli di tutte le variabili, potete trovarlo nella presentazione PowerPoint. Ryan, torno a te.
Alcune delle conclusioni che abbiamo tratto dalla modellazione e da alcune analisi esplorative dei dati... In realtà tornerò a questo grafico per approfondire alcune di queste conclusioni. La mazza "torpedo" generalmente modifica la meccanica dello swing indipendentemente dal successo del giocatore. Questo è in linea con quanto sta accadendo qui. La sensazione sarà diversa per chiunque usi la mazza. Il fatto che lo facciano con successo o meno determina se il risultato sia buono o meno. Quindi velocità di lancio, piazzamenti e colpi sono indicatori utili di una migliore qualità del contatto, come si può vedere nell'analisi esplorativa dei dati.
Quindi, le mazze "torpedo" possono migliorare le prestazioni di alcuni battitori, ma non di tutti. Quindi, la meccanica individuale e l'adattabilità giocano un ruolo importante. Devi essere in grado di controllare cosa succede nel tuo swing e come cambia per ottenere il successo di un quadrato, di un'esplosione o di una maggiore velocità di uscita.
Abbiamo ottenuto informazioni preziose dalla velocità di lancio, dai colpi e dalle azioni di piazzamento per giocatore. Ma in realtà, il data mining e la modellazione hanno scoperto come le mazze siluro influenzino la meccanica stessa dello swing. Lungo il percorso, la modellazione è stata limitata dai report sull'utilizzo delle mazze. Non avevamo molti dati affidabili su cui basarci, che elencassero solo i giocatori che avevano utilizzato una mazza siluro e quando. Ma ciò che siamo riusciti a scoprire è stato davvero significativo e ci ha comunque fornito alcuni risultati da cui trarre alcune conclusioni.
Poi qui in basso a destra, il posizionamento del battitore, il punto di intercettazione e la lunghezza dello swing. Queste sono solo alcune definizioni del glossario che hanno a che fare con la parte meccanica delle cose che Laura stava spiegando. Quindi, quanto è lungo lo swing? Poi il punto di intercettazione, ovvero catturare la palla un po' più tardi nello swing, ma molto più velocemente. In questo modo si arriva più velocemente e si è più in vantaggio. Questo è emerso chiaramente nella modellazione.
La nostra presentazione si conclude qui. Qui in basso a destra trovate alcuni riferimenti che vale sicuramente la pena dare un'occhiata se desiderate approfondire l'argomento. Ho menzionato Statcast, la ricerca e il glossario. Ci sono anche alcuni articoli di commento da consultare.
Una cosa che ha davvero stuzzicato la mia curiosità quando l'ho trovato è stato questo video dei Savannah Bananas, tra tutti. È un video di 30 minuti, ma quello che stanno facendo è testare la mazza "torpedo" a modo loro. Le dimensioni del campione e il design potrebbero non essere esattamente il massimo, ma è davvero fantastico ascoltarli parlare di come potrebbero essere in grado di colpire meglio i lanci interni e di altri spunti che si ottengono da un esperto del settore che usa effettivamente la mazza e di alcuni degli spunti che potrebbero vedere come giocatori di baseball. Poi ci sono anche alcuni articoli su Colson Montgomery, di cui parla quel secondo grafico a sinistra, che mi hanno portato all'idea di tracciare questo grafico. Bene, grazie a tutti per aver guardato la nostra presentazione e buona giornata.
