Hola a todos. Soy Ryan Cooper, ingeniero de sistemas de la Costa del Golfo de JMP. Me acompaña mi colega, Laura Higgins.
Hola, soy Laura Higgins. También formo parte del Equipo de Habilitación Técnica Global como ingeniera de sistemas.
Nuestro proyecto se centra en los bates torpedo de las Grandes Ligas de Béisbol. Estos bates han llamado la atención por su diseño poco convencional y su rendimiento ofensivo. Tenemos una breve historia sobre cómo surgió la idea. Laura y yo asistimos a un partido de béisbol en Houston a principios de abril, justo al comienzo de la temporada. Estábamos en la ciudad para asistir al seminario de descubrimiento que se estaba celebrando allí.
Eran los primeros días de la temporada y los Astros de Houston, un equipo de mi estado, Texas, jugaban contra los Gigantes de San Francisco, de donde es Laura. Estábamos en ese partido y habíamos oído hablar de la locura de los bates torpedo y de los Yankees de Nueva York, de cómo conectaban jonrones uno tras otro, y de un bate mágico que los estaba provocando. Estábamos hablando de ello mientras veíamos el partido, y pensamos: "Deberíamos hacer un proyecto sobre esto".
De ahí surgió esto. Nos entusiasma presentar los resultados, ya que no había datos, salvo unos pocos al principio de la temporada, cuando todos empezaban a hacerlo. Ahora contamos con muchos datos y algunas ideas interesantes que podemos extraer de esto. Nos entusiasma presentarles esto.
Un poco de historia sobre el bate torpedo. Analizaremos si muestra mejoras mensurables en su rendimiento. Nos centraremos en el análisis exploratorio de datos, la minería de datos y algunos modelos con Statcast, el repositorio público de datos que la Major League Baseball mantiene con diversas estadísticas relacionadas con la liga.
Veamos más de cerca cómo se ve este bate. Verán a la izquierda... Permítanme dirigir mi puntero aquí. Verán que el bate de la izquierda se ve un poco diferente al de la derecha. El de la derecha es un bate tradicional. Verán que el borde del bate es un poco más recto, mientras que el bate torpedo se curva hacia adentro. Lo que sucede aquí es que hay más peso centrado en el punto dulce donde se podría golpear la pelota, a diferencia de este bate, que está distribuido uniformemente. Esto se traduce en esta imagen aquí, donde en el azul, tienen el bate torpedo y un punto dulce más concentrado, mientras que con el bate tradicional, hay más distribución en cuanto a dónde está ese punto, pero tal vez no tan impactante.
Pasamos de esta sección de esta imagen a esta otra, y se ve la misma superposición, los mismos colores, con el bate tradicional y el torpedo, y ese punto óptimo está justo aquí. Lo que ocurre ahora es que tenemos una distribución de la velocidad de salida y de lanzamiento esperada de una pelota al salir de estos bates. Aquí, donde el bate es un poco más ancho, se esperaría una velocidad de salida y de lanzamiento de aproximadamente un 5-7% mayor, con una velocidad máxima más alta al salir del bate. Mientras que si se golpea la pelota aquí con un bate tradicional, se obtiene un aumento de aproximadamente un 2-3%. Este bate va a tener un gran impacto en el rendimiento, o debería tenerlo, de alguien que golpea la pelota un poco más aquí.
Hay algunos otros gráficos pequeños aquí. Hay un video que definitivamente recomiendo ver, donde la persona dibuja estos bates y estos gráficos, explicando su funcionamiento. Aquí arriba, vale la pena mencionar este gráfico, donde es como blandir un hacha, donde el peso se distribuye en el extremo del hacha para algo como, por ejemplo, este bate tradicional. Mientras que si giras ese peso y lo colocas en el extremo más cercano a ti, es mucho más fácil blandir. Lo que sucede es que el peso se desplaza un poco, lo que facilita el blandir. Es posible que algunas de las mecánicas hayan cambiado aquí, y veremos cómo se ven los datos cuando se trata de cómo funciona esto.
Pasando a los métodos y objetivos de nuestra exploración de datos, se accedió a estos datos mediante PyBaseball, un paquete de Python, y el código fue escrito principalmente por ChatGPT. De hecho, tengo un enlace a mi conversación de ChatGPT aquí abajo. Vale la pena revisar cómo se elaboró y cómo se extrae de Python.
Lo mejor de JMP 18 y posteriores, JMP 19 y posteriores, es que contamos con Python integrado. Así, puedes generar y escribir tu código Python, hacer lo que quieras con él, insertarlo en JMP y obtenerlo de un paquete como este.
Este paquete de béisbol tiene aproximadamente 119 variables diferentes para cada lanzamiento. Así que tienes una fila. Veamos cómo se ve el conjunto de datos aquí. Cada fila representa una transacción y un lanzamiento. Se miden 119 variables diferentes, o puntos de datos, en cada uno de estos lanzamientos. Tomamos esos datos, los segmentamos con un bate torpedo, independientemente de si el usuario usa un bate torpedo o no, y ChatGPT también lo encontró. No hay una buena manera de buscarlo. No está muy bien documentado, así que le pedimos a ChatGPT que lo extrajera.
Analizamos métricas clave como la velocidad de lanzamiento, los cuadrangulares y los fulminantes, y la mecánica del swing. Los cuadrangulares y los fulminantes son indicadores relacionados con la velocidad de salida. Analizaremos las dos imágenes superiores, provenientes del glosario del sitio web MLB Statcast, cuyo enlace también se encuentra en las referencias.
Pero un cuadrado es un porcentaje de la velocidad máxima posible al golpear la pelota, y un golpe es un cuadrado mejorado. Un golpe es realmente el mejor swing que puedes tener, y esperamos que estos aumenten a medida que alguien usa un bate torpedo con éxito.
Algunas de las herramientas que usamos incluyen Graph Builder. Pueden ver un par de ellas aquí abajo: distribución, una columna de fórmula, etiquetas de tabla de datos (novedad en JMP 19) y, además, algunas técnicas de modelado como Bootstrap Forest, Boosted Trees y Workflow Builder para integrar todo. En resumen, queremos explorar los cambios de rendimiento tras la adopción de Torpedo Bat en los reproductores seleccionados y analizarlos en su conjunto mediante el modelado.
Volviendo a la configuración, veamos cómo funciona. Mencioné el script de Python en JMP. Este es un fragmento de ese script de Python y cómo accede a los datos de Statcast. También tenemos los datos de Statcast. Se trata de una extracción manual de los cuadrangulares y los blasts, ya que no están incluidos en los datos del paquete PyBaseball.
Esa información debe combinarse, y la forma de hacerlo, o parte de ello, es guardando estos fragmentos de datos de cuadraturas y explosiones en archivos separados y luego importándolos todos a la vez mediante la Importación de Múltiples Archivos y JMP. Tenía una carpeta llena de archivos de cuadraturas y explosiones. Los importé todos a la vez para concatenarlos y luego fusionarlos de nuevo en el script de la tabla de datos principal, de modo que tengamos explosiones y cuadraturas para cada una de esas transacciones y denotados para cada uno de los lanzamientos.
A partir de ahí, utilizamos la tabla de búsqueda de todos nuestros usuarios conocidos de Torpedo Bat y cuándo empezaron a usarlo. Tenemos una fórmula que indica que se trata de un usuario de Torpedo Bat si su fecha de juego es posterior al primer uso, y cero en caso contrario. Además, tenemos un flujo de trabajo que combina todo: se parte de los datos de Statcast, se extraen del CSV guardado desde el script de Python y luego se importan los archivos.
Una vez que tengamos esa información, podemos empezar a realizar un análisis exploratorio de datos. Para empezar, elegimos a un par de jugadores que sabíamos que tenían algún tipo de impacto. Anthony Volpe fue mencionado desde el principio por su gran éxito. Analizamos la distribución de la velocidad de lanzamiento. Analicemos esto.
Este es un gráfico en Graph Builder, un gráfico de sombras. En el eje x, tenemos la velocidad de lanzamiento. Apuntemos. Tenemos la velocidad de lanzamiento en el eje x, y el año del juego es el color. En 2024, con el azul, la velocidad de lanzamiento fue ligeramente menor que en 2025. Tenemos el rojo, que es un poco más alto, y luego, algunas estadísticas resumidas.
A partir de esto, quisimos ver cómo se ve esto para todos. Aquí, en el extremo derecho, hay un gráfico donde tenemos la moda de la velocidad de lanzamiento de 2025 y la moda de 2024 a lo largo de una línea para ver quién estaba mejorando de esta manera. Lo que descubrimos es que esto no sucede para todos. Así que Anthony Volpe terminó teniendo cierto éxito al cambiar este bate torpedo en cuanto a la velocidad de lanzamiento. Pero otras personas, marcadas en verde, y algunas de las que no estábamos seguros de si usaban bates torpedo, pero podrían haberlo hecho, están marcadas en naranja aquí. Esto nos llevó a la idea de que esto afecta a las personas de manera diferente, que es lo que el modelo muestra, y que Laura mostrará en un segundo.
Otra persona que investigamos a fondo fue Colson Montgomery. Lo especial de él es que empezó en las Grandes Ligas a principios de julio de 2025. No usó un bate torpedo durante unas tres semanas, y de repente, cuando empezó a usarlo, empezó a conectar más jonrones. Pueden ver que los jonrones son los círculos aquí, y él conectó más batazos. Esos son todos los que están en rojo. Esta es la velocidad de lanzamiento en el eje Y. Luego tenemos un promedio móvil de la velocidad de lanzamiento.
Alrededor del 31 de julio, creo que era el 1 de agosto, su bate torpedo se rompió, y no tuvo otros bates durante aproximadamente una semana y media, hasta que le fabricaron uno nuevo. Se puede observar una disminución notable en la velocidad de salida y no hay tantos puntos altos en la velocidad de lanzamiento ni tantos jonrones. En cuanto recuperó el bate, hay un par de jonrones de inmediato con velocidades de lanzamiento mucho más altas. Así que, claramente, un buen impacto para Colson Montgomery. Esto cubre los resultados del análisis exploratorio de datos y algunos de los métodos y objetivos, y ahora le cederé la palabra a Laura para la minería de datos y el modelado.
Gracias, Ryan. La pregunta en la que terminé enfocándome es cómo afecta el bate torpedo a las características del bateo. Teníamos todos estos datos, así que usé un enfoque de minería de datos y modelado. Siguiente diapositiva. Listo. El primer problema con los datos es que tenemos una representación muy pequeña de personas que usan un bate torpedo. Cuando se tiene un conjunto de datos muy desequilibrado, no se encontrará ninguna señal si lo que se busca es una proporción muy pequeña en los datos.
Necesitaba crear un conjunto de datos con la misma cantidad de datos para usuarios de bates torpederos y no torpederos. Decidí que sería justo, en lugar de usar todo este conjunto de datos y tomar algunas cosas al azar, crear conjuntos de datos similares. Así que estratifiqué según la velocidad de lanzamiento de los usuarios de bates torpederos. Pensé que era bastante representativo… para extraer una muestra bastante representativa de los usuarios de bates no torpederos. Eso fue lo que hice con la estratificación. Siguiente diapositiva.
Los datos eran muy no lineales. Probé otras técnicas de modelado y los métodos de árbol son los que mejor funcionan. Esto es cierto con datos poco lineales. Los modelos lineales simplemente funcionan de forma extraña. El Bosque Bootstrap proporcionó la mejor y más clara respuesta. También probé el boosting, y ambos obtuvieron una respuesta cualitativamente similar, pero no mejoró los resultados.
Utilicé una columna de validación del 33% y, como pueden ver, en general, considerando si se usó un bate torpedo para cada bate, el modelo explicó entre el 9% y el 15% de los datos, dependiendo del elemento que se utilice. La tasa de clasificación errónea fue aceptable. Así que hay cierta predicción, pero no es perfecta. Sin embargo, definitivamente hay una señal.
Los resultados corresponden al Bosque Bootstrap. Si observan el gráfico, estas son las contribuciones de cada columna. La velocidad del bate es, sin duda, el factor más importante. La mayoría de las demás columnas tuvieron un impacto similar, y hablaré más sobre ellas en la siguiente diapositiva.
Con el perfilador, aquí torpedo bat uno significa que tienen un bate torpedo, y cero significa que no están usando un bate torpedo. Lo que vemos es una longitud de swing más larga. La longitud de swing es todo el rango que se mueve el bate, y recuerde, un bate torpedo se puede balancear más rápido, y también vemos eso. Vemos velocidades de bate más altas y una velocidad de lanzamiento general más alta, y la velocidad de lanzamiento es qué tan lejos realmente irá esa pelota. Cuando ves los gráficos cuando estás viendo juegos de pelota, la velocidad de salida es lo que se muestra, y realmente es un buen indicador de qué tan lejos va a viajar la pelota, especialmente si estás tratando de hacer un jonrón. En esa nota, también vimos en una de las métricas de dónde fue realmente la pelota. Para la ubicación del fildeo, viajó más adentro del campo. Si fue a la izquierda o a la derecha en realidad no entró en el modelo.
Había otras cosas en el modelo, y básicamente todas apuntan a lo mismo: que alguien que usa un bate torpedo es más consistente al golpear la pelota, y eso tiene sentido. Si ese punto dulce en el bate es más pequeño, debes ser un bateador más disciplinado en cuanto a la mecánica de tu swing. No analizamos si esto es un éxito. Quizás en el próximo artículo. Pero los resultados indican claramente que el bate torpedo cambia la mecánica de tu swing, para bien o para mal, dependiendo del bateador. Pero definitivamente la cambia. Luego, la siguiente diapositiva. En el póster, tenemos un GIF animado. Si quieres ver el perfil o navegar por los rangos de todas las variables, puedes verlo en la presentación de PowerPoint. Ryan, de vuelta a ti.
Algunas de las conclusiones que hemos obtenido a partir del modelado y del análisis exploratorio de datos… De hecho, voy a volver a este gráfico para que podamos explorar algunas de ellas. El bate torpedo generalmente cambia la mecánica del swing independientemente del éxito del jugador. Esto coincide con lo que ocurre aquí. La sensación será diferente para cada bateador. La clave está en si lo hacen con éxito o no, en si resulta bien o mal. Por lo tanto, la velocidad de lanzamiento, los cuadrangulares y los golpes son indicadores útiles de una mejor calidad de contacto, como se puede observar en el análisis exploratorio de datos.
Los bates torpedo pueden mejorar el rendimiento de algunos bateadores, pero no de todos. Por lo tanto, la mecánica individual y la adaptabilidad influyen. Debes poder controlar lo que ocurre en tu swing y cómo cambia para lograr un cuadrangular, un golpe potente o una mayor velocidad de salida.
Obtuvimos información valiosa de la velocidad de lanzamiento, las explosiones y los cuadrantes por jugador. Pero, en realidad, la minería de datos y el modelado revelaron cómo los bates torpedo afectan la mecánica del swing. A lo largo del proceso, el modelado se vio limitado por los informes de uso del bate. No teníamos muchos datos relevantes que nos permitieran basarnos en la lista de jugadores que habían usado un bate torpedo y cuándo. Sin embargo, lo que pudimos descubrir fue realmente impactante y nos proporcionó resultados que nos permitieron extraer conclusiones.
Luego, aquí abajo a la derecha, la posición del bateador, el punto de intercepción y la duración de su swing. Estas son solo algunas definiciones del glosario relacionadas con la mecánica que Laura explicó. ¿Cuánto dura su swing? Luego, el punto de intercepción al atrapar la pelota se encuentra bastante más adelante en el swing, pero mucho más rápido. Así, se llega a ella más rápido y se adelanta más. Esto se vio claramente en el modelo.
Con esto concluye nuestra presentación. Hay algunas referencias aquí abajo a la derecha que definitivamente vale la pena consultar si desea profundizar en el tema. Mencioné Statcast, la búsqueda y el glosario. También hay algunos artículos de comentarios que puede consultar.
Algo que realmente me llamó la atención al encontrarlo fue este video de los Savannah Bananas. Es un video de 30 minutos, pero lo que hacen es probar el bate torpedo a su manera. Puede que el tamaño de las muestras y el diseño no sean los más informativos, pero es genial escucharlos hablar sobre cómo podrían batear mejor los lanzamientos interiores y otras ideas que te da un experto en la materia que usa el bate, además de algunas que ellos mismos podrían ver como jugadores de béisbol. También hay algunos artículos sobre Colson Montgomery, de quien trata el segundo gráfico de la izquierda, que me llevaron a la idea de trazar esto. Bueno, gracias a todos por ver nuestra presentación y que tengan un buen día.
