Você sabia que Machine Learning nos esportes já é uma realidade?
A esta altura, com certeza você já ouviu dizer que os dados estão dominando o mundo. Já não é mais novidade que nós temos gerado mais dados do que jamais havíamos feito, e esse número está crescendo exponencialmente.
Esse avanço já alcançou a maioria das áreas de negócio e de nossas vidas, e não mostra sinais de desacelerar.
Agora, vamos focar nos esportes, dando atenção especial ao Basquete. Desde sempre, estatísticas são parte fundamental dos esportes.
Boxscores, relatórios de olheiros, entre outros, já são amplamente difundidos. Mas, esse é apenas o primeiro passo em uma longa jornada.
Aqui, vamos analisar como Machine Learning e Ciência de Dados podem, e têm, impactado o Basquete.
Primeiramente, é importante esclarecer que esse não é um tutorial de código. Aqui, proponho uma conversa, expondo as vastas oportunidades que Machine Learning traz para os esportes. Pense nisso como food for thought.
Com isso em mente, vamos começar!
Análise de Dados nos esportes
Vamos começar com o básico. Em um projeto de Ciência de Dados, a análise exploratória tem um grande papel. Essa mentalidade não deve mudar ao abordarmos esportes.
Entender cada um dos detalhes do jogo, sempre tendo em mente o contexto real, é o primeiro passo.
Na NBA, existe algo chamado Advanced Stats (Estatísticas Avançadas, em tradução livre). Aqueles boxscores clássicos já não são mais suficientes.
O resultado disso, foi a criação de novas métricas para serem analisadas, e entendermos como elas afetam os resultados dos jogos. Na NBA, essas métricas já estão sendo criadas e analisadas regularmente.
Transformando dados em insights
Após analisar seus dados minuciosamente, existem algumas outras coisas que podemos fazer.
Anualmente, é proposto um desafio de Data Science no Kaggle, promovido pela NCAA e Google Cloud, com o objetivo de prever os resultados das partidas do March Madness, reveleando possíveis zebras, azarões, times Cinderella, entre outras coisas.
Eles disponibilizam dados históricos do torneio, com diversas variáveis diferentes.
Times de basquete podem utilizar dados reais dos torneios em que estão inseridos, e usar modelos preditivos para testar como eles estariam no campeonato caso melhorassem esse ou aquele atributo, ou adicionar determinado jogador ao time.
Esse tipo de trabalho é excelente para olheiros, preparação para jogos contra um determinado time, avaliar o esforço e custo de novas estratégias táticas, e até mesmo determinar que habilidades os jogadores devem focar em melhorar, para se tornarem melhores jogadores.
Visão Computacional aplicada aos esportes
Todas as possibilidades mencionadas anteriormente são incríveis e funcionam maravilhosamente bem.
Entretanto, se seu objetivo é realmente atingir o mais alto nível, este tem que ser seu objetivo: Visão Computacional está dominando o mundo, e já chegou aos esportes.
Na NBA, a empresa Kinexon é dona da maior fatia do mercado, e entrega o estado da arte em soluções para os times.
Acesso em tempo real às condições físicas dos jogadores, previsão de fadiga, mensuração de novas variáveis sob demanda, etc.
Com esse tipo de tecnologia aplicado ao time, trabalhando para você e suas necessidades individuais, essas informações irão alimentar suas análises estatísticas e modelos de Machine Learning.
Com certeza, isso irá levar sua performance para o próximo nível.
Nem sempre está certo
Se você é fã de basquete, provavelmente já viu essa foto abaixo na internet. Ela mostra a evolução dos arremessos tentados na NBA. Temos que dar crédito ao Houston Rockets por terem sido pioneiros em aplicar de forma extensiva Ciência De Dados na NBA.
Resumidamente, análises demonstraram que o arremesso de 2 pontos de média distância é um arremesso de baixo aproveitamento que não vale a pena ser tentado.
O ideal, é arremessar bolas de 3, ou penetrar o garrafão para bandejas fáceis ou cavar faltas. Assista um jogo do Houston Rockets, vai ver isso em ação de forma maestral (Obrigado, James Harden).
Os jogadores estão arremessando cada vez mais bolas de 3, de cada vez mais longe da cesta. O jogo está completamente diferente, e temos que culpar (ou agradecer?) a Ciência de Dados por isso.
Tudo isso é muito legal e divertido até que te atinja.
Carmelo Anthony teve passagem pelo Houston Rockets e isso quase custou sua carreira. Tendo sido um jogador extremamente dominante no começo dos anos 2000, Melo tinha como carro chefe seu arremesso de média distância.
Após 10 dias com o time, eles o liberaram. Um jogador eleito 10 vezes como All-Star, elite da NBA, quase teve que se aposentar por causa do que análises estatísticas mostraram sobre ele. Se você quiser ler mais sobre essa história, clique aqui.
Felizmente, ele conseguiu se recuperar, foi contratado pelo Portland Trailblazers, e recentemente acertou um arremesso no último segundo para vencer a partida, que, irônicamente, foi um arremesso longo de 2 pontos. Aos 0:21 do vídeo acima, você pode assistir esse belo arremesso.
Isso significa que Analytics é ruim para o esporte?
De forma alguma. Mas também não é tudo. Analise seus dados minuciosamente, analise os jogadores, use todos os modelos do mundo, mas sempre assista aos jogos, veja por si mesmo se os dados estão contando a história real.
Com Visão Computacional nós podemos medir coisas que jamais haviam sido mensuradas, diminuido aquelas “coisas que a estatística não mostra” nos esportes, mas elas ainda existem.
Uma reflexão sobre Data Science nos esportes
Essa foi apenas uma breve conversa sobre o assunto, e como eu disse, é apenas uma reflexão.
Espero que você tenha achado esse artigo interessante e inspirador, e caso tenha qualquer dúvida, ou apenas queira falar de basquete, conecte-se comigo no LinkedIn e confira meus projetos no GitHub.
Lá, inclusive, tenho uma proposta completa que apresentei a um time de Basquete, para implementar um projeto de Ciência De Dados na equipe. Você pode conferir o projeto na íntegra aqui.
Para ler mais sobre Machine Learning e Basquete, recomendo esse post do Towards Data Science.
