Novas Métricas para Avaliar o Desempenho no Basquete

No basquete, a análise de desempenho é super importante. Ajuda os times a decidirem quais jogadores manter ou deixar ir, especialmente na busca por arremessadores afiados. Na NBA, o que realmente importa é marcar mais pontos que o outro time. Por isso, apresentamos duas novas métricas: "Pontos Esperados" para comparar times e "pontos esperados acima da média" (EPAA) para avaliar jogadores individuais. Essas métricas usam um método estatístico chamado Modelagem Hierárquica Bayesiana para agrupar jogadores e times com base em quão bem eles arremessam.

#Importância da Análise Esportiva

A análise esportiva tem três objetivos principais: avaliar o impacto dos jogadores, aumentar as chances de vencer e medir diferentes partes do jogo. Esses objetivos geralmente se apoiam. Por exemplo, ferramentas que medem o impacto de um jogador também podem influenciar as estratégias do time, resultando em melhores resultados. Aqui, a gente foca em como calcular as contribuições de cada jogador no basquete profissional.

À primeira vista, pode parecer que os melhores jogadores são aqueles que marcam mais pontos. Mas isso ignora outros fatores, como as habilidades dos companheiros. Uma avaliação mais precisa consideraria a porcentagem de acertos, que é calculada como o número de arremessos bem-sucedidos dividido pelo total de arremessos feitos. No entanto, esse método pode ser enganoso quando um jogador fez apenas alguns arremessos, já que os resultados podem variar bastante de jogo para jogo.

#Avaliando Jogadores: Métodos Existentes

Existem maneiras avançadas de avaliar jogadores, com duas métricas populares sendo a Classificação de Eficiência do Jogador (PER) e Box Plus/Minus (BPM). O PER analisa várias estatísticas, incluindo rebotes, assistências e roubos de bola, para determinar o desempenho geral de um jogador com base nos minutos jogados. Isso ajuda a equilibrar as diferenças devido ao tempo em quadra.

Por outro lado, o BPM fornece uma compreensão mais clara da contribuição de um jogador, calculado como os pontos adicionais que um jogador contribui por 100 posses de bola do time em comparação com um jogador médio. Embora o BPM considere a posição de um jogador, que pode ser confusa no basquete moderno, ainda pode ignorar o contexto do jogo.

Alguns pesquisadores argumentam que métricas existentes como PER e BPM não levam em conta as situações do jogo, como jogos apertados versus massacres. Outros analisaram como os jogadores afetam os arremessos dos adversários.

#Nossa Abordagem: Pontos Esperados e EPAA

Para avaliar jogadores e times com precisão, criamos duas métricas usando modelagem hierárquica bayesiana. Os pontos esperados (EP) medem quantos pontos um time poderia marcar dado seus hábitos de arremesso. O EPAA foca em jogadores individuais, medindo quanto mais ou menos um jogador pode marcar em comparação com um jogador médio.

Essa abordagem é parecida com um método estatístico usado no beisebol. No beisebol, uma métrica comum analisa quantas corridas um jogador contribui sobre um jogador médio. Adaptamos essa ideia para o basquete para refletir a contribuição esperada de pontos de um jogador.

Para avaliar tanto times quanto jogadores, analisamos onde os arremessos são feitos na quadra e com que frequência eles são bem-sucedidos. Usamos regiões na quadra para classificar arremessos, levando em conta diferentes valores de pontos. Por exemplo, um arremesso de três pontos vale mais que um de dois. Nosso foco não é em como os times se comparam, mas sim em avaliar jogadores individuais em relação a um jogador médio.

#Dados Usados para Análise

Para essa análise, reunimos dados extensos da NBA, incluindo tentativas de arremessos de campo e lances livres para cada jogo da temporada 2008-2009 até a 2020-2021. Esse conjunto de dados inclui mais de 2,6 milhões de tentativas de arremesso e nos ajuda a analisar os hábitos de arremesso dos jogadores em várias regiões da quadra.

Exploramos sete regiões ofensivas: arremessos de três pontos acima da linha, três pontos do canto esquerdo, três pontos do canto direito, arremessos na área pintada, arremessos de média distância, arremessos da área restrita e lances livres. Cada região oferece diferentes oportunidades de pontuação, e entender os padrões de arremesso ajuda a medir o desempenho.

#Medindo o Desempenho do Time

Para medir o desempenho do time, definimos a que região cada arremesso pertence e rastreamos o número de tentativas e arremessos bem-sucedidos feitos por cada time. Agrupamos os times com base em seus comportamentos de arremesso, permitindo comparar seus pontos esperados por jogo com base em seus padrões de arremesso.

Usando nossos modelos, conseguimos determinar os pontos esperados para cada time durante a temporada 2020-21. Isso envolve prever quantos pontos um time marcaria com base em suas tentativas de arremesso e taxas de sucesso enquanto mantemos o total de arremessos constante para comparação.

#Medindo o Desempenho do Jogador: EPAA

Quando avaliamos jogadores individuais usando EPAA, calculamos quantos pontos eles marcariam em comparação com um jogador médio fazendo o mesmo número de arremessos. Essa comparação permite que os times identifiquem jogadores valiosos que contribuem significativamente além do que é esperado.

Ao focar nos principais arremessadores da liga, conseguimos obter insights sobre como eles se saem em relação à média. Por exemplo, nossa análise de jogadores durante a temporada 2020-2021 pode mostrar como os melhores desempenhos se comparam entre si em termos de pontos acima da média.

#Comparando Jogadores ao Longo do Tempo

Um aspecto fascinante da nossa análise é acompanhar os jogadores ao longo de suas carreiras. Ao examinar o EPAA para os principais jogadores ao longo de várias temporadas, conseguimos ver tendências e quedas no desempenho, o que oferece insights sobre suas carreiras no contexto de seus colegas.

Esses dados também podem revelar quais jogadores podem estar subvalorizados com base em sua eficiência de arremesso, incentivando os times a reconhecerem talentos que podem passar despercebidos.

#Relação com Métricas Existentes

Nossa pesquisa também destaca como o EPAA se relaciona com métricas existentes como PER e BPM. Embora essas métricas mostrem correlações positivas com o EPAA, elas não se sobrepõem completamente. Isso indica que o EPAA captura elementos únicos da eficiência ofensiva de um jogador que podem estar ausentes nos métodos tradicionais.

#Aplicações Futuras e Pesquisa

A metodologia que desenvolvemos poderia se estender além do basquete, potencialmente aplicando os mesmos conceitos para analisar desempenhos de jogadores em esportes como futebol ou futebol. Ao adotar análises semelhantes, times de vários esportes poderiam se beneficiar de melhores ferramentas de avaliação de jogadores.

Além disso, disponibilizar nossos dados e métodos apoia uma compreensão mais ampla e pode levar a novas descobertas sobre o desempenho de jogadores e estratégias de time.

#Conclusão

Nesta análise, introduzimos um modelo bayesiano hierárquico que ajuda a avaliar jogadores e times da NBA com base em seus comportamentos de arremesso. Ao desenvolver métricas como pontos esperados e pontos esperados acima da média, oferecemos novas ferramentas para que os times avaliem efetivamente as contribuições dos jogadores.

Nossa pesquisa está alinhada com os três principais objetivos da análise esportiva: avaliar contribuições individuais, melhorar as chances de um time vencer e medir a dinâmica do jogo. Com essas novas métricas, os times podem identificar melhor talentos e refinar estratégias, melhorando sua vantagem competitiva.

À medida que o basquete continua a evoluir, ferramentas que fornecem insights mais profundos sobre o desempenho dos jogadores permanecerão inestimáveis. Seja para vencer jogos ou identificar jogadores subvalorizados, essas métricas equipam os times com as informações de que precisam para ter sucesso.

#Investigação Adicional

Mais pesquisas e explorações são necessárias para aprimorar essas métricas e entender completamente suas implicações. Isso pode envolver análises de sensibilidade mais profundas para ver como mudanças nos dados e parâmetros do modelo afetam os resultados, garantindo robustez nas avaliações dos jogadores.

À medida que avançamos, compartilhar essas informações abertamente incentiva investigações e colaborações adicionais, abrindo caminho para novas descobertas no esporte do basquete e além.