Draft 2022 – Usando Analytics para projetar os prospectos

Matheus Gonzaga projeta o desempenho dos prospectos do recrutamento deste ano

Draft 2022 Analytics Fonte: Ezra Shaw / AFP

O Draft 2022 da NBA será realizado nesta quinta-feira (23) e, o Layups & Threes traz ao público do Jumper Brasil uma projeção dos prospectos por meio de um modelo de Analytics.

Incerteza. Essa é provavelmente a palavra que melhor define o que é o Draft da NBA. Nunca sabemos o que um jogador vai se tornar na liga antes de seu recrutamento. Atletas considerados escolhas certeiras podem não render nada em quadra. Por outro lado, jogadores virtualmente desconhecidos podem se tornar lendas do esporte. Assim, muitas variáveis influenciam no sucesso ou não de um jogador, desde seus pontos fortes e fracos a aspectos como personalidade, ética de trabalho e situação em que foi colocado.

Dessa forma, é naturalmente difícil o processo das equipes definirem quem devem escolher ou não, e projetar quais serão suas habilidades futuramente. Um bom scouting, por exemplo, seguido de entrevistas e workouts, são as principais ferramentas para responder essas perguntas. Contudo, o analytics tem se mostrado um importante aliado nesse processo.

Diversos times da NBA apresentam modelos estatísticos para tentar predizer qual será o desempenho de prospectos na liga a partir de seus dados e estatísticas no College/ligas internacionais. É claro que modelos com esses não são perfeitos (nenhum modelo estatístico é) e apresentam projeções equivocadas. Porém, ainda assim, eles apresentam uma precisão relevante, e que ajuda a ter uma ideia do que esperar de determinado jogador.

Modelo de analytics para o Draft 2022

De modo a ilustrar como esses modelos funcionam, e trazer um pouco de informação do que esperar de jogadores da classe do Draft de 2022, criamos um modelo de analytics para avaliar o desempenho esperado dos prospectos a partir de seus números no basquete universitário. O nosso sistema é, com certeza, bem mais simples e inferior aos das franquias, mas ainda assim apresentou uma precisão interessante.

Antes de mais nada, vale dizer que diversos jogadores irão ter performances muito diferentes do que os nossos números indicam, seja para bem ou para mal. Como já falamos, fatores externos a seus números em quadra e atributos físicos têm grande impacto no desempenho, e não são considerados a partir do viés analítico.

Enxergue os números que apresentaremos como o valor esperado do desempenho do jogador a partir de como prospectos similares no passado se saíram na NBA, e não como uma predição de futurologia. Portanto, vamos falar sobre nossos dados.

O escopo do nosso modelo de analytics é o basquete universitário, ou seja, só estão incorporados jogadores que atuaram no College antes de se inscreverem no Draft 2022. Dessa forma, prospectos como Shaedon Sharpe, Dyson Daniels e Ousmane Dieng não farão parte dessa análise.

Os motivos de fazermos isso são bem pragmáticos. Em primeiro lugar, obter dados de prospectos espalhados pelo mundo é extremamente difícil. E, em segundo, não é justo colocar na mesma caixa ligas diferentes na hora de predizer o que a performance nela iria refletir na NBA.

Para criar esse sistema, utilizamos estatísticas de jogadores draftados do basquete universitário para a NBA nos últimos dez anos obtidas do site barttovik.com. O nosso objetivo foi “prever” alguns números desses jogadores na liga usando as informações sobre eles. Vamos, então, às variáveis usadas.

Variáveis

As nossas variáveis resposta (o que tentamos prever) foram:

Cremos que esses números indicam bastante sobre a performance de um jogador na NBA atual. No entanto, admito que faltaram indicadores de defesa de perímetro, o que é extremamente difícil de avaliar a partir de números.

Assim, para realizar essa difícil tarefa de projetar desempenho de prospectos foram utilizadas variáveis específicas para cada uma das métricas em estudo. Ou seja, as variáveis que usamos para predizer eficiência finalizando no aro, por exemplo, não foram as mesmas que foram consideradas para prever o desempenho em pull up threes. De qualquer modo, os atributos utilizados em ao menos um dos modelos foram:

Leia Mais

Escolhemos, para cada modelo, as variáveis que, a partir de análises descritivas e do senso comum, demonstraram ter impacto no desempenho de prospectos. Por exemplo, para predizer o aproveitamento no aro, utilizamos quantidade de anos no college, altura, enterradas feitas, volume e aproveitamento em arremessos curtos na NCAA. Em contrapartida, para predizer o desempenho em catch & shoot do perímetro utilizamos o tempo de College, aproveitamento e volume na meia distância, aproveitamento e volume de três pontos e aproveitamento de lances livres (que foi a variável mais impactante).

Não vou entrar muito na área técnica e na metodologia estatística/computacional do nosso sistema, mas, caso interesse aos curiosos e pessoas da área, utilizamos uma técnica de modelagem chamada XGBoost, que foi implementada no software RStudio para fazer esse processo. Portanto, caso alguém deseje saber mais sobre esse lado mais teórico, pode entrar em contato que respondo com o maior prazer. Além disso, os códigos estão disponíveis em https://github.com/mathgonzaga/NBADraftModel.

Ao ajustarmos o modelo usando os jogadores antigos, decidimos avaliar a qualidade dele. Para isso, usamos uma estratégia de validação cruzada temporal (utilizamos várias combinações de jogadores desse conjunto para predizer os demais do mesmo). Dessa forma obtivemos estimativas de sua precisão. 

Draft Model Metrics

Draft 2022 Analytics

Matheus Gonzaga

O MAE é, basicamente, o erro médio do modelo. Isto é, o modelo de aproveitamento de pull ups do perímetro erra em média em 2.57% o aproveitamento real dos jogadores. O MAPE , por sua vez, indic  quão grande é esse número, considerando a escala da variável (no caso, 0.086  indica que, em geral, o erro do modelo é de 8% da média da variável).

Veja que todos os modelos são ao menos razoáveis, especialmente os de proteção de aro e de eficiência de arremessos, que foram realmente bons. Por outro lado, os de rebotes e assistências tiveram desempenho inferior.

É claro que poucos números preditos serão de elite, pois números altíssimos são raros e quase sempre não são o mais provável que ocorra para um atleta específico.

Portanto, sem mais delongas, vamos às predições dos prospectos da classe de 2022 do Draft da NBA por meio do Analytics:

Draft 2022 Analytics

Gráfico / Matheus Gonzaga

 

Draft 2022 Analytics

Matheus Gonzaga

 

Draft 2022 Analytics

Gráfico / Matheus Gonzaga

 

Projeções

Nas projeções de assistências, o modelo destaca Dalen Terry, Andrew Nembhard e Wendell Moore. Curiosamente, Scotty Pippen Jr., cotado para o fim da segunda rodada, aparece bem nessa projeção. Além disso, Jake LaRavia e Keegan Murray apresentam projeções enquanto passadores acima dos padrões de suas posições.

Em rebotes ofensivos, Christian Koloko, Mark Williams e EJ Liddell se destacam, enquanto nos de defesa, os dois primeiros se mantêm no topo, seguidos de Chet Holmgren.

Em infiltrações, o maior desempenho projetado é o de Jeremy Sochan, com uma marca excelente, seguido por Holmgren e LaRavia.

Na bola de três, o modelo acredita que Jalen Duren irá se desenvolver e ter sucesso (algo inesperado) e que jogadores como Collin Gillespie, Izaiah Brockington, Tari Eason e Keon Ellis serão bons arremessadores no catch-and-shoot. Nos pull ups, um dos destaques é Malaki Branham.

Em finalizações no aro, Jaylin Williams, Sochan, Kendall Brown, Johnny Juzang e Holmgren se destacam. Em floaters, por sua vez, os destaques são Makur Maker, Kofi Cockburn, Dereon Seabron, Jaylin, Eason, Nembhard e Juzang. Já na meia distância, o provável melhor da classe é Cockburn, seguido por Collin Gillepsie e AJ Griffin.

Por fim, alguns pivôs da classe são vistos com potencial de elite em termos de proteção de aro, especialmente Walker Kessler, Holmgren e Mark Williams. Koloko também tem uma marca excelente, e Paolo Banchero é outro que aparece como um possível bom defensor no garrafão.

Prospectos de elite

Falando dos principais nomes do Draft 2022, Jabari Smith é visto como um jogador ofensivo all around. Ele possui diversas marcas boas, mas nenhuma ótima. Smith se projeta como um arremessador acima da média, com certo potencial após o drible, um finalizador decente e um passador bom para sua posição, mas nada espetacular.

Chet Holmgren, por sua vez, é visto como um protetor de aro que pode ser um dos melhores da liga, além de ótimo reboteiro ofensivo e bom finalizador no aro, até em infiltrações. Entretanto, o modelo não acredita em seu arremesso de três pontos e nem o vê como um grande criador de jogadas.

Em contrapartida, Paolo Banchero é visto como um passador valioso, com potencial para ser um bom protetor de aro, e com um arremesso decente. Entretanto, nosso algoritmo crê que será um pontuador bem ineficiente.

Jaden Ivey é visto como um passador razoável, e um bom arremessador em catch and shoot, mas sem muita projeção de arremessos após o drible, além de uma capacidade de finalização no aro apenas mediana para um armador.

Outros prospectos

Keegan Murray se projeta como bom passador mas chutador e finalizador mediano. 

Curiosamente, o modelo não acredita que AJ Griffin se manterá um grande arremessador na NBA, apesar de sua histórica temporada universitária no quesito.

Jalen Duren é visto como um finalizador e protetor de aro decente, bom reboteiro e com um potencial no arremesso.

Johnny Davis é visto como um bom arremessador de spot up, mas ineficiente no resto de seu jogo, enquanto Jeremy Sochan é visto como um excelente infiltrador.

Além disso, Mark Williams é projetado como bom protetor de aro e reboteiro, Tari Eason como um ótimo arremessador em spot up e que ainda traz certa proteção de aro para um ala

Já Ochai Agbaji se projeta como um arremessador decente, diferente de EJ Liddell, que não é muito querido pelo algoritmo. Malaki Branham, outro lado, aparenta ser um arremessador com potencial tanto em catch-and-shoot quanto após o drible, e um bom finalizador para um guard.

Nomes como Jake LaRavia, Andrew Nembhard, Collin Gillepsie, Kofi Cockburn e Johnny Juzang não apresentam grande expectativa. Entretanto, são muito bem vistos em diversas facetas no modelo, sendo indicados como potenciais steals no Draft.

Conclusão

É claro que projeções como essas não fazem as equipes mudarem seus alvos, mas podem servir como indicadores de jogadores a se prestar mais atenção. Ou então acender alguns sinais amarelos quanto a outros, podendo agregar informações junto a um scouting mais aprofundando em certos aspectos, e ter um peso maior com relação a jogadores na segunda rodada.

Enfim, o Draft é extremamente impreciso e, com certeza, ao menos um desses jogadores vai exceder muito o que projetamos para ele em alguma área. Mas isso é uma constante para scouting, entrevistas, workouts…  Toda avaliação de prospectos é imprecisa.

O uso do Analytics é uma ferramenta que pode ser útil nesse processo, ou seja, é mais uma fonte de informações que pode ajudar os times da NBA a selecionarem melhor na noite do Draft 2022.

* Por Matheus Gonzaga (Layups & Threes)

Assine o canal Jumper Brasil no Youtube

Todas as informações da NBA estão no canal Jumper Brasil. Análises, estatísticas e dicas. Inscreva-se, dê o seu like e ative as notificações para não perder nada do nosso conteúdo.

Siga o Jumper Brasil em suas redes sociais e discuta conosco o que de melhor acontece na NBA: 

Instagram
Twitter
Facebook
Grupo no Whatsapp
Canal no Telegram

Últimas Notícias

Comentários