En el siguiente artículo hablamos de cómo la estadística se utiliza hasta en el mundo del deporte, tal y como se puede ver en la película Moneyball (2011), donde equipos deportivos utilizan datos estadísticos para decidir qué jugadores contratar para su equipo de beisbol.
El año pasado debutó en el cine la película Moneyball (2011) obteniendo seis nominaciones a los Premios de la Academia 2012. La película se basa en el libro “Moneyball: el arte de ganar un juego injusto” escrito en 2003 por Michael Lewis. Este libro narra la historia del gerente general de los Atléticos de Oakland, Billy Beane, quien se fijó el objetivo de hacer las mejores selecciones en el draft de jugadores para la temporada 2002 de la MLB, con la limitante de un bajo presupuesto. Para tomar las decisiones de contrataciones de jugadores utilizó estrategias analíticas que se basan en los porcentajes de embasado, dejando a un lado otros criterios y métodos convencionales utilizados.
Por medio de esta metodología Billy Beane logró llevar a su equipo a la postemporada durante 4 temporadas seguidas y nuevamente este año. Este último siendo el equipo con la nómina más baja de las ligas mayores según ESPN con $52’872,500 (el día de apertura), comparado a los $132’276,000 de Detroit (quien los eliminara en semifinales) y a los $200’203,004 de Nueva York –el equipo más costoso.
Con el precedente de los logros obtenidos por Billy Beane y sus colaboradores, otros equipos de la Liga Mayor de Beisbol (MLB por sus siglas en ingles) comenzaron a prestar atención a la sabermetría –es decir el análisis estadístico de los datos generados por la MLB. El término viene de las siglas de la Society for American Baseball Research (SABR). En general, la sabermetía busca maximizar los juegos ganados, basados en la optimización de recursos económicos por medio de la contratación de jugadores con base a la estadística; y no en la popularidad, imagen u otros factores comúnmente utilizados.
El nombre más sonado en cuanto a los orígenes de las ideas sabermétricas, y quien de hecho acuñó el término, es Bill James. James publicó varias ediciones de artículos llamados “Abstractos de Beisbol”, en los cuales se analizaba el desempeño de los jugadores. El principal tema de sus artículos eran las estadísticas obtenidas por los jugadores en la temporada anterior. A partir de estas publicaciones el tema empezó a ser más popular tanto entre los fanáticos del beisbol como entre los jugadores y dueños de equipos, generando más literatura al respecto.
Para evaluar el desempeño de los jugadores se calculan estadísticas de picheo, bateo y fildeo, obteniendo así a través de fórmulas establecidas, los porcentajes de cada jugador. Mediante un análisis matemático y estadístico de los registros históricos de cada jugador, la sabermetría evalúa las mediciones individuales y colectivas obtenidas de juegos anteriores. De esta manera, se determina el efecto que éstas tuvieron en el resultado de dichos juegos, y se prevén combinaciones de porcentajes de los jugadores que hagan que el equipo consiga hacer un mayor número de carreras.
La sabermetría basa sus cálculos en fórmulas para lanzadores, bateadores y defensores. He aquí algunos ejemplos de fórmulas utilizadas con este fin:
Esta fórmula mide el porcentaje de embase que registra un jugador. Mide qué tan frecuente es que el jugador llegue a la base, siempre y cuando esto no haya sido originado por un error de otro jugador.
OBP=(H+BB+HBP)/(AB+BB+HBP+SF)
Donde:
Esta es una aportación estadística de Bill James para estimar el número de carreras que un bateador contribuye a su equipo.
RC=((H+BB) TB)/(AB+BB)
Mediante esta fórmula creada por Tom Tango, se mide la efectividad de un lanzador con base en el trabajo realizado sólo por él, sin implicar a los jardineros. Considera porcentajes que estén sólo bajo el control del lanzador.
FIP=(13HR+3BB-2K)/IP+3.10
Estos estadísticos y muchos otros basados en formulas como el TA (Total Average), PCT (Player Career Total), BOP (Base Out Percentage); incluyendo algunas ya establecidas y otras desarrolladas o adaptadas para el uso de su equipo en particular, son utilizadas para evaluar el desempeño de los jugadores. Todos estos son métricos diseñados para obtener información relevante de un repositorio de información tan grande como el generado por 750 jugadores por temporada, divididos en 30 equipos, cada uno con 162 juegos por temporada, más información de jugadores de ligas menores o ligas extranjeras, juegos de pretemporada; y considerando información intrínseca del juego o externa (como el clima o la hora).
Al hacer un análisis sabermétrico, no se deja de lado ninguno de los aspectos que envuelven al jugador en cuestión. Se examinan las cualidades físicas del mismo, sus porcentajes en el pasado y el aporte económico que este jugador puede significar para el equipo. Si bien desde hace años se han utilizado medidas para evaluar algunos factores de desempeño de los beisbolistas, lo que la sabermetría busca es incluir en esas calificaciones factores que pudieron hacer la diferencia en ese desempeño.
Una vez teniendo los indicadores de desempeño de cada jugador, se utilizan varios métodos para encontrar la combinación de jugadores que daría al equipo los mejores resultados. Ejemplo de esto es el “teorema de Pitágoras del beisbol”, el cual permite determinar cuánto cambiaría el número de juegos ganados o perdidos si un determinado jugador fuera cambiado a otro equipo. Esto basado en la contribución que el jugador tuvo a los partidos ganados del equipo en la temporada pasada.
También puede hacerse uso de análisis de regresión con el fin de evidenciar el peso que cada variable tiene en el resultado óptimo de la ecuación. Si lo que se buscara predecir es el número de carreras que el equipo va a crear, debe buscarse la combinación que mejor describe la importancia que la variable descrita tiene en la ecuación.
Otro método utilizado es la Simulación Monte Carlo, que consiste en simular una situación utilizando un ordenador para generar posibles resultados de la misma. La gran ventaja que estas simulaciones aportan al beisbol, es la posibilidad de predecir a partir de una combinación de eventos con una probabilidad asignada, el resultado que aquello arrojaría, incluyendo además del desempeño de los jugadores, factores como el clima.
A partir de la contratación de Bill James en 2002, los Red Sox de Boston obtuvieron el campeonato de Béisbol de las Ligas Mayores en 2004 (después de 86 años sin lograrlo) y nuevamente en 2007. Esta por demás decir que al igual que los Red Sox, muchos otros equipos hacen hoy en día uso de la estadística como herramienta para mejorar sus resultados deportivos.
Por la importante aportación que brinda la estadística al deporte, no sólo el béisbol la utiliza para la toma de decisiones, sino que son cada vez más los equipos deportivos que consideran el historial estadístico de sus jugadores para evaluar la aportación que estos tendrían en su estrategia. Sin embargo, no todos los afectos al deporte consideran la sabermetría una fórmula para el éxito. Esta opinión se fundamenta en que si bien varios equipos han adoptado este método para mejorar eficientemente sus resultados, la variación que aportan los jugadores por ser estos como seres humanos propensos a cambios físicos, psicológicos o anímicos, crea una diferencia entre el resultado que proponen las fórmulas y el real.
Considerando ambas posturas y la aportación que el análisis estadístico puede contribuir al deporte, el balance entre la experiencia y el uso de métodos analíticos para la toma de decisiones sería la combinación ideal para obtener mejores resultados. Al igual que en los deportes, cualquier negocio u organización puede hacer más para crecer en conocimiento, para crecer en inteligencia. De ahí la inteligencia de negocios, que por medio de estadística y métricos busca generar valor de los miles de millones de terabytes de información contenida en servidores distribuidos en todo el mundo.
Referencias:
Moneyball. Dir. Bennett Miller. Sony Pictures, 2011.
Merriam Webster Dictionary. http://www.merriam-webster.com/dictionary/sabermetrics
Francisco Merejo, “Historia de la Sabermetría”.
Gabriel B. Costa, M. R. (2008). Understanding Sabermetrics: An Introduction to the Science of Baseball Statistics. McFarland.
Winston, W. L. (2009). Mathletics. Princeton University Press.
* Tangotiger. (2011). Payroll v Wins, in the Moneyball era (2002-2011). http://goo.gl/xAgI1.