"how a player plays rather than how well they play"

Todavía en España leo a analistas que obvian o desconocen todo esto (¿el yugo del clickbait?), ensalzando la gran o la pobre actuación de los jugadores, algo que en los círculos serios ya saben y no le dan demasiado bombo.

Este año, después de mi incursión por los datos de la Summer League, me vi con fuerzas y con los conocimientos suficientes para comprobar por mí mismo si esto sigue siendo así. Cogí los mismos criterios de Owen (mínimo 50 minutos en la primera Summer League, 250 en la temporada rookie) y, ya que tenía datos para dar y regalar, lo apliqué a todos los años de histórico que la NBA permitía. Mi tesis era que, con más años de muestra, la fiabilidad iba a bajar, o que esta temporada 2025-26 había sido diferente (y si soy franco, esperaba descubrir precisamente eso). De paso, sumé la Valoración FIBA a la gráfica. El gráfico de abajo ordena cada estadística de más a menos fiable.

Lo que descubrí es muy relevante: que los datos de entonces siguen siendo relevantes y que mi tesis se equivocó, o para ser más exactos, mi esperanza de tesis.

Los tapones per 36 (0.54) y los rebotes ofensivos per 36 (0.54) son casi idénticos a los suyos (0.56 y 0.51); las asistencias per 36 (0.53) bajan un poco frente al suyo (0.58), seguramente por haber metido muchos más años en el análisis. Pero el dato que yo esperaba (la verdad que no sé por qué, quizás mis afanes de gloria) y que tira por tierra mis esperanzas es el ratio de tiros de tres puntos: 0.73 frente al 0.70 de Owen. No es que baje o se mantenga, sino que sube tres puntos.

Las estadísticas de todo en uno, como el PER de Hollinger, siguen donde siempre: entre las últimas de la lista (0.10). Mejor suerte corren la valoración (VAL) y el Daily RAPM Estimate (DRE) con un 0.16 y un 0.12 respectivamente.

Datos que he desechado por irrelevantes: 3P% (0.03), +/- per 36 (0.02) y MPG (0.00).

Pero hay un dato que me ha dejado loco. Seguro que a ti también.

Los Fantasy Points

Ni la Valoración FIBA, ni el PER de Hollinger, ni el DRE (siglas de Daily RAPM Estimate) creada por Kevin Ferrigan, ni el Game Score se acercan. Fantasy Points per 361 es, con diferencia, la estadística todo en uno más fiable de toda la gráfica: 0.25. Las demás se quedan rondando el 0.10 y el 0.12. Y Fantasy Points ni siquiera está pensada para evaluar a un jugador en serio: es una fórmula hecha para las fantasis, sin ningún afán analítico detrás, o por lo menos hasta donde yo sé.

Porque mi teoría, sin haberla comprobado del todo (como dije), es que Fantasy Points reparte peso entre categorías que ya sabemos que son sticky por separado (rebotes, asistencias, robos, tapones), sin castigar tanto la ineficiencia de tiro como sí hacen PER, Game Score o DRE. Y como el tiro es precisamente lo menos fiable en la Summer League, al quitar el castigo por desacierto podría ser lo que la hace más o menos fiable para la temporada rookie.

Podemos ver que Dybantsa lidera por volumen, puntos y stocks (robos + tapones) a la vez, es como un tractor. Zuby Ejiofor, noveno (es una máquina de dobles dobles), solo 18 puntos por 36, de los más bajos del top 10, pero los 12,5 rebotes lo meten igualmente entre los mejores. Kingston Flemings entra en el top con solo 14 puntos, pero reparte 9,4 asistencias. Caleb Wilson lidera la tabla en pérdidas, 6,8 por 36, y aun así se sostiene tercero.

Lo que confirma su alto R²: las stats de mayor peso (rebote, tapón, asistencia) coinciden casi uno a uno con las categorías que el propio gráfico ya marcaba como sticky al principio, y solo la inclusión de los puntos la distorsiona, pero los demás valores están premiando lo que se mantiene con mayor transferencia de la Summer League a la temporada rookie.

Vamos con jugadores que seguro nos interesan

Sergio de Larrea repartió casi 12 asistencias por 36 minutos en la Summer League. Si el patrón se cumple, el modelo predice que estará por las 7,5 asistencias por 36, un dato que cualquier plantilla de la NBA se daría de leches por tenerla; seguro que el cuerpo técnico de Dallas ya está trabajando en ello. Y aunque pueda sonar a mucho, no debería sorprender: entre ACB y Euroliga, en la temporada 2025-26 ya rondaba las 7,2-7,3 asistencias per 36, casi el mismo número que predice el modelo para su año de rookie.

Aday Mara ha tenido una Summer League un poco, no sé cómo llamarla; empezó más o menos bien, pero en algunos partidos su actitud dejó mucho que desear, incluso le vi defendiendo con los ojos. En tapones per 36, su Summer League predice un rookie rondando los 1,7.

Y en rebotes, algo más de 7,7. Nada espectacular, para un jugador que con sus manos y su físico tendría que poner y coger los tapones y rebotes por castigo.

Y ahora vamos con la anomalía Hugo González. Podríamos decir: si el modelo predice tan bien, ¿por qué ese dato? En su primera Summer League tuvo mucho volumen: mucho triple intentado (percentil 85), mucho tiro libre generado (percentil 80), un +/- alto. Pero ese volumen venía con tara: de los peores de toda la muestra en eficiencia, PER en el percentil 13 (pues sí, todo se mira), TS% y 2P% por debajo del 20, y encima perdiendo muchísimos balones.

En su temporada rookie, el perfil cambió completamente. Ya no fue el receptor del mismo volumen: fue de los más eficientes por posesión de todo el equipo, con 2P% y eFG% en el percentil 85 y un +/- que llegó al percentil 97 (la turra que nos dieron con eso), su mejor dato de la temporada. A cambio, redujo muchísimo su protagonismo: menos tiros, menos asistencias, y un problema serio en tiros libres (percentil 4,5) que en la Summer League ni se olía.

Y aquí mi análisis: no me parece una mejoría de Hugo solamente. Parece más bien el maquillaje de un cuerpo técnico, que le recortó a propósito, para que al bajarle el volumen de lo que más problema le generaba, se centrara en lo que sí sabía hacer bien. Menos balón en las manos, menos margen para fallar, más eficiencia.

Se dice que una de las estrategias de los cuerpos técnicos en la Summer League consiste en hinchar de volumen a ciertos jugadores, y ver a partir de qué punto el cansancio les baja la eficiencia. Si fue lo que pasó con Hugo, la temporada rookie no fue un capricho técnico: fue corregir, con conocimiento, el gap que le habían encontrado en Las Vegas.

Y aquí el detalle que refuerza el recorte de rol, no de cambio de tipo de jugador: el ratio de intentos de triple, o sea, qué proporción de sus tiros son de tres, es casi perfecta, muy cerca de la línea de tendencia. No perdió su etiqueta de tirador, fue el número de tiros que le tocaba lo que cambió.

Veremos si ese régimen de balones se mantiene, o si algo cambia, cuando hablemos más adelante de su segunda Summer League.

Lideres en Sticky Stats

La tabla de abajo recoge a los líderes en puntos, aunque no sea una de las que más te puedas fiar, y menos en un caso como el de Dybantsa. Bajo mi punto de vista, es un encaje que habrá que ver cómo gestionan (que seguro que lo hacen) con Young y Davis. Él mismo (Dybantsa) ya lo comentó tras el partido de su debut en Vegas: estima que su sitio estaría más bien como el manejador de balón extra, el anotador de recambio cuando ellos necesiten descanso, no el epicentro del ataque en el quinteto; pero bueno, no vamos a ser talibanes de la estadística y siempre es interesante saber quién metió más.

Después he puesto las seis sticky stats más fiables del gráfico, juntando las de tiro y las de rebote y ajustando el ranking, con el filtro habitual de 50 minutos jugados y con los datos de todas las sedes de este verano.

Algunas cosas de la tabla: la dictadura de Sergio de Larrea liderando las asistencias, 11,1 AST/36. De ahí la gran proyección que vimos antes.

Aday Mara maquilla un poco con el rebote total. Con ORB+TRB queda 6º en TRB/36 con 10,5, por detrás de nombres como Zuby Ejiofor, Chris Cenac Jr. y Trevon Brazile. Así que lo de “nada espectacular” que dije antes tengo que envainarlo un poco: en el rebote ofensivo específico se queda corto, pero en el total ahí está el tío.

Darius Acuff Jr., muy sólido: 6º en puntos (26,6) y 8º en asistencias (5,9).

Seguro que has visto un dato que te ha llamado la atención, y sí, es correcto: AJ Dybantsa solo jugó en Vegas (2 partidos, 50,7 min), y en esos registró 0 rebotes ofensivos frente a 14 defensivos (14 total). No, no es un error de los datos, es que no cogió ninguno: su 9,9 en TRB per 36 es todo defensivo, cero ofensivo.

Tenía la esperanza de que iba a poder llevarle la contraria a Owen, o por lo menos una bajada en sus números. Quería demostrar que quizás, con el paso del tiempo, esa tendencia terminaba desapareciendo. Pero me equivoqué por completo: no solo no se ha diluido, sino que se ha vuelto muchísimo más clara.

Al agregar la Valoración FIBA, el PER y el DRE, resulta que la fórmula más simple de todas, la que usan las ligas de fantasy, es la que mejor sobrevive cuando pasamos de los experimentos de Las Vegas a los partidos de verdad. Al final, el dato mata el relato (y la esperanza).

Deja un comentario

Esta es la segunda entrega, la que corresponde a lo sucedido en Sin City, y para evitar que se cumpliera lo que se suele decir: “lo que pasa en Las Vegas se queda en Las Vegas”, me devané los sesos hasta encontrar la manera de darlo a conocer.

El caso es que, al contrario de como compartí los datos en la Salt Lake y en la California (donde bastaba con tirar de las estadísticas acumuladas de los tres días de competición), estaba claro que aquí no lo podía compartir de la misma manera; en Las Vegas cada partido es como una temporada en sí misma, y no quería que cualquier actuación que se saliera de madre, por lo bueno o por lo malo, terminara diluyéndose en un promedio general.

¿Cuál era entonces esa manera? Unir los boxscores de los partidos que se jugaban cada día; ordenarlos en un ranking y, además, aportar ese plus de “esto lo hago yo y nadie más” (del que mi ego es incapaz de abstraerse); dividirlos en dos enfoques: Rookies y General.

En la primera parte del tutorial contaba que la librería hoopR no funcionaba y tuve que buscarme la vida. Tenía la esperanza de que no funcionaba para la Salt Lake y para la California, por ser ligas menores (películas que me hacía) y que para Las Vegas sí tendría que funcionar; pero tampoco lo hizo. Lo primero que hice fue preguntarle a Claude (sí, eso hice), si habían reportado algún error de la librería. Me contestó algo, pero tampoco me detuve a leer un texto tan largo, porque la impaciencia por conseguir los datos lo antes posible hizo que mi mente buscara otra vía y pasara de página. Para resumir un drama (así lo estaba viviendo yo) que fue más largo tratando de averiguar qué era lo que estaba pasando, Claude se enrocó en explicaciones sobre la posibilidad de que tuviera la IP bloqueada y que tenía que olvidarme de stats.nba y que debía sacar la información desde cdn.nba o, tirar directamente de ESPN.

Primer día

Aún así tenía 2 días más para encontrar una solución; de momento, y aunque no fuera mi objetivo final ni mucho menos, podía tirar de las estadísticas generales porque solo se había jugado un partido. Si vas a X, te darás cuenta de ello.

También se puede notar que cambié el DRE por el VAL (valoración), sobre todo porque el DRE es muy restrictivo con las malas estadísticas y me destacaba jugadores que nadie conocía o por los que nadie tenía ningún interés. No quería darmelas de gurú o de nicho y destacar a desconocidos tampoco iba a ayudar a que nadie los conociera o despertar interes en ellos; así de claro.

Para conseguir estos datos cambié dos parámetros del link: DraftYear=2026 y LeagueID=15. Un dato: si tenemos interés en algún draft en particular, podemos poner el año que necesitemos:

url <- "https://stats.nba.com/stats/leaguedashplayerstats?College=&Conference=&Country=&DateFrom=&DateTo=&Division=&DraftPick=&DraftYear=2026&GameScope=&GameSegment=&Height=&LastNGames=0&LeagueID=15&Location=&MeasureType=Base&Month=0&OpponentTeamID=0&Outcome=&PORound=0&PaceAdjust=N&PerMode=Totals&Period=0&PlayerExperience=&PlayerPosition=&PlusMinus=N&Rank=N&Season=2026&SeasonSegment=&SeasonType=Regular%20Season&ShotClockRange=&StarterBench=&TeamID=0&TwoWay=&VsConference=&VsDivision=&Weight="

Usé el mismo código que en la California y en la Salt Lake City que publiqué en el tutorial anterior, pero solo de Rookies (como ya dije, iba buscando lo que interesaba), y si quieres repasar cómo lo hice, aquí tienes el enlace de la primera parte:

Segundo día

En el día dos hice lo que se suele llamar liada máxima. Como podéis imaginar, yo lo que buscaba era sacar las estadísticas del segundo día desde el listado general (todavía no había encontrado el json de los boxscores), pero filtrarlas por los jugadores que habían jugado el segundo día. La idea de bombero que se me ocurrió fue: busco el calendario; filtro los partidos de ese día; uno mediante un join los equipos que habían jugado; hago la tabla (casi nada).

Buscando por la web de la NBA mediante el botón inspeccionar encontré este endpoint:

https://core-api.nba.com/cp/api/v1.9/feeds/gamecardfeed?gamedate=07/11/2026&platform=web"

Una vez que ya tenía el link creamos la función get_gamecards, que recibe una fecha y la convierte al formato que pide la API de la NBA para construir la URL del feed de ese día. Con esa URL hacemos la petición GET con las cabeceras necesarias y convertimos la respuesta JSON en una lista de R con fromJSON.

Dentro de esa lista, raw$modules[[1]]$cards guarda las tarjetas de cada partido. Recorremos cada una con map_dfr, sacamos su cardData y montamos una fila con el id del partido, la fecha, el estado del encuentro y los códigos y puntuaciones de ambos equipos. Al terminar tenemos un tibble con un partido por fila.

La segunda parte del código carga el histórico guardado en data/summer_games.csv, pide los partidos de ayer y los une con bind_rows, pasando antes el gameId del histórico a texto para que coincida con el de los nuevos datos. Si un partido ya estaba guardado, por ejemplo porque el script corrió dos veces el mismo día, distinct(gameId, .keep_all = TRUE) se queda con la primera aparición y tira el resto. Todo vuelve a escribirse en el mismo CSV.

Así queda montado para correr cada día, sumar los partidos que faltan y no arrastrar filas repetidas:

El resultado es ¿era? este, un csv con los marcadores; pero esto en si mismo tampoco es como: wow; en fin.

Con este csv tampoco se puede hacer mucho hay que transformarlo para poder hacer un join:

calendario <- read_csv("data/summer_games.csv") %>%
  filter(fecha == Sys.Date() - 1) |>
  rename(
    team_abbreviation = home,
    versus = away,
    puntos = homePts,
    puntos_versus = awayPts
  ) %>%
  rbind(read_csv("data/summer_games.csv") %>%
          filter(fecha == Sys.Date() - 1) |>
          rename(
            team_abbreviation = away,
            versus = home,
            puntos = awayPts,
            puntos_versus = homePts
          )) %>%
  mutate(
    dif = puntos - puntos_versus,
    fancy_scor = paste0(
      "vs. ", versus, " ",
      ifelse(dif > 0,
             paste0("<span style='color:forestgreen'>(W +", dif, ")</span>"),
             paste0("<span style='color:firebrick'>(L ", dif, ")</span>")
      )
    )
  )

Solo un friendly reminder de que todo esto que estoy explicando fue el quilombo que armé para aislar los partidos del segundo día.

Entonces dejé solo los partidos de ayer (fecha == Sys.Date() - 1). Ese filtrado lo hice dos veces, una vez leyendo el CSV con los nombres de columna tal cual (home, away, homePts, awayPts) y renombrándolos desde la perspectiva del equipo local: team_abbreviation es el equipo, versus es el rival, puntos son sus puntos y puntos_versus los del contrario.

La segunda lectura del mismo CSV hace lo mismo pero al revés, renombrando desde la perspectiva del visitante: ahora team_abbreviation es el away y versus es el home. Las dos versiones se unen con rbind, así que al final cada partido aparece dos veces en el resultado, una fila por equipo, con sus propios puntos primero y los del rival después. Es la forma habitual de pasar de un dataset “un partido por fila” a uno “un equipo por fila”, necesario si luego quieres agrupar o listar por equipo en vez de por enfrentamiento.

Con los datos ya en ese formato, el mutate calcula la diferencia de puntos (dif) y construye fancy_scor, un texto en HTML que dice contra quién jugó y el resultado, coloreado en verde con una “W” si gana o en rojo con una “L” si pierde, listo para insertarse directamente en una tabla que interprete HTML (como las que haces con gt).

Usé el data frame calendario y eliminé los de NAS como filtro:

Resto de días

Se había acabado el tiempo, llegaba el momento del tercer día y fui a lo fácil: me puse a preguntar a todo bicho (IA) ¿viviente? cuál era el endpoint de los boxscores de la NBA, y después de aproximaciones varias, ChatGPT (sin suscripción) me dio la mejor respuesta. Y esta fue:

https://cdn.nba.com/static/json/VEGAS/liveData/boxscore/boxscore_", game_id, ".json

A partir de aquí lo tenía facil solo hacer una función con los ids de los partidos de ese día. Además encontré, ese día estaba de suerte, un endpoint con los calendarios sin tener que hacer malavares por jsons infinitos

Como se puede ver, le puse los 3 ids de las ligas de verano porque soy un diógenes y me gusta almacenar todo tipo de datos, por ejemplo, los resultados (ya ves tú) de las summer leagues del 2026.

Anyway, el caso es que para mi infortunio, el eclipse del 12/08/2026 vino un día antes, y el enlace para los boxscores de Las Vegas, justo hoy que la NBA ha anunciado el calendario, ha dejado de funcionar, así que para qué explicar una parte que funcionaba y que desde hoy no lo hace.

Los suscriptores premium me acompañarán a ver cómo es el proceso sencillo, o por lo menos más sencillo con un bloque con el código completo además de un bloque extra para extraer las tablas: Traditional, Advanced, Four Factors, Misc, Scoring, USG y sobre todo, los Play by Play.

Entonces esta forma es: poner un día cualquiera de los correspondientes a las ligas de verano, y con esos ids extraemos los boxscores de ese día con la función summer_league, y en este bloque lo uno todo.

Por ahorrar espacio, he ido dejando los comentarios dentro del propio bloque de código, así que puedes copiarlo y pegarlo tal cual en tu script:

Bonus Tracks

Y ahora los remates finales, ¿qué haríamos con todo esto? Pues aquí está el verdadero premio: prácticamente todo lo que necesitas para calcular lo que se te ocurra. Así que, primero, el bloque extra para extraer las tablas: Traditional, Advanced, Four Factors, Misc, Scoring, USG:

Así llegan los datos en crudo antes de maquearlos; esto es una pequeña captura de todo lo que hay dentro de Four Factors.

Y así llegan los datos en crudo correspondiente a todo lo que hay dentro del data frame USG%.

Y ahora para finalizar la madre del cordero, el código que extrae el Play by Play:

Todo esto que acabas de ver, y cómo se consigue, es prácticamente todo lo necesario para construir las tablas que suelo publicar en X.

Al final, lo más complicado no fue escribir el código. Fue encontrar dónde estaban los datos y entender cómo estaban organizados. Una vez resuelto eso, las tablas eran casi la parte fácil. Espero que sobre todo este tutorial merezca el dinero que vale y haya sido entretenido. Muchas gracias por llegar hasta aquí.

Suscríbete ahora

Compartir

La verdad es que no tenía pensado cubrir la Summer League, lo único que revoloteaba en mi cabeza era sacar una tabla un día, otra tabla otro, pero sin más ambición. Sobre todo porque soy un ¿cómo decirlo? fan de la Summer, pero por motivos variopintos, como por ejemplo: en lugar de analizar jugadores mi entretenimiento radica en intentar adivinar que están evaluando los equipos, o mejor dicho; que estarán entresacando de esto los fríos y calculadores scouts. Pero ¿a quién pretendo engañar a estas alturas? por lo que sea, nunca lo adivino.

El caso es que yo, para conseguir los datos de la NBA, uso, o mejor dicho… usaba, o aún más concretamente… abusaba, de la librería hoopR(), pero:

Pues eso, que da error y lejos de venirme abajo, fui directo a la página de la NBA en busca de endpoints para extraer la info: alguien tenía que hacerlo (pero qué se han creído).

La Summer se divide en tres competiciones, las dos primeras, la Salt Lake City (julio 4-7) y la California Classic (julio 3-6), que se disputan casi simultáneas, y la tercera, Las Vegas Summer League, que es la competición principal. En la primera el anfitrión es Utah, que invita a tres más; en la segunda, organizada por los Sacramento Kings y los Golden State Warriors, invita a otros seis. En Las Vegas Summer League están representados todos los equipos.

Entonces, lo primero que hice (como ya dije más arriba) fue ir a la página de la Salt Lake City. Tengo que decir que una de las razones, entre otras mil, por las que me encanta la NBA es que comparte la información de Synergy Stats de manera gratuita, información que en otras ligas tienen unos pocos privilegiados (y pagando)

Una vez allí, vamos a la tabla de Player Stats y botón derecho, inspeccionar.

Con esta tabla cargada en el navegador, en la pestaña de Red, buscamos cualquier petición que contenga "playerstats", y ahí aparece lo que buscaba, esperándonos.

Lo siguiente es ir a Encabezados y seleccionar la url de solicitud (y sí, esa cosa tan larga y fea es lo que hay que copiar). Un detalle: si te fijas, esa url es tan larga porque contiene todos los filtros de la tabla.

Debajo de esa url está la cabecera de solicitud completa, que también copiamos:

Vale, ahora que ya tenemos todo, iniciamos el script cargando las librerías, ajustando el día de la extracción, creando, si no está creada, la carpeta data (que es donde irán los csvs) y pegando los headers, porque la API de la NBA protege sus datos. Si detecta que un código automático (un robot) intenta entrar, lo bloquea. Los headers simulan que la petición la está haciendo una persona usando un navegador web (Google Chrome en un Mac).

library(dplyr)
library(janitor)
library(hablar)
library(httr)
library(jsonlite)

# Obtener la fecha de hoy
hoy <- Sys.Date()

# Asegúrar de que exista la carpeta de salida de datos
if (!dir.exists("data")) dir.create("data")

# Cabeceras
headers <- c(
  "accept" = "*/*",
  "accept-encoding" = "gzip, deflate, br, zstd",
  "accept-language" = "es-ES,es;q=0.9,en;q=0.8",
  "cache-control" = "no-cache",
  "connection" = "keep-alive",
  "host" = "stats.nba.com",
  "origin" = "https://www.nba.com",
  "pragma" = "no-cache",
  "referer" = "https://www.nba.com/",
  "sec-ch-ua" = "\"Google Chrome\";v=\"149\", \"Chromium\";v=\"149\", \"Not)A;Brand\";v=\"24\"",
  "sec-ch-ua-mobile" = "?0",
  "sec-ch-ua-platform" = "\"macOS\"",
  "sec-fetch-dest" = "empty",
  "sec-fetch-mode" = "cors",
  "sec-fetch-site" = "same-site",
  "user-agent" = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/149.0.0.0 Safari/537.36"
)

Sabiendo dónde y cómo esta la info, empezamos por la California Classic así que pegamos su url de solicitud. La función GET() conecta con el enlace oficial de las estadísticas de la NBA usando el "disfraz" (headers) anterior. La web responde con un archivo de texto codificado (JSON), y fromJSON() lo traduce a un formato que R puede entender (listas y tablas).

# California Classic ------------------------------------------------------

# Url de solicitud de la California Classic
url <- "https://stats.nba.com/stats/leaguedashplayerstats?College=&Conference=&Country=&DateFrom=&DateTo=&Division=&DraftPick=&DraftYear=&GameScope=&GameSegment=&Height=&LastNGames=0&LeagueID=13&Location=&MeasureType=Base&Month=0&OpponentTeamID=0&Outcome=&PORound=0&PaceAdjust=N&PerMode=Totals&Period=0&PlayerExperience=&PlayerPosition=&PlusMinus=N&Rank=N&Season=2026&SeasonSegment=&SeasonType=Regular%20Season&ShotClockRange=&StarterBench=&TeamID=0&TwoWay=&VsConference=&VsDivision=&Weight="

# añadimos a la petición GET los headers de solicitud
res <- GET(url = url, add_headers(.headers=headers))

# lo convertimos a json
json_resp <- fromJSON(content(res, "text"))

# unimos nombres de columna con los datos
as_tibble(json_resp$resultSets$rowSet[[1]],
          .name_repair = ~json_resp$resultSets$headers[[1]]) %>%
  retype() %>%       # ajustamos si son letras o numeros de cada columna
  clean_names() %>%  # limpiamos los nombres de columna
  write.csv(paste0("data/summer_california_general", gsub("-", "_", today), ".csv"), row.names = F)  # guardamos csv con fecha

Lo guardamos todo en un csv por si pasa cualquier cosa (básicamente porque no es necesario ser más pirata de la cuenta, haciendo peticiones al servidor continuamente). Si todo ha salido bien, veremos una tabla así.

Si os fijáis, en la url, en la parte que pone LeagueID=13&, el 13 corresponde con el número de liga. Por resumir, ya digo yo que el 13 es la California Classic (por eso lo de empezar por la California, porque intento ser un tío ordenado), el 16 es la Salt Lake City y el 15 es Las Vegas. Entonces, para no complicarnos mucho… bueno, ni mucho ni poco, para conseguir los datos de la otra liga copiamos todo y cambiamos el 13 de LeagueId por el 16, y damos, lógicamente, otro nombre al csv.

# Salt Lake City ----------------------------------------------------------



url_salt <- "https://stats.nba.com/stats/leaguedashplayerstats?College=&Conference=&Country=&DateFrom=&DateTo=&Division=&DraftPick=&DraftYear=&GameScope=&GameSegment=&Height=&LastNGames=0&LeagueID=16&Location=&MeasureType=Base&Month=0&OpponentTeamID=0&Outcome=&PORound=0&PaceAdjust=N&PerMode=Totals&Period=0&PlayerExperience=&PlayerPosition=&PlusMinus=N&Rank=N&Season=2026&SeasonSegment=&SeasonType=Regular%20Season&ShotClockRange=&StarterBench=&TeamID=0&TwoWay=&VsConference=&VsDivision=&Weight="


res <- GET(url = url_salt, add_headers(.headers=headers))
json_resp <- fromJSON(content(res, "text"))


as_tibble(json_resp$resultSets$rowSet[[1]],
          .name_repair = ~json_resp$resultSets$headers[[1]]) %>%
  retype() %>%
  clean_names() %>%
  write.csv(paste0("data/summer_saltlake_general", gsub("-", "_", today), ".csv"), row.names = F)

Una vez que ya tenemos los datos, pasamos a modificarlos: leyendo los csvs y juntándolos con rbind, ajustando los tipos, limpiando cabeceras y unificando los equipos del California Classic (Golden State juega ahí dividido en BLUE y GOLD, así que los volvimos a agrupar bajo GSW), y seleccionando con transmute(), que es una mezcla entre select() y mutate(). Como vamos a usar los logotipos de equipo cuadrados que he creado en GitHub, definimos las rutas a los logos para usarlos en la tabla. También creamos las columnas para el DRE y la Valoración, entre otras.

El DRE (Daily RAPM Estimate) no es cosa mía: lo creó Kevin Ferrigan, que lo lanzó en Nylon Calculus hace once años, antes de actualizarlo en 2017.

#cargar librerias
library(tidyverse)
library(gt)
library(gtExtras)
library(gtUtils)



# hacemos rbind con los dos csvs
df –> read_csv("data/summer_saltlake_general2026_07_23.csv") %>%
  rbind(read_csv("data/summer_california_general2026_07_23.csv")) %>%
  #filter(player_name %in% summer_vegas_rookies2026_07_20) |>
  retype() %>%
  clean_names() %>%
  transmute(
    logo = case_when(team_abbreviation == "GWG" ~ "GSW",
                     team_abbreviation == "GWB" ~ "GSW",
                     .default = team_abbreviation
    ),
    logo = paste0("https://raw.githubusercontent.com/IvoVillanueva/NBA/refs/heads/main/logos_cuadrados/", logo, ".png"),
    player_name,
    fancy_scor,
    min = as.numeric(lubridate::duration(min)),
    pts,
    reb,
    oreb = rebounds_offensive,
    dreb = rebounds_defensive,
    ast,
    tov,
    stl,
    blk,
    pf,
    fgm,
    fga,
    fg3m,
    fg3a,
    ftm,
    fta,
    plus_minus,
    dre = (.79 * pts - .72 * (fga - fg3a) - .55 * fg3a - .16 * fta + .13 * oreb + .40 * dreb + .54 * ast + 1.68 * stl + .76 * blk - 1.36 * tov - .11 * pf),
    val = (pts + reb + ast + stl + blk + pfd) -
      (fga - fgm) - (fta - ftm) - tov - blka - pf,
    dre_percentil = round(percent_rank(dre)*100,1)
  ) %>%
  mutate(
    fgm = paste0(fgm, "/", fga),
    fg3m = paste0(fg3m, "/", fg3a),
    ftm = paste0(ftm, "/", fta)
  ) %>%
  arrange(desc(val)) %>%
  # take top 20
  filter(row_number() <= 20) 

Sacamos hasta el top 20 porque, además, visualmente tiene la virtud de dejarnos la tabla cuadrada para que nos encaje bien con las publicaciones de X.

Ahora que ya tenemos toda la info podemos crear la tabla. Empezamos por lo básico e iremos añadiendo capas.

Como se ve, aún queda mucho por hacer. Aunque los datos ya se ven bien, hay que dar forma, por ejemplo, a la columna de los logos, porque ahora solo se ven los enlaces directos que hemos creado. Vamos también a añadir título y subtítulo.

df %>%
  gt() %>%
  tab_header(
    title = md("<div style='display: flex; align-items: left; justify-content: left; height: 34px; text-align: center; font-weight: 600; font-size: 32px;'>
  <img src='https://upload.wikimedia.org/wikipedia/en/2/27/NBA_Summer_League_logo.png' style='padding-right: 12px; height: 34px;'>
  <span>Los Mejores del primer día de Summer League</span></div>"),
    subtitle = "Los 20 mejores en DRE de la Salt Lake City Summer league y la California Classic"
  ) %>%
  gt_img_rows(columns = logo, height = 30)

Queda muy bien y seguramente a muchos (sobre todo a los de “done is better than perfect”) ya les valdría. Pero aún podemos mejorar la tabla mucho.

Como se puede observar en el título, he metido un código html para enriquecerlo y poner el logo de la summer centrado. Los logos han cambiado gracias a la función gt_img_rows(columns = logo, height = 30). A continuación, vamos a maquillar los nombres de las columnas para que queden iguales, intentando que sean de 3 letras.

df %>%
  gt() %>%
  tab_header(
    title = md("<div style='display: flex; align-items: left; justify-content: left; height: 34px; text-align: center; font-weight: 600; font-size: 32px;'>
  <img src='https://upload.wikimedia.org/wikipedia/en/2/27/NBA_Summer_League_logo.png' style='padding-right: 12px; height: 34px;'>
  <span>Los Mejores del primer día de Summer League</span></div>"),
    subtitle = "Los 20 mejores en DRE de la Salt Lake City Summer league y la California Classic"
  ) %>%
  gt_img_rows(columns = logo, height = 30) %>%
  cols_label(
    logo = "",
    player_name = "Player",
    min = "MIN",
    pts = "PTS",
    reb = "REB",
    ast = "AST",
    tov = "TOV",
    stl = "STL",
    blk = "BLK",
    fgm = "FGM/A",
    fg3m = "3PM/A",
    ftm = "FTM/A",
    plus_minus = "+/-",
    dre = "DRE"
  )

Mejorando.

Ahora, vamos a ponerle el signo + a los números positivos de la columna del “+/-” y dejar en una cifra los valores del DRE y de los minutos.

df %>%
  gt() %>%
  tab_header(
    title = md("<div style='display: flex; align-items: left; justify-content: left; height: 34px; text-align: center; font-weight: 600; font-size: 32px;'>
  <img src='https://upload.wikimedia.org/wikipedia/en/2/27/NBA_Summer_League_logo.png' style='padding-right: 12px; height: 34px;'>
  <span>Los Mejores del primer día de Summer League</span></div>"),
    subtitle = "Los 20 mejores en DRE de la Salt Lake City Summer league y la California Classic"
  ) %>%
  gt_img_rows(columns = logo, height = 30) %>%
  cols_label(
    logo = "",
    player_name = "Player",
    min = "MIN",
    pts = "PTS",
    reb = "REB",
    ast = "AST",
    tov = "TOV",
    stl = "STL",
    blk = "BLK",
    fgm = "FGM/A",
    fg3m = "3PM/A",
    ftm = "FTM/A",
    plus_minus = "+/-",
    dre = "DRE"
  ) %>%
  fmt_number(plus_minus, force_sign = T, decimals = 0) %>%
  fmt_number(dre, decimals = 1) 

Perfecto, se ve bien. Podríamos dejarla así y estaría perfectamente bien.

Pero para dejarla según mis estándares, vamos a añadir algunos toques finales. Coloreamos la columna DRE, añadimos franjas a las filas y hacemos algunos ajustes en las options de la tabla, hasta que quede clean, clean, y añadimos la función gt_save_crop() de la librería gtUtils(), con la que guardamos la tabla.

df %>%
  gt() %>%
  tab_header(
    title = md("<div style='display: flex; align-items: left; justify-content: left; height: 34px; text-align: center; font-weight: 600; font-size: 32px;'>
  <img src='https://upload.wikimedia.org/wikipedia/en/2/27/NBA_Summer_League_logo.png' style='padding-right: 12px; height: 34px;'>
  <span>Los Mejores del primer día de Summer League</span></div>"),
    subtitle = "Los 20 mejores en DRE de la Salt Lake City Summer league y la California Classic"
  ) %>%
  gt_img_rows(columns = logo, height = 30) %>%
  cols_label(
    logo = "",
    player_name = "Player",
    min = "MIN",
    pts = "PTS",
    reb = "REB",
    ast = "AST",
    tov = "TOV",
    stl = "STL",
    blk = "BLK",
    fgm = "FGM/A",
    fg3m = "3PM/A",
    ftm = "FTM/A",
    plus_minus = "+/-",
    dre = "DRE"
  ) %>%
  fmt_number(plus_minus, force_sign = T, decimals = 0) %>%
  fmt_number(columns = c(dre,min), decimals = 1) %>%
  data_color(
    columns = "dre",
    alpha = .75,
    reverse = F,
    palette = "ggsci::blue_grey_material")  %>%
  tab_options(
    data_row.padding = "0px",
    table.font.names = "Bebas Neue",
    table_body.hlines.color = "transparent",
    column_labels.border.top.color = "black",
    column_labels.border.top.width = px(1),
    column_labels.border.bottom.style = "none",
    column_labels.font.weight = "strong",
    row_group.border.top.style = "none",
    row_group.border.top.color = "black",
    row_group.border.bottom.width = px(1),
    row_group.border.bottom.color = "black",
    row_group.border.bottom.style = "solid",
    row_group.padding = px(1.5),
    heading.align = "left",
    heading.border.bottom.style = "none",
    table_body.border.top.style = "none",
    table_body.border.bottom.color = "white",
    table.border.bottom.style = "none",
    table.border.top.style = "none",
    source_notes.border.lr.style = "none"
  ) %>%
  # save table
  gt_save_crop(paste0("png/summer_league_", Sys.Date(), ".png"), whitespace = 100, zoom = 2)

Está ¿feo? que yo lo diga (bueno, eso dicen, que no se debe ensalzar las cosas de uno, que es de vanidoso), pero creo que el resultado es espectacular. Sin embargo, aun estando muy satisfecho, quería ir más allá: publicar la información diaria de lo que quedaba, completa, no solo la media acumulada; aunque eso, con suerte, solo me reportara los tres likes de mis colegas.

La Salt Lake y la California son 3 días y empezaba la madre de todas las Summer League: la de Las Vegas, ahí tendría que esforzarme más y dar con la manera de gestionar la info. Y era un reto que, para qué nos vamos a engañar, me intimidaba mucho, sacar diariamente los mejores jugadores y mostrarlo haciendo dos gráficas: una para los Rookies y otra para todos en general.

Hasta ese momento era fácil, porque bueno, eran 3 partidos y con la tabla de estadísticas valía para ofrecer la información. Pero Las Vegas iban a ser 11 días y quería dar una info, no ya que no ofreciera nadie, porque de hecho, si lo ofrece mucha gente; sino publicarla diariamente y que más allá de lo muy reseñable, cualquiera pudiera fijarse en su jugador favorito y de paso sorprender, o para ser más exactos, levantar curiosidad o admiración, por mi trabajo.

El método que encontré para dominar ese toro que era sobrevivir a los once días de Sin City (Las Vegas) es un secreto que me guardo para la próxima entrega: un post premium, paso a paso (como este), reservado para los mecenas que hacen posible que este proyecto siga vivo. Si tú también quieres dar el paso, sumarte a ellos y descubrir cómo domé al Miura, te espero con los brazos abiertos.

Muchas gracias por llegar hasta aquí

El partido se decidió en el último cuarto, y se decidió al revés de cómo iba escrito. Empate a 47 al descanso. Boozer metió diez de sus 19 puntos en el tercero, incluido un triple sobre la bocina que dejó a Memphis diez arriba entrando al último periodo. Ahí Golden State ganó el parcial 28-14 y dio la vuelta a un partido que parecía cerrado. Memphis tuvo una última bola para forzar la prórroga y la perdió en el saque de banda. Boozer y Coward acabaron con 19 cada uno, la misma cifra con la que el número 3 del draft cerró casi toda la Summer League, sobresaliente sin ruido, otra vez.

Antes de la final, en los dos partidos de consolación que ya no decidían nada, aparecieron los nombres que rara vez llegan a estas líneas. Dain Dainja, un pívot de 2,06 que se pasó la temporada jugando 50 partidos para el filial de Memphis en G League, promediando 13 puntos y 6 rebotes sin que nadie fuera de Sioux Falls se enterara, metió un mate a dos manos que sí se enteró todo el mundo. John Ukomadu, de la Eastern Kentucky que casi nadie sabe situar en el mapa, excepto mi compañeor Eloy;cerró con 18 puntos, 2 robos y 2 tapones, y remató con un alley-oop de espaldas como colofón estetivo para su verano en la pista.

En los Rookies quitando a los de la final, no jugó ni Perry, y por lo visto L. Jones desjugó

Yaxel Lendeborg tuvo una tarde más discreta sobre el papel, 15 puntos con un 5 de 8 en tiros de campo, pero fueron los que llevaron a los Warriors a la final. Acertó sus tres tiros libres cuando el marcador lo necesitaba, en el 92-88 sobre los Lakers que corta la única racha de invictos que quedaba en el torneo.

Al otro lado del bracket, Memphis no dejó dudas. Cedric Coward anotó 28 puntos con 4 triples para llevar a los Grizzlies a la final, sin necesitar que Cameron Boozer que volvió a firmar un doble-doble como ese tractor, de marca Luka Bozic, que va despacio pero que cuando te quieres dar cuenta ya ha arado el huerto. Dos días antes, tras la paliza a Atlanta que les clasificó para semifinales, Coward resumió: "Sabíamos que había mucho en juego, y jugamos como tal." De su compañero de 18 años (Boozer) dijo algo que se ha repetido tanto esta semana que ya suena a estribillo: "No puedo creer que tenga esa edad." Memphis no gana un título de Summer League desde 2019, y en 2024 llegó a la final para perderla en la prórroga contra los Heat. Mañana tendran la revancha, contra los Warriors de Lendeborg. Qué buen enfrentamiento.

Adou Thiero, con opciones de pelear el puesto de Marcus Smart en la rotación de los Lakers, firmó la mejor línea de la noche en cualquier tabla: 18 puntos, 10 rebotes y 9 asistencias, a un pase del triple-doble, en la derrota ante los Warriors. La final es mañana. Warriors contra Grizzlies, un cuadro que nadie hubiera adivinado hace diez días y que ahora se juega, para uno de los dos, cerrar el verano con el único resultado que de verdad se recuerda.

Hannes Steinbach no ganó, pero dejó su tercer doble-doble en cinco partidos: 22 puntos y 11 rebotes con un 70% de acierto en tiros de campo, frente a unos Kings que se llevaron el partido en el último cuarto. Sacramento remontó con una jugada que es el sueño de cualquiera un un partido decisivo: Emanuel Sharp y Jonathan Mogbo convirtieron un robo en mate al otro extremo de la cancha, y Adam Flagler lo remató con un triple desde 7 metros a dos minutos del final. 92-90.

Ebuka Okorie metió 28 puntos en el partido que cerraba el 1-4 de Detroit, fue el máximo anotador de la noche, en la derrota ante Miami. Bueno, pues ahi queda como anecdota

Meleek Thomas acabó la semana como la empezó, anotando. 24 puntos en la victoria de Cleveland sobre Chicago, que sentó a Caleb Wilson y Dailyn Swain, en el partido que ya no tenía nada en juego. Con 27,3 puntos de media en el verano, la Summer de Thomas ha convencido por ejemplo a Tom Crean de ESPN: no ha forzado jugadas bajo presión, ha tomado buenas decisiones, y tiene base en su futuro.

El partido más completo de la jornada lo hizo Sean Pedulla, sin ser rookie de este draft: 24 puntos, 11 asistencias y 6 robos en la prórroga con la que Clippers superó a Minnesota, 128-120. Norchad Omier completó doble-doble con 20 y 15, y Keaton Wagler anotó 26 puntos a la misma victoria, tres lactuaciones que llegaron un día tarde

Sergio De Larrea no jugó. Load management, con los Mavericks ya sin nada por lo que pelear, como si ese hubiera sido alguna vez su objetivo; pelar digo: que ya te digo yo que no. Llegaba a ese partido después de que su equipo publicara en redes el lema "Larry will find you", la colección de pases imposibles de su partido de 14 asistencias. "Sergio siempre busca crear para otros antes que para sí mismo", decía Poulakidas esa misma noche. Todo esto después de una semana en la que Sam Vecenie, de The Athletic, lo llamó el mejor pasador de todo el torneo.

Esta racha de cuartos sin casi anotar no sé qué tipo de criatura están creando. Ayer hablábamos del cuarto de cuatro puntos que sufrió Sacramento contra Boston, pues hoy ya no es récord. Atlanta anotó dos en el primer cuarto contra Memphis, 1 de 13 en tiros de campo, y los Grizzlies acabaron el parcial 32-2. Cameron Boozer no se conformó con la exhibición defensiva de su equipo: cerró con 24 puntos, 7 rebotes y 3 asistencias, incluida una asistencia de manual a Carson Cooper que resume por qué en Memphis hablan de él como algo más que un ala-pívot de anotación. Con la victoria, 96-64, los Grizzlies pillan billete a semifinales.

Por si a alguien le interesa: se completa así el cuadro. Lakers, Rockets, Grizzlies y Warriors jugarán por el título, y los cuatro llegaron por caminos distintos. Los Lakers resolvieron con reparto coral, seis anotadores de dobles dígitos, 24 asistencias en 32 canastas, ante un Caleb Wilson que sigue firmando un verano de los que venden camisetas luego: 23,5 puntos, 7,3 rebotes y 2,5 tapones de media en sus cuatro partidos, con 50% en tiros de campo y 42% en triples. Houston certificó su billete con Bruce Thornton (23 puntos) y Tristen Newton (20) llevando el peso en el perímetro. Golden State entró por la puerta de atrás, ganando a los Knicks (qué malos son los jodíos) y esperando el resultado de Portland-Denver para confirmar la cuarta plaza, que llegó cuando los Blazers cerraron la noche con triunfo sobre los Nuggets.

Sergio De Larrea firmó 9 rebotes y 14 asistencias, la mejor noche de un base en cualquier partido, con Dallas anotando 34 puntos directamente desde sus pases. Formó dupla de alley-oops con Kaodirichi Akobundu-Ehiogu, que además protagonizó tres mates seguidos por encima del aro en los primeros minutos del partido. “KO, tenemos una conexión muy buena”, dijo De Larrea después. Los Mavericks ganaron 97-87 y empatan su récord a dos victorias y dos derrotas.

Toronto llegó a los playoffs, o lo que en Summer League hace de playoffs, sin necesitarlos: Allen Graves anotó 23 puntos con 4 triples ante el Heat, mientras que al otro lado Jahmir Young intentó cargarse el partido a la espalda con 30 puntos, 12 rebotes y 5 triples propios, sin éxito. Yang Hansen, con 13 puntos, 5 rebotes y 4 tapones, terminó el día como lo empezó Portland, siendo el nombre que más dudas resuelve para quien todavía no sabe si su verano se traduce en algo cuando llegue octubre. Los Blazers ganaron 108-101 y con ese resultado condenaron a Denver a quedarse fuera de semifinales.

González hizo 24 puntos, 10 rebotes y 5 asistencias, el mejor partido de lo que lleva del verano. El año pasado, mejor dicho la temporada pasada, en una entrevista le preguntaron por la faceta del juego donde menos cómodo se sentía y él confesó que era la creación de puntos tras bote. Se le vio bien en este aspecto en la fase de clasificación al Mundial FIBA: el balón ya no le pesa tanto, y eso se nota tanto en el tiro como en el pase. Chris Cenac Jr. le acompañó con 10 puntos y 12 rebotes en la victoria, 82-76.

En Phoenix, Khaman Maluach a lo suyo. Otro doble-doble, 24 puntos y 15 rebotes (@MovistarEstudiantes), para llevar a los Suns al 3-1. Rasheer Fleming sumó 22 y 8, y Koa Peat (para alegría de Enrique Peidro) aportó 19 puntos con el mejor más/menos del partido, +19. Detroit perdió pese a los 24 de Brice Williams.

Milwaukee necesitaba una victoria y la obtuvo. Nate Ament firmó 23 puntos para dar a los Bucks su primer triunfo del torneo tras empezar 0-3, superando a un Hannes Steinbach que también hizo lo suyo: 27 puntos y 15 rebotes en la derrota.

En Orlando, Jase Richardson anotó 25 con un 10 de 15 en tiros, y llegó a construir una ventaja de 30 puntos sobre Philadelphia antes de que los Sixers recortaran hasta quedarse a cuatro en el tramo final. Noah Penda completó línea espectacular: 10 puntos, 6 rebotes, 6 asistencias, 3 tapones.

Cleveland superó a New Orleans con Malaki Branham por encima de Markquis Nowell, y San Antonio ganó a Utah con Ja’Kobi Gillespie y Hyunjung Lee combinando 47 puntos, en la noche en que Darryn Peterson volvía a la pista tras su ausencia con un 4/16. ¡Ay cuando venga Paco con las rebajas y vea su USG% reducido...!

Antes de empezar con el post me gustaría aconsejar que leyeraís el mágnifico artículo de Ensayos de Básquet que se incluye como cierre de la revista

Ensayos de Básquet

#81 - Anthony Bennett: cuando ser número uno se vuelve un castigo

Esta pieza está incluida en el último número de la revista Fab Five Magazine, donde cubren y miman mejor que nadie todo aquello relacionado con la NCAA…

Read more

2 months ago · 4 likes · Ensayos de Básquet

Los 4 Fantásticos

Cómo nos lo hemos pasado este año, vaya temporada y qué pedazos de jugadores a mi modo de ver hemos disfrutado. Boozer es, tras Durant en 2007, Davis en 2012, Zion en 2019 y Flagg el año pasado, el quinto freshman que gana el National Player of the Year. He escuchado, o por lo menos eso es lo que a mí se me ha quedado, que esta clase tiene un techo no muy alto, porque ninguno sería número uno con Flagg, por ejemplo, sino que es horizontalmente buena en su techo y normalita en su suelo. Cinco nombres en cuarenta años, dos seguidos. O algo se ha movido en los relojes del baloncesto universitario, o esta generación es distinta. Al lado de Boozer hay otros tres con producción de primer pick.

Los números de Dybantsa, Peterson, Boozer y Wilson en su temporada previa al draft caben en la tabla de los últimos veinticuatro números uno sin que ninguno desentone. Boozer firma 22,5 puntos, 10,2 rebotes y 4,1 asistencias, una línea que en la tabla solo iguala Banchero. Peterson promedia 20,2 puntos en sus 24 partidos antes de la lesión, lo mismo que Bogut y Edwards en sus temporadas completas. Wilson rebotea como Anthony Davis. Dybantsa anota 25,3 puntos por partido en BYU, una cifra que en NCAA no se ha visto en un número uno en las últimas dos décadas.

Hay una línea en la tabla que sigue mandando, los 30,4 puntos y 9,7 rebotes de LeBron James. Conviene recordar que esos números son de un hombre jugando contra críos de guardería. La pena es que veintitrés temporadas después no podemos comparar a un freshman con Bron, porque sigue siendo un hombre jugando contra críos.

Aquí entra un matiz que conviene no perder de vista. Que le leí a Parker Fleming: “Un jugador es lo que se le pide que haga”. Y si has visto los partidos de esta temporada has visto que Boozer rebotea como un pívot porque en Duke juega de cinco, pegado al aro. Wilson tira 27 triples en toda la temporada porque en UNC le piden que sea agresivo y ataque al aro. Peterson lleva el balón cada posesión porque Kansas lo construyó como base. Las cifras de la tabla retratan lo que les pidieron, no quiénes son, o quiénes pudieran ser. Quien quiera juzgarlos por encima de eso tiene que mirar más adentro.

Suscríbete ahora

Y eso es lo especial de esta clase. No son cuatro versiones del mismo jugador peleando por el uno. Son cuatro retratos distintos que caben en el mismo club. La pregunta deja de ser quiénes son los candidatos. Pasa a ser qué tipo de jugador es cada uno.

Diez fuentes, cuatro nombres

He elegido ocho boards públicos y dos por suscripción que pago, que colocan a los mismos cuatro nombres en los primeros cuatro puestos. Dybantsa, Peterson, Boozer y Wilson se mueven dentro de ese grupo y casi no salen de él, y la gran mayoría los coloca así. El recorrido de cada uno, la distancia entre el puesto más alto y el más bajo que recibe, no pasa de dos en ninguno. A partir del quinto, las fuentes se sueltan. Wagler aparece entre el 5 y el 9, Brown entre el 5 y el 13, Ament entre el 6 y el 16. Arriba hay consenso, abajo cada uno mira a otro sitio.

Una fuente, como era de esperar, por lo menos yo lo esperaba, rompe la foto; y es la que más interesa. El big board de John Hollinger en The Athletic se construye con un modelo, no con ojo y vídeo como el resto. Su orden de la cima no coincide con el de nadie. Pone a Boozer primero y a Dybantsa segundo, al revés que las nueve fuentes de scouting, y baja a Peterson hasta el cuarto puesto. Los números quieren a Boozer. Los ojos y los highlights prefieren a Dybantsa.

Esa discrepancia no es ruido. Es la primera pista de que estos jugadores no se valoran igual según cómo los mires. El modelo premia la producción y la eficiencia de Boozer, que son enormes. El scouting valora el techo y la autocreación de Dybantsa, que el dato bruto no captura igual de bien. Quién va primero depende de qué pregunta le hagas a la temporada.

El gráfico no puede ser más claro. Los cuatro de arriba caben en un pañuelo, el resto se desparrama. Por eso este artículo se detiene en esos cuatro. No son los cuatro mejores por nuestro gusto personal (el mío), son los cuatro que todas las fuentes, de ojo o de modelo, colocan arriba.

Mismo escalón, distintos roles

Voy a evitar que los minutos jugados nos modifiquen la producción de puntos y voy a igualarlos a 40 minutos. Los cuatro candidatos pasan de los 23 puntos por cada 40 minutos. Dybantsa llega a 29, la cifra más alta, y los otros tres se mueven en una franja estrecha por debajo. Si solo nos fijáramos en cuánto anotan, no habría debate ni duda ninguna. Anotan todos, anotan mucho y algunos hasta bonito.

El reparto del resto los empieza a distinguir. Boozer domina el rebote, sobre todo el ofensivo, con números de pívot que vive pegado al aro. Peterson reparte como base, con el balón en las manos casi cada posesión. Dybantsa carga el peso anotador. Wilson produce sin ser primera opción.

Aclaremos lo de Peterson antes de seguir. Sus 624 minutos (¿los que ha querido jugar?) en 22 partidos son la mitad que los de Dybantsa o Boozer, por una ¿lesión? que le frenó el arranque. Todo lo que digamos de él se apoya en menos partidos, y eso es un factor que modifica las comparaciones posteriores.

La producción bruta deja claro que los cuatro están en el mismo escalón. Para saber qué tipo de jugador es cada uno hay que mirar cómo llegan a esos puntos, no cuántos suman.

Cómo y desde dónde

Anotar mucho y anotar bien no caen en el mismo jugador. Boozer es el más eficiente del grupo, con un TS% cercano al 67 que ninguno alcanza. Dybantsa, que es el que más tira, queda por debajo de él y también de Wilson. El cuadrante de mucho volumen y mucho acierto se queda vacío. El que carga la anotación paga más por cada punto.

El perfil de tiro fija el rol. Boozer acierta dentro y desde fuera, un 41% en triples con volumen, algo que no se espera de alguien que rebotea como un cinco. Wilson castiga cerca del aro, pero su triple es un 26% sobre 27 intentos en toda la temporada, así que no amenaza desde lejos. Peterson y Dybantsa se sostienen desde la línea sin ser especialistas.

El tiro libre mira al futuro más que al presente. Peterson acierta el 82%, mala opción para hacerle falta.

Mismo nivel de anotación, perfiles opuestos de cómo y desde dónde. Queda la pregunta que lo ordena todo, quién se fabrica esos tiros.

Quién se fabrica su tiro

Una canasta no vale lo mismo si te la fabricas que si te la sirven, al menos a mí me indica una cualidad: eres un creador o un finalizador. Contamos qué parte de los tiros de cada uno llegó sin asistencia, partido por zona, leyendo posesión a posesión.

El reparto rompe una idea instalada sobre Dybantsa. Se le señala como un anotador de techo altísimo con dudas sobre cuánto depende del sistema. Los números dicen otra cosa. Se fabrica el 81% de sus canastas cerca del aro sobre 128 intentos, y el 88% de su media distancia sobre 122. Dybantsa es un sistema, ojo. Es el único de los cuatro que genera su propio tiro en las tres alturas con volumen. No es un finalizador al que alimentan, es un creador en toda la pista.

Crear cerca del aro traza una línea entre los de arriba y Wilson. Dybantsa y Peterson pasan del 80% de canastas no asistidas en la zona. Wilson se queda en el 54%, le sirven la bandeja. Eso no aparece en los puntos por partido, donde los cuatro anotan parecido.

Boozer es el matiz. Tira más que nadie cerca del aro, 214 veces, pero solo se fabrica el 61%. Un tercio se lo sirven. Confirma su perfil de motor interior al que el equipo alimenta.

El último trazo vale para toda la clase. Nadie se fabrica el triple. Los cuatro se mueven entre el 11 y el 33% de triples no asistidos. El tiro exterior llega de recepción para toda la promoción, y la creación vive dentro del arco, ¿se avecina cambio de paradigma?

La defensa que no se mide

La defensa no cabe en dos casillas. Robos y tapones es lo único que el dato deja medir sin cámaras de seguimiento, y engaña. Wilson genera más que nadie, sobre todo tapones, a costa de cargar faltas. Dybantsa está en la esquina contraria, los peores robos y tapones del grupo y a la vez menos faltas. Defiende sin arriesgar, o no genera acciones. El número abre la pregunta y no la cierra. Hace falta verlo jugar para saber cuál de las dos cosas es.

Hemos visto cuatro retratos en lugar de uno, porque en una clase como esta, ¿cómo quitar a uno? Boozer es el motor interior que tira de tres como un alero. Peterson es el base con balón cada posesión, lesionado de paso. Wilson finaliza lo que le sirven, y Dybantsa se fabrica lo suyo en las tres alturas. Producen como los grandes números uno de las últimas décadas y son opuestos entre sí. Esa es la rareza de esta clase.

Vuelvo a Fleming: “Un jugador es lo que se le pide que haga”, y la NBA les va a pedir cosas distintas. Boozer no jugará pegado al aro, jugará abierto, donde un 41% de triple vale más que diez rebotes. Wilson recibirá menos en bandeja y le tocará crear, o no le tocará y verá pasar partidos enteros sin tocar el balón. Peterson dejará de mandar en cada posesión y aprenderá a esperar las suyas. Dybantsa, que ya genera su tiro en NCAA, va a encontrarse por primera vez con un compañero que también lo hace.

La pregunta no es quién será el número uno del draft. Aun siendo una posición con cuatro cabezas, parece claro quién lo será, y más eligiendo Washington el número uno. Lo confirmaremos dentro de poco. La pregunta es cuál de los cuatro entiende mejor que el rol va a cambiar, y a quién le exploten en la cara las virtudes que mostró este año. El uno se elige en junio. ¿Hablaremos de los cuatro dentro de cinco años?

Compartir

Durante unos días, me encontré en un estado de ensimismamiento y poseído por una crisis de identidad tremenda tras redactar mi último post, dándole vueltas a la necesidad y utilidad de enseñar cómo hago las gráficas en tiempos de la inteligencia artificial. Además, me tocaba redactar un post sobre “el cómo se hace” y cómo me las apaño para lograr las cosas; no tenía ganas. No me resistí y, ya que es gratis, se lo consulté directamente a DeepSeek en un enfoque de pensamiento profundo y en modo experto, qué menos. (La transcribo tal cual):

Yo: A ver, un dilema. En mi Substack tengo una parte en la que básicamente comparto y enseño cómo hago las cosas y los pasos que sigo. En esta época de ChatGPT e IAs varias que te pueden hacer un tutorial, unos gráficos chulísimos o una guía en un periquete… ¿Estoy haciendo el tonto? ¿Lo sigo haciendo?

DeepSeek: Primero, respiro hondo. Porque la pregunta es muy pertinente. Y la respuesta corta es: no, no estás siendo un iluso para nada. Pero ojo, tampoco puedes seguir haciéndolo exactamente igual que hace tres años.

Te explico. La IA ha subido el listón de lo que es “información”. Si tú te limitas a enseñar pasos secuenciales —aprieta este botón, escribe esta línea de código, descarga este dataset—, eso se ha comoditizado. Eso lo hace cualquiera con un prompt. Pero tú no haces solo eso. Tú compartes cómo piensas esos pasos, por qué eliges ese gráfico y no otro, qué error te comiste que te hizo cambiar el enfoque, qué decisión tomaste cuando los datos no encajaban con la intuición. Eso es criterio. Y el criterio no es automatizable. ChatGPT o yo pueden darte tres caminos; tú eres el que dice «este es el bueno y te ahorro dos horas de frustración».

Yo: Entonces, según esto, ¿dónde está el valor ahora? Porque si el “paso a paso” ya lo da una máquina, ¿qué parte del proceso es la que interesaría a la gente?

DeepSeek: Tu valor se ha desplazado de la ejecución a la anticipación y al marco mental. La IA te da un borrador, sí, pero tú no vendes borradores. Vendes planos terminados con anotaciones de obra.

Lo que diferencia es:

• La selección previa: por qué abordas un análisis, qué pregunta quieres responder y cómo decides qué métrica mirar.

• La simplificación: cómo pasas de datos ruidosos a una historia clara. Eso es casi narrativa, no código.

• La corrección de rumbo en tiempo real: «la IA me sugirió esto, pero yo lo descarté porque en baloncesto real eso no funciona». Eso es experiencia encarnada, no un modelo de lenguaje.

Si tu contenido gira hacia «así pienso, así descarto, así convierto datos en una historia», el “cómo lo hago” deja de ser un tutorial para convertirse en un framework mental. Y ahí la IA no compite; de hecho, la hace más necesaria para las partes mecánicas y a ti te libera para lo que solo tú puedes hacer.

La gente no va a tu Substack solo por el “cómo”. Va por el atalo, por el detrás de las cámaras que acelera su aprendizaje. Eso, hoy, vale más que nunca, porque la IA inunda de información genérica y tú eres el filtro.

Yo: Dices que puedes ser aliada. ¿Eso cómo se hace, sin perder el control de lo que hago?

DeepSeek: Justo al revés: la conviertes en tu sparring de lujo. Un par de ideas concretas:

1. Batallas narradas: «Esto me dio ChatGPT versus lo que yo terminé haciendo». Muestras el prompt, su respuesta, y a continuación por qué tú la modificaste. Eso es contenido de pago irresistible para quien quiere aprender a domar la herramienta y no solo copiar.

2. IA como becaria: le delegas lo tedioso (documentación, formateo) y tú te quedas con la decisión estratégica. Enseñas ese proceso: «le pedí esto a la IA, pero luego afiné el contexto con esta variable porque conozco la regla ACB». Así demuestras que la máquina sin ti es bruta, y contigo es quirúrgica.

Esto no solo no te quita valor, te posiciona como el piloto que sabe cuándo ignorar al copiloto. Eso es justo lo que un suscriptor avanzado está dispuesto a pagar: no la respuesta, sino el criterio para juzgar respuestas.

Yo: Vale, pero, ¿qué puedo ofrecer yo que no pueda hacer un chat infinito de una IA?

DeepSeek: A ti. Tú en tiempo real, tu experiencia acumulada, tu capacidad de responder «en este partido, con este equipo, ¿cómo ajustarías el modelo?». La IA puede simular una conversación, pero no puede ser tú. No puede tener tus anécdotas, tus meteduras de pata, tus lecturas de la dinámica de un vestuario que explican un dato.

Si, además de contenido curado, ofreces interacción —una comunidad, respuestas personalizadas, un espacio donde preguntarte por qué en la jornada 23 tomaste una decisión concreta—, eso es un foso competitivo gigantesco. La IA da respuestas; tú das contexto, adaptación y confianza. Y eso, por suerte, no se entrena con tokens.

Reconozco que está feo buscar validación externa, pero a veces es necesario y más si la validación viene del enemigo. Una vez que me reenfoqué y me convencí de por qué debería seguir enseñando, y ya con el asesoramiento del diablo, de cómo trascenderle, vuelvo a lo que a mí me gustaría que me hubieran enseñado.

Empecemos entonces con el capítulo 3:

Cómo extraer y transformar datos de la NCAA desde ESPN en un Play-by-Play amigable

Siguiendo con el tema del hilo, recordemos todos estos datos y cómo los modifiqué para redactar el artículo acerca de Adai Mara en la edición 9 de la revista digital FABFIVE MAGACINE.

Dejamos el segundo capítulo indicando cómo poner los starters del partido, ya que son imprescindibles para cualquier análisis on-off y para otros muchos. Recordemos que poníamos los nombres, uno en cada columna, desde a1 a a5, para los visitantes y h1 a h5 para los locales, y quedamos en que teníamos que detectar quién entraba y quién salía para cambiar los quintetos en pista. Necesitábamos la columna in_out y, mediante un case_when() en type_text, identificamos quién es in y quién es out. Si no queda claro, puedes empezar a leerlo aquí:

Pero si además no sabes de dónde viene el capítulo 2, pues puedes empezar la serie aquí:

Sustituciones

Lo primero que necesitamos crear es un data frame con solo las sustituciones y separarlas en dos dataframes

subs <- prev_pbp %>%
  filter(type_text == "Substitution") %>%
  select(id, game_id, team_id, player_1, in_out)

Suscríbete ahora

¿Por qué separamos las sustituciones en dos dataframes?

Cuando ESPN registra una sustitución, no lo hace en una sola fila; como explicaba antes, genera dos eventos independientes con el mismo id de jugada: uno con el texto "subbing out" y otro con "subbing in". En ambos, el jugador implicado aparece en player_1. No hay forma de saber, como también indicaba antes, directamente quién entra en lugar de quién porque la relación entre los dos eventos no está explícita en los datos.

La solución es explotar el único orden que sí existe: las sustituciones de cada equipo ocurren en secuencia cronológica. El primer jugador que sale y el primer jugador que entra pertenecen al mismo cambio. El segundo con el segundo, y así sucesivamente.

Por eso creamos outs e ins por separado:

outs <- subs %>%
  filter(in_out == "out") %>%
  rename(player_out = player_1) %>%
  group_by(team_id, ) %>%
  mutate(sub_num = row_number()) %>%
  ungroup()

ins <- subs %>%
  filter(in_out == "in") %>%
  rename(player_in = player_1) %>%
  group_by(team_id, ) %>%
  mutate(sub_num = row_number()) %>%
  ungroup() %>%
  select(team_id, player_in, sub_num)

La función row_number() dentro de cada team_id asigna un número correlativo a cada salida y a cada entrada. La primera salida del equipo A es sub_num = 1, la primera entrada también. El join posterior los empareja por team_id y sub_num, y el resultado es cambios: una tabla que une cada evento de sustitución con su player_out y su player_in.

cambios <- outs %>%
  left_join(
    ins,
    join_by(team_id, sub_num)
  ) %>%
  select(-game_id, -in_out, -sub_num)

Y ya tendríamos el dataframe listo. Este enfoque asume que ESPN registra las salidas y entradas en el mismo orden dentro de cada jugada. En la práctica así es, y el resultado es correcto. Si ESPN alguna vez los registrara en orden inverso, el emparejamiento fallaría, pero no es el caso.

El loop que actualiza los lineups jugada a jugada

Con cambios ya tenemos, para cada fila donde ocurre una sustitución, quién sale y quién entra. El siguiente problema es cambiar esa información hacia delante en las columnas de lineup.

Arrancamos con los titulares fijados en h1:h5 y a1:a5 para todas las filas. Esas columnas no cambian solas: hay que encontrar, en cada sustitución, qué columna contiene al jugador que sale y reemplazarla con el que entra desde ese momento hasta el final del partido o hasta que ese jugador sea sustituido de nuevo.

Lo hacemos con un loop dentro de mutate(across(...)):

clean_pbp <-prev_pbp %>%
  left_join(cambios, join_by(id, team_id)) %>%
  select(id:player_2, player_out, player_in, h1:h5, a1:a5) %>% 
  mutate(across(
    c(h1:h5, a1:a5),
    ~ {
      col <- .
      for (i in seq_along(col)) {
        if (!is.na(player_out[i]) && !is.na(player_in[i]) && col[i] == player_out[i]) {
          col[i:length(col)] <- player_in[i]
        }
      }
      col
    }
  ))

Aquí viene la madre del cordero; lo más importante es que unamos el dataframe cambios al dataframe madre (prev_pbp), por así llamarlo, y añadimos el mutate que hace la magia: (across(c(h1:h5, a1:a5), ...) aplica la misma función a cada una de las diez columnas de lineup.

El que me conoce sabe lo que odio usar loops, pero si alguien sabe una mejor manera, por favor, que me lo diga. El loop for recorre el dataframe fila a fila. En cada posición[i] comprueba tres condiciones: que haya un jugador saliendo (player_out[i] no es NA), que haya un jugador entrando (player_in[i] no es NA) y que el valor actual de esa columna en esa fila sea exactamente el jugador que sale. Solo cuando las tres se cumplen actúa.

¿Por qué && y no solo &?

Porque el loop opera en contexto escalar, fila a fila. En cada iteración i se evalúa un único valor, no un vector.

& es vectorizado: compara elemento a elemento y devuelve un vector lógico del mismo largo. && evalúa solo el primer elemento y, si no peta: si la primera condición es FALSE, no evalúa las siguientes. Dentro de un if eso es exactamente lo que queremos, y de hecho R nos avisa si usamos & dentro de if porque espera un escalar, no un vector.

En este caso, además, qué pete nos es útil: si player_out[i] es NA, para ahí y no evalúa player_in[i] ni la comparación con col[i]. Con & evaluaría las tres condiciones igualmente.

La operación crítica es col[i:length(col)] <- player_in[i]. No reemplaza nada más la fila i: reemplaza desde i hasta el final del vector. Eso es lo que mantiene al nuevo jugador en pista para todas las jugadas siguientes. Cuando ese mismo jugador sea sustituido más adelante, otra iteración del loop lo reemplazará de nuevo desde esa nueva posición hacia delante.

El resultado es que, al terminar el mutate, cada fila del dataframe contiene los cinco jugadores reales en pista en ese momento del partido, no los titulares iniciales.

A continuación, vamos a intentar detectar los cambios de posesión

Con los lineups actualizados, el siguiente paso es definir cuándo cambia la posesión. Creamos una variable binaria, cambio_pos, que vale 1 cuando ocurre un evento que transfiere el balón:

clean_pbp <- clean_pbp %>%
mutate(
  cambio_pos = case_when(
    type_text == "Turnover" ~ 1,
    type_text == "Defensive Rebound" ~ 1,
    type_text == "Free Throw" & scoring_play ~ 0,
    scoring_play & shooting_play ~ 1,
    type_text == "Offensive Foul" ~ 1,
    type_text == "Jumpball" ~ 1,
    TRUE ~ 0
  ),
  possession_id = cumsum(cambio_pos)
)

El orden de los case_when es importante. Los tiros libres anotados no cambian la posesión porque el equipo puede seguir tirando, así que los excluimos explícitamente antes de evaluar el resto de scoring_play. Un robo, un rebote defensivo, una canasta de campo: todos transfieren el balón. cumsum() convierte esa secuencia de unos y ceros en un contador acumulado que identifica cada posesión de forma única.

Asignar el equipo en posesión

Cada jugada tiene un team_id que indica qué equipo ejecuta la acción, pero hay jugadas sin equipo asignado: tiempos muertos, eventos administrativos, faltas técnicas. Para cubrirlas usamos fill():

clean_pbp <- clean_pbp %>%
mutate(
possession_team = team_id

group_by(possession_id) %>%
fill(possession_team, .direction = "downup") %>%
ungroup()
)

Agrupamos por possession_id y propagamos el team_id en ambas direcciones dentro de cada posesión. Las jugadas sin equipo heredan el valor de sus vecinas dentro del mismo segmento.

Equipo atacante y equipo defensor

Con el equipo en posesión definido, asignar atacante y defensor es fácil:

clean_pbp <- clean_pbp %>%
mutate(
  offense_team = possession_team,
  defense_team = if_else(possession_team == home_team_id, away_team_id, home_team_id)
)

Si el equipo que ataca es el local, el defensor es el visitante, y viceversa.

Construir el lineup como cadena de texto

El último paso es convertir las columnas h1:h5 y a1:a5 en una cadena única por fila:

mutate(
  home_lineup = pmap_chr(across(h1:h5), ~ paste(sort(c(...)), collapse = "|")),
  away_lineup = pmap_chr(across(a1:a5), ~ paste(sort(c(...)), collapse = "|"))
)

¿Qué hace pmap_chr()? aplica una función fila a fila sobre varias columnas a la vez. Dentro ordenamos los nombres con sort() antes de pegarlos. El orden garantiza que el mismo conjunto de cinco jugadores siempre produce exactamente la misma cadena, independientemente del orden en que aparezcan en el dataframe. Sin eso, "A|B|C|D|E" y "C|A|E|B|D" serían dos lineups distintos para cuando intentemos agrupar los datos, aunque sea el mismo quinteto.

Envolver todo en una función y aplicarla a varios partidos

Con la transformación completa, la empaquetamos en get_clean_pbp(), que recibe un game_id y devuelve el play-by-play enriquecido y así aplicarla a la lista de partidos que hemos obtenido cuando extrajimos el calendario del equipo; he aquí la función:

get_clean_pbp <- function(game_id) {
  
  pbp <- hoopR::espn_mbb_pbp(game_id)
  rosters <- hoopR::espn_mbb_player_box(game_id)
  
  starters <- rosters %>%
    select(game_id, home_away, display_name = athlete_short_name, team_id, starter,
           athlete_display_name) %>%
    filter(starter) %>%
    group_by(game_id, home_away) %>%
    mutate(etiqueta = paste0(substr(home_away, 1, 1), row_number())) %>%
    ungroup() %>%
    select(game_id, etiqueta, athlete_display_name) %>%
    pivot_wider(names_from = etiqueta,
                values_from = athlete_display_name)
  
  names <- rosters %>%
    select(athlete_id, athlete_display_name)
  
  prev_pbp <- pbp %>%
    left_join(names %>% rename(player_1 = athlete_display_name),
              by = c("athlete_id_1" = "athlete_id")) %>%
    left_join(names %>% rename(player_2 = athlete_display_name),
              by = c("athlete_id_2" = "athlete_id")) %>%
    left_join(starters, by = "game_id") %>%
    mutate(in_out = case_when(
      type_text == "Substitution" & str_detect(text, "subbing in") ~ "in",
      type_text == "Substitution" & str_detect(text, "subbing out") ~ "out",
      TRUE ~ NA_character_
    ))
  
  subs <- prev_pbp %>%
    filter(type_text == "Substitution") %>%
    select(id, game_id, team_id, player_1, in_out)
  
  outs <- subs %>%
    filter(in_out == "out") %>%
    rename(player_out = player_1) %>%
    group_by(team_id) %>%
    mutate(sub_num = row_number()) %>%
    ungroup()
  
  ins <- subs %>%
    filter(in_out == "in") %>%
    rename(player_in = player_1) %>%
    group_by(team_id) %>%
    mutate(sub_num = row_number()) %>%
    ungroup() %>%
    select(team_id, player_in, sub_num)
  
  cambios <- outs %>%
    left_join(ins, join_by(team_id, sub_num)) %>%
    select(id, team_id, player_out, player_in)
  
  clean_pbp <- prev_pbp %>%
    left_join(cambios, join_by(id, team_id)) %>%
    select(id:player_2, player_out, player_in, h1:h5, a1:a5) %>% 
    mutate(across(
      c(h1:h5, a1:a5),
      ~ {
        col <- .
        for (i in seq_along(col)) {
          if (!is.na(player_out[i]) && !is.na(player_in[i]) && col[i] == player_out[i]) {
            col[i:length(col)] <- player_in[i]
          }
        }
        col
      }
    ))%>%
    mutate(
      cambio_pos = case_when(
        type_text == "Turnover" ~ 1,
        type_text == "Defensive Rebound" ~ 1,
        
        # 👇 primero excluyes FT
        type_text == "Free Throw" & scoring_play ~ 0,
        
        # 👇 luego el resto de tiros
        scoring_play & shooting_play ~ 1,
        
        type_text == "Offensive Foul" ~ 1,
        type_text == "Jumpball" ~ 1,
        
        TRUE ~ 0
      ),
      
      possession_id = cumsum(cambio_pos),
      # identificar equipo en posesión
      possession_team = team_id
    ) %>%
    group_by(possession_id) %>%
    fill(possession_team, .direction = "downup") %>%
    ungroup() %>%
    
    
    # --- ofensiva / defensiva ---
    mutate(
      offense = possession_team == home_team_id,
      defense = possession_team == away_team_id
    ) %>%

    
    mutate(
      offense_team = possession_team,
      defense_team = if_else(possession_team == home_team_id, away_team_id, home_team_id)
    ) %>% 
    
    # --- lineups ---
      mutate(
        home_lineup = pmap_chr(across(h1:h5), ~ paste(sort(c(...)), collapse = "|")),
        away_lineup = pmap_chr(across(a1:a5), ~ paste(sort(c(...)), collapse = "|"))
      )
  return(clean_pbp)
}

Todo esto lo llamaríamos con esto:

all_pbp <- map_dfr(game_id, ~ {
  tryCatch(
    get_clean_pbp(.x),
    error = function(e) NULL
  )
})

write_csv(all_pbp, "../aday_mara/csv/michigan_pbp.csv"
)

Lo explico: map_dfr() itera sobre el vector de IDs y apila los resultados en un único dataframe. El tryCatch() hace que un partido con error no rompa el proceso entero: devuelve NULL y continúa. Si la API de ESPN falla en un juego puntual, el resto se procesa igual.

El resultado se escribe en CSV, está escrita mi ruta; asegúrate de que pones la tuya y ya tenemos la masa madre para calcular minutos, net rating y cualquier métrica de lineup. Eso lo veremos en siguientes capítulos. Más abajo dejo la función que extrae los nombres de los equipos masculinos de la NCAA, sus colores, sus logos y el código completo que extrae el PlayByPlay de Michigan Wolverines en la temporada 2025/26.

Read more

Pepe Brasín: Hay que hacer un estudio de los terceros cuartos, de los equipos buenos, de los equipos físicos, de los equipos, eh... ¿no?

Víctor Arrufat: Sí, esto... no sé... es el cansancio de toda la primera parte mejora… a lo mejor... no tengo ni idea.

Pepe Brasín: No lo sé yo tampoco.

Víctor Arrufat: Digo por el estilo, la sensación que tengo aquí es de que el partido lo ganan en el tercer cuarto, lo que me gusta de cómo lo ganan es que lo ganan en ataque...

Pepe Diario, episodio PoliPepe#1877, 23 de abril. Pepe Brasín y Víctor Arrufat estaban analizando la serie de playoffs entre Oklahoma City Thunder y Phoenix Suns y al otro lado estaba yo escuchando esto y pensé, mmm. Pues igual soy yo el que hace el estudio de los terceros cuartos… porque como abonado al Estudiantes que soy, vivo cada comienzo del tercer cuarto con el presentimiento de la tragedia que se nos viene, porque como se comenta en la grada a mi alrededor: "Es que parece que les dan bromuro en el vestuario, no me jodas!." Volviendo al podcast, que me pierdo; no tenía muy claro cómo clasificar a un equipo físico, pero sí cómo catalogar a un equipo bueno, por lo que me enfoqué en los últimos 23 campeones de la NBA, que seguro son buenos, tienen talento y tienen físico.

Suscríbete ahora

A los datos

Cargué todos los play-by-play de la NBA desde 2002 hasta 2025, que es el rango que permite ESPN y calculé partido a partido, qué equipo ganó el tercer cuarto. Luego agregué esa información por temporada, tanto en la regular como en los playoffs, y crucé el resultado con el equipo que se llevó el título cada año.
Cuando miro los datos con una intuición previa, siempre hay un momento de suspense. Por favor, por favor que sea lo que imagino. Que no me vaya a tirar por el suelo todo el argumento previo. Pues bien, cuando ordené la tabla de campeones por su ranking en Q3 esperaba verlos arriba, copando los primeros puestos. La realidad fue que era así, pero tampoco tanto.

Lo que encontré tiene matices

Los campeones no son los equipos que más terceros cuartos ganan, pero tampoco son mediocres en ese aspecto. La mediana del ranking en temporada regular se sitúa en el puesto 5 o 6 sobre 30 equipos. En playoffs, alrededor del top 5 sobre 16. Eso los coloca de forma consistente entre los mejores de la liga en ese cuarto, pero lejos de dominarlo de forma sistemática.

Solo tres veces en 24 años el campeón fue el equipo que más Q3 ganó en toda la liga: Detroit en los playoffs de 2004, Miami en la temporada regular de 2013, y OKC en la regular de 2025. Tres veces, tres.

Dallas, el outlier perfecto

El outlier, que diría un analista; que te obliga a repensarlo todo es Dallas en 2011. Los Mavericks ganaron el anillo siendo el puesto 21 de la liga en victorias de Q3 en temporada regular. Y justo escribiendo este artículo, en El Reverso, Gonzalo Vázquez y Andrés Monje sacaban el “cap 308, En clave de título” donde Gonzalo mencionaba precisamente en estos términos, refiriéndose a los Mavericks: “Ellos fueron octavos, que es el peor caso, digamos, en ese periodo y lo único fuera del top siete en ese net rating.” Y añadía otro caso igual de llamativo, los Heat de 2006. “Estamos hablando de Miami en 2006 y de Dallas en 2011. Si no tienes ataque ni defensa en el top cinco, asegúrate de estar liderado por alguno de los mejores jugadores de todos los tiempos.” Dirk Nowitzki y Dwyane Wade respectivamente. Dos equipos que rompían todos los moldes con algo en común.
Vamos a ver los partidos de playoffs de Dallas 2011, partido a partido.

No hay un patrón de control. El Q3 no era su arma. Dirk no necesitaba dominar el tercer cuarto para ser campeón.

¿Y los otros cuartos?

Viendo este hallazgo me surgió una pregunta: si el Q3 no es un distintivo, ¿hay algún cuarto que sí lo sea? Amplié la lupa. Calculé el ranking de los campeones también en el primer cuarto, el segundo y el cuarto.

La mediana es casi idéntica en todos los cuartos. Los campeones no tienen un periodo favorito. Son consistentes en los cuatro. Lo que se ve en el Q3 no tiene nada de especial, es que son muy buenos equipos.
Para rematarlo, calculé algo más básico: la probabilidad de ganar un partido si te llevas cada cuarto.

En playoffs, los campeones ganan el 19% más de Q3 que el resto. En temporada regular, el 18%. La diferencia con el Q1, el Q2 o el Q4 es de un punto porcentual como mucho. No hay un cuarto que dispare el porcentaje. Tampoco cambia entre fases.

El sesgo de la paliza

Aquí es donde llegó el momento más incómodo del análisis, ese momento en que dices: no sé para qué hago esto si no saco nada claro. Porque todos estos números convivían con una sospecha. ¿Y si el Q3 es un síntoma, no una causa? Los equipos muy buenos ganan más partidos, y de paso ganan más cuartos, incluido el tercero. Lo llamaré el sesgo de la paliza.
Como dije antes, mientras preparaba este análisis, en El Reverso, Gonzalo Vázquez citaba un estudio de Kirk Goldsberry en The Ringer sobre las métricas que mejor predicen un campeón. Y una de las conclusiones era difícil de ignorar: “Si hay una bola de cristal, si hay verdaderamente una brújula en esto, es y debe ser el net rating. No es solo la variable más amplia y precisa de todas. Es que si es sostenida, es hegemónica. 20 de 26 campeones estuvieron dentro del top 4. En el siglo XXI no ha habido un solo campeón que haya estado fuera del top 7 en net rating.” Y sobre OKC específicamente: “Su dato de este curso ha estado por encima de los 11 puntos de diferencia entre eficiencia ofensiva y defensiva. De los últimos cinco equipos que llegaron a ese umbral, cuatro fueron campeones.”
Para mirarlo a los ojos pinté cada temporada de cada equipo en un gráfico de dispersión. Cada punto es un equipo y una temporada. Los logos son los campeones.

La diagonal es transparente: a más Q3 ganados, más victorias. Pero lo que de verdad separa los puntos no está en ningún eje. Está en el color. La esquina superior derecha es un punto caliente de equipos con Net Rating positivo. Los puntos azules se agolpan abajo a la izquierda. Los campeones están en la zona roja porque su nivel general arrastra hacia arriba todos los cuartos, también el tercero.

Ganando al descanso

Aún me quedaba una capa más. Hasta aquí había mirado el Q3 en abstracto, sin preguntarme por el marcador al descanso. No es lo mismo salir del vestuario con ventaja que hacerlo contra las cuerdas. Separé los partidos en dos escenarios: cuando el equipo iba ganando al descanso y cuando iba perdiendo. Y repetí el cálculo del porcentaje de Q3 ganados para los campeones y para el resto.

Aquí sí se enciende una señal. Cuando los campeones van ganando al descanso, se llevan el tercer cuarto el 53-54% de las veces. El resto de equipos no llega al 45%. Son nueve puntos de diferencia. La lectura encaja: si eres un equipo de élite y vas por delante, el Q3 se convierte en un trámite que casi siempre controlas.
Pero la pregunta era si el Q3 distingue a los campeones. El matiz es importante. Los campeones ganan más Q3 cuando van ganando, sí. Pero también ganan más Q1, más Q2 y más Q4 en ese mismo escenario. Lo que asoma en el tercer cuarto no es una habilidad especial para ese periodo. Es la forma que tiene un equipazo de cerrar el partido.
Esto me llevó a una nueva pregunta. No es lo mismo ir ganando al descanso que ir ganando por quince. ¿Qué pasa cuando la ventaja es grande?
Hace unos meses, revisando datos de la Liga Endesa, encontré algo que apuntaba en esa dirección. En los primeros 17 partidos de la temporada, solo en siete ocasiones el primer cuarto terminó con una diferencia de más de 15 puntos. En los siete casos, el equipo que ganó ese cuarto acabó ganando el partido. La muestra era pequeña, pero la señal era muy clara.
En la NBA la lógica se mantiene. Una ventaja de dobles dígitos al descanso convierte el tercer cuarto en una formalidad estadística para cualquier equipo, no solo para los campeones. Lo que distingue al campeón no es que gane el Q3 cuando ya va de quince. Eso lo hace cualquiera. Sino que es capaz de generar esa ventaja con más frecuencia que el resto.
El Q3 no es la causa. Es el escaparate donde se ve el trabajo previo. O como dice Víctor Arrufat: “no sé… si es el cansancio de toda la primera parte… a lo mejor… no tengo ni idea.”

El perfil de los campeones

Con todo esto sobre la mesa, volvemos a la pregunta inicial: ¿dominar el Q3 es un distintivo de los campeones?

Read more

El ajedrez y el baloncesto podrían no tener mucho en común, pero los que hemos jugado a los dos, sabemos que sí; que lo tiene y mucho. A simple vista uno es un juego silencioso y paciente; el otro, explosivo y caotico; aunque a veces desde fuera, se percibe que habitualmente los papeles se intercambian. Al final, ya sea sobre un tablero silencioso o sobre un parquet explosivo, la pregunta que nos hacemos es la de siempre: ¿quién es mejor? o ¿Quién ganará? (o ganaría). El Elo no da respuestas definitivas, nada podría hacerlo; pero creo que ofrece un lenguaje común para intentar responderla.

En 1960, el físico de origen húngaro Arpad Elo (Que es de donde viene el nombre del Ranking) diseñó un sistema donde la diferencia de puntos entre dos jugadores indica la probabilidad de que uno derrote al otro. Tras cada partida los puntos se intercambian: lo que uno gana lo pierde el rival, y la cantidad depende de lo inesperado del resultado

.Ganar al campeón del mundo da una recompensa enorme porque el sistema no lo esperaba; ganar a un aficionado apenas es significativo. Perder contra alguien de tu nivel cuesta más que caer ante Magnus Carlsen, porque el sistema confiaba en ti.

Suscríbete ahora

Décadas después, ese mismo sistema viajó al deporte colectivo. El extinto FiveThirtyEight lo popularizó en la NFL y la NBA, y hoy es una de las herramientas más usadas para predecir resultados deportivos. Siguiendo este artículo de

Stat Surge

A State-Dependent Framework for Basketball Win Probability Modeling

Imagine a game between all-stars and benchwarmers. If the teams are tied after just one minute, who do you think will win the game…

Read more

4 months ago · 9 likes · Vaughn Hajra

lo he aplicado (en parte) a la ACB: 40 años de historia, 14.000 partidos y cada temporada desde 1984 (que es lo que recoge la página oficial de la Liga Endesa), para ver qué nos dice la memoria de la liga sobre lo que queda de 2026.

La memoria de la liga

La ACB es una liga con memoria larga. Desde que hay datos, en 1984, han pasado por ella más de cien equipos, algunos durante una sola temporada, otros durante cuatro décadas seguidas. Real Madrid y Barça siempre han estado. Equipos como el Estudiantes (ay el Estu como me duele) de los noventa o el TAU Cerámica de los dos mil, dejaron su huella y descendieron o se transformaron bajo todos los nombres que sus patrocinadores fueron exigiendo (Saski Baskonia). Otros, como el Joventut o el Unicaja, han sobrevivido a todo.

El Elo acumula esa historia partido a partido. Cada victoria suma, cada derrota resta, y el peso de lo que ocurrió hace diez años creo que tiene que seguir presente, de alguna manera, en la puntuación de hoy. Es un sistema con inercia: un equipo que ha ganado mucho tarda en caer, y uno que lleva años en Segunda División tarda en recuperar crédito aunque gane sus primeros partidos de vuelta en la élite.

Con esos 14.000 partidos como base, el modelo acierta el ganador en el 74,6% de los casos. Para eso incorpora una ventaja local de 15 puntos Elo, calibrada sobre los datos históricos de la propia ACB, donde el equipo local gana el 60,3% de los partidos, aunque sea un equipo malo. (Este año, por ejemplo, los 5 partidos que ha ganado el Coviran Granada han sido en casa, como veremos luego). Sin datos de plantilla, sin lesiones, sin contexto de calendario. Solo el historial acumulado de cada franquicia y dónde se juega cada partido.

40 años en 18 equipos

El ranking Elo actual de la ACB lo encabeza el Real Madrid con 1.916 puntos, a una distancia considerable del resto. No es una sorpresa — llevan cuatro décadas siendo el equipo más regular de la liga — pero la magnitud del margen sí lo es. El segundo clasificado, el Valencia Basket, tiene 1.763 puntos. Son 153 puntos de diferencia, una brecha que en términos de probabilidad se traduce en que el modelo da al Madrid cerca de un 70% de opciones de ganar cualquier partido contra Valencia en cancha neutral.

A proposito del Valencia es el caso más interesante del ranking. Con 1.763 puntos es el segundo equipo histórico de la liga según el Elo, pero ese número en realidad subestima lo que está siendo esta temporada. El modelo carga con años anteriores en los que el equipo no era lo que es hoy, y aun así sale segundo. Lo que está haciendo el Valencia en 2026 es todavía mejor de lo que refleja su puntuación histórica.

El Barça aparece tercero con 1.736 puntos pese a estar quinto en la clasificación real, lo que refleja un historial acumulado que la tabla no captura. El caso más llamativo es el Unicaja: octavo en la liga con 1.700 puntos de Elo, por encima del Baskonia, el Tenerife y el Joventut. El modelo les reconoce una trayectoria larga en la élite que este año no se está traduciendo en resultados proporcionales. Aquí la foto.

Quedan 53 partidos por disputarse en la liga regular y el modelo tiene una opinión clara sobre la mayoría de ellos, aunque no sobre todos.

Lo más llamativo es la distancia del Real Madrid. El modelo les da un 75,6% de probabilidades de ganar en casa contra el Río Breogán, un 73,9% de ganar en Manresa y un 67,5% visitando Bilbao. Son números que no dejan mucho margen para la sorpresa. El Madrid no solo es el mejor equipo histórico de la liga, es el que más lejos está del resto en términos de Elo acumulado, y eso se traduce en que prácticamente no tiene partidos comprometidos sobre el papel.

Valencia tiene por delante una agenda exigente. El modelo les da favoritos en casi todos sus partidos pendientes: 69,9% contra Zaragoza, 66,5% en Manresa, 63,4% en casa contra Bilbao. El partido que más llama la atención es el Barça-Valencia, donde el modelo da al Valencia un 50,5% de probabilidades de ganar en el Palau. Un partido de playoffs antes de los playoffs, y el modelo lo ve prácticamente igualado.

En la zona media la incertidumbre es máxima. Hay una docena de partidos donde ningún equipo supera el 55% de probabilidades. Son los partidos que decidirán los últimos puestos del playoff y el descenso, y el Elo histórico reconoce que entre estos equipos hay poco margen de diferencia acumulada.

El caso del Coviran Granada merece mención aparte. El modelo les da entre un 25 y un 42% de probabilidades en sus partidos pendientes, con la excepción del Barça en casa donde bajan al 27%. Es el equipo con menos crédito histórico de la liga, lo que tiene sentido para un club con pocos años en la élite; recordemos que este año ocupa la plaza que el Betis ganó en la pista y no pudo pagar. Pero en la ACB, un 30% no es imposible. Pero si improbable.

53 partidos bajo la lupa (tabla interactiva).

Read more

En donde estamos

Es la pregunta que, cuando vamos de viaje, nos va surgiendo en la mente; me refiero, por ejemplo, cuando vamos por mitad de la AP-36 (espero que todo el mundo sepa de qué hablo) y el tiempo se te hace infinito y, aunque sepas el km donde está situado el último peaje, vas mirando los postes kilométricos para saber qué queda. La fase regular de la ACB, entre ventanas FIBA y compromisos europeos, se alarga hasta finales de mayo. Sabemos cuántas jornadas faltan, pero no tenemos muy claras las circunstancias de cada equipo en esas jornadas.

A siete jornadas para el final, en la Liga Endesa está casi todo por decidir. Menos el Real Madrid (24-3) que ya está matemáticamente en el playoff. El resto sigue abierto, con un triple empate por abajo que dispara la tensión: Burgos, Gran Canaria y Andorra aparecen igualados a 7-20, todos en el mismo puesto de la clasificación, todos expuestos al descenso. Por arriba, el acceso al top 8 apunta a decidirse por detalles y abierto a suspicacias; que para ser sincero es lo que mas me gusta. El salseo de quien se ha dejado ganar para evitar este u otro rival, que no digo que pase; pero siempre se habla de ello.

En un contexto así, la pregunta que se hacen aficionados, usuarios de Supermanager, periódicos e influencers, es la misma: A quién le queda el calendario más sencillo y a quién no. Ofreciendonos una gran cantidad de reportajes, reels, etc. Nosotros no vamos a ser menos.

En baloncesto, SOS (Strength of Schedule) es una métrica que mide la dificultad del calendario o Se expresa en puntos por encima o por debajo de la media, donde cero es la media. Un valor positivo indica un calendario más difícil de lo normal. Doug Drinen, creador de Pro-Football-Reference.com, explicó en detalle este método.

Versión resumida

Esta semana en Supermanager hemos publicado una versión sencilla de los próximos rivales de cada equipo. A mi es una versión que siempre me ha parecido sufiente. Son tres columnas: ganados, media de victorias de los próximos rivales y diferencia entre ambos datos. Esa diferencia, el “Dif.”, es lo que suele entenderse como calendario favorable o desfavorable. Positivo alto significa que los rivales que quedan ganan mucho menos que tú, así que sobre el papel te deberían ir bien. Negativo alto, lo contrario.

En esta métrica hay dos trampas. La primera, estructural. En la ACB todos se enfrentan a todos dos veces. Al final del curso, la media de rivales es prácticamente idéntica para los 18 equipos. El dato diferencia porque cada equipo se ha quitado distintos partidos hasta ahora, no porque la liga asigne calendarios distintos.

La segunda es más sutil. La métrica no distingue entre jugar en casa o fuera. Trata igual a un rival cualquiera esté donde esté el partido, cuando sabemos que el factor cancha pesa, y pesa mucho. Sobre todo en esta parte de la temporada donde te la estas jugando no es lo mismo tener que ir a domcilio que jugar en casa. Ahí es donde empieza la lectura buena.

La versión completa

La tabla de arriba añade cuatro columnas a la versión corta. Win % Casa y Win % Fuera dicen cómo rinde cada equipo según donde juegue. SOS Bruto es la métrica sencilla, la media de victorias de los próximos rivales sin distinguir localía. SOS Ponderado es la misma idea pero incorporando el factor cancha: cuando un equipo recibe en su pista, contamos cuánto gana el rival fuera de casa; cuando visita, contamos cuánto gana el rival como local. Efecto Cancha es la diferencia entre ambos SOS, y Dif. Ponderada es la distancia entre el nivel del equipo y el calendario ponderado que le queda.

Lo primero que llama la atención son los extremos del SOS Ponderado. Tenerife arriba del todo con 41.9%, Real Madrid abajo con 60.6%. Casi 20 puntos porcentuales de separación. La ponderación reordena la lista respecto a la versión sencilla y modifica quién puede tener motivos para estar tranquilo y quién no.

Los casos que más cambian al incorporar la localía son los que marca la columna Efecto Cancha. Cuanto más positivo, más se complica el calendario al ponderar. Cuanto más negativo, más fácil.

La gráfica resume en una sola imagen lo que contaba la tabla. Cada fila es un equipo. El logo a color marca el escenario favorable, el logo en blanco y negro marca el duro. La flecha indica hacia dónde se mueve la dificultad al aplicar el factor cancha. Los nombres aparecen ordenados por Efecto Cancha, de mayor a menor.

Unicaja (+8.3%) es el caso más llamativo. Su calendario sin ponderar pintaba cómodo. Con localía incluida, visita varias pistas donde los rivales son muy fuertes en casa. La ventaja aparente se reduce.

Barça (+5.7%) mantiene calendario favorable pero menos que antes. En la pelea por la tercera y cuarta plaza todo es posible.

Read more

Al principio, cuando un chico de 2,20 llamado Aday debutaba con el Casademont Zaragoza y que en el SuperManager era barato y valoraba que daba gusto, una de las preguntas que me rondaban por la cabeza era si con ese nombre era español y googleé su significado. En algunas culturas se cree que el nombre marca el destino; en este caso lo clavaron. En guanche, el idioma bereber de las Islas Canarias que se hablaba antes de la conquista castellana, el nombre de Aday significa “el que vive debajo del agua” o “guerrero valiente”. Un nombre que sobrevivió siglos de dicha conquista para llegar hasta un estadio en Indianápolis con 70.000 personas, para que un chico de Zaragoza cortara las redes de la victoria y reescribiera la historia del baloncesto español.

No es solo un nombre bonito. Aday era el título del guerrero más valiente, una palabra que sobrevivió a la extinción de toda una civilización. Y este abril, en la final de la NCAA, volvió a sobrevivir a dos años de la casi disolución del futuro de un jugador.

¿De dónde viene este chico?

Esta tabla cuenta la historia mejor que cualquier sesudo análisis. En la temporada 23-24, Aday Mara promediaba 3.6 minutos por partido en UCLA. Tres punto seis. El tiempo que tarda un semáforo en cambiar tres veces. Un año después, 13.1. Este año, en Michigan: 23.3 minutos, 12.2 puntos, 67% en tiros de campo y una valoración de 18.3.

Pero la foto de los números no dicen nada del jaleo que hubo de fondo. No cuentan que Casademont Zaragoza le puso una demanda cuando decidió irse a Estados Unidos con 18 años. No cuentan los dos años en UCLA donde era invisible, donde la promesa más grande del baloncesto español compartía banquillo sin casi oler el parqué. Él mismo lo reconoce sin filtros en una reciente entrevista con Juanma Rubio: “Llegué con unas expectativas muy grandes y ver que no se cumplían fue muy frustrante. Me preguntaba que por qué era así. Fue muy duro hasta que me di cuenta de que era yo el que tenía que cambiarlo.”

Pero viendolo con perspectiva y aplicando filosofias antiguas, todo forma parte de todo, tambien las cosas malas; tambien las que no hacemos y por eso viendolo desde este prisma, bienvenidos esos problemas que al fingal te olibgan a crecer y por eso quizás habría que dar las gracias por el jaleo. Por los dos años de invisibilidad en UCLA, sí. Pero también por Porfirio Fisac. Su último entrenador en Zaragoza no le puso la mano en el hombro. Fue el que, con Aday ya con un pie en la NCAA y el otro en el Príncipe Felipe, soltó en rueda de prensa una frase que quedó flotando: “Igual Aday me necesita más a mí que nosotros a él.”

Se podría ver como una chulería prepotente pero tambien como un diagnóstico. El de un entrenador veterano (un entrenador muy especial, también) que veía en un chico de 17 años un talento sin terminar de pulir, con lagunas, una actitud que todavía necesitaba roce, exigencia, alguien que le dijera que el talento solo no alcanza o que se bajara del burro. Fisac fue ese latigo, bajo mi punto de vista, necesario.

Dos años después, en Ann Arbor, sin minutos y sin red de seguridad empezando a ser ese que iba a ser, pero que quizás ya no, Aday descubrió que Fisac tenía razón. Que la frustración también enseña. Que la desconfianza, cuando no te rompe, te construye. Y que el aprendizaje tiene un precio. “Me llevo un aprendizaje muy grande: saber que aunque hay veces que no van a ir las cosas bien tienes que seguir trabajando. Si pones cariño y esfuerzo, te llegará el momento.”

Entonces llegó Michigan. Y Dusty May. “De Dustin me impresionó mucho su obsesión por mejorar, por buscar cosas nuevas, las horas extras que hace. Este año me ha cambiado la vida y se lo debo a él y a todo su staff.”

La montaña que todo el mundo rodea

103 tapones. En una sola temporada. Récord histórico de Michigan y el puesto 110 en la historia de la NCAA desde 2003 — una lista donde conviven Anthony Davis, Hassan Whiteside, Nerlens Noel y Chet Holmgren. Picks de lotería. Números uno del draft. Y Mara entre ellos, con menos minutos que casi cualquier otro nombre de esa tabla. Quizás el puesto 110 no brilla mucho, pero recordemos que ahora se juega muchisimo mas por fuera aunque también a puesto gorracos de tres puntos

El mapa lo dice mejor que cualquier número

Cada logo es un tiro que no entró. Un jugador que salió al aro con confianza y se encontró con dos metros treinta y cinco de problema qué venía hacía el. La concentración de logos en la zona pintada no es casualidad es el epicentro de la onda sismica. El aro de Michigan era casi suicidio, una jugada que iba a acabar mal; cada punto en la zona se celebraba como un gol de fútbol, y los rivales lo sabían. Y cal final se veía que muchas jugadas eran ya un tema de ego. Meterla por encima de Aday.

Cuando Mara está en pista, como se ve, los rivales dejan de atacar el aro. No hace falta que nadie se lo diga porque lo han visto con sus propios ojos. Los tiros migran hacia el perímetro, hacia zonas menos eficientes, hacia decisiones que los equipos no tomarían si la pintura estuviera libre. Eso es lo que cuando ves un partido no estas seguro si se percibirá o quedará reflejado de alguna manera al cambiar lo que el rival decide hacer antes de tirar.

Pero también ha anota. Y sobre todo asiste.

Si los tapones y su onda expansiva en la zona que es el habitat donde vive Mara en defensa, sus tiros cuentan lo mismo en ataque: prácticamente todo dentro de la zona pintada. Un 67% de acierto en tiros de campo no es un accidente, incluso Charles Barkley ensalzó las manos que tiene comparandolo incluso con el Wide Reciver considerado el número 1 entre los 100 mejores jugadores de la NFL Jerry Rice “That guy’s got hands like Jerry Rice. He catches everything.” dijo. Sabe exactamente dónde hace daño y no complica. No fuerza triples, ni pull-ups innecesarios. Y cuando le preguntan por el tiro exterior, la respuesta deja claro que tiene los pies sobre la tierra: “No me obsesiona. Sé que puedo tirar, que puedo meter. Pero haré lo que el entrenador me pida y lo que sea mejor para el equipo.”

Pero lo que más sorprende cuando se ve el mapa de asistencias es la distribución. Un pívot de 2.22 metros generando juego desde el poste, encontrando cortes, leyendo la defensa antes de que se cierre. Hablando de este tema me hizo gracia, en el partido contra Arizona, cogió el balon con su mano cerca de la linea de banda por detrás del triple, estiro su brazo y el comentarista americano dijo: “Acabo de ver la mano con el balón agarrado pasando por el tercer anfiteatro. Las 2,4 asistencias por partido no son un número cualquiera se ve que entiende el baloncesto de una manera que va mucho más allá de taponar y anotar al poste. Él mismo lo confiesa cuando le preguntan qué prefiere, si un tapón, un mate o una asistencia: "Una canasta te hace feliz a ti, dar una asistencia hace felices a dos jugadores. Así que diría que una buena asistencia."

Suscríbete ahora

Cuando preguntaban a los jugadores siempre, todos incluso Dusty May destacaba la falta de egoismo de este equipo y bien que lo demuestra las muchas conexiones que ha habdo. Las dos conexiones mas prolificas han sido Cadeau con Axel y luego con Mara hasta 102 veces encontró Cadeau a Mara para anotar en esta temporada 62 de esas 102 acciones terminaron en mate. Sesenta y dos. El pick-and-roll más letal de la NCAA todos tardemos muy poco en aprenderlo de memoria esa jugada de bloqueo arriba y corte hacia dentro.

Los datos que los scouts ya saben

Partido a partido, equipo a equipo: la mayoría tira peor con Mara en pista, especialmente en media distancia y en el aro. No todos, hay noches donde los triples caen de todos modos, donde la defensa colectiva cede. Pero la tendencia es brutal y consistente. Mara no es una anomalía estadística de tres partidos. Son 40 encuentros de impacto defensivo documentado. Lo saben los entrenadores rivales. Lo saben sus compañeros. Y lo saben, sobre todo, los scouts de la NBA que llevan meses en las gradas de Ann Arbor.

Net Rating de +25.1 con él en pista. +21.3 sin él. Segundo mejor impacto del equipo solo por detrás de Lendeborg, que jugó 7 minutos más por partido. El número que lo resume todo: Michigan era un equipo diferente ,mejor, cuando Aday Mara estaba en la cancha. Y él lo sabe, aunque lo dice a su manera: "Estoy contento de poder tomar yo la decisión, elegir. No tendría ningún problema ni en ir a la NBA ni en quedarme en Michigan, las dos opciones me parecen muy buenas."

Read more

Entonces, una vez que ya tenemos los gamei_ids de los pártidos, vamos a ver qué sacar de estos ids y cómo hacerlo.

Empezamos donde lo dejamos, actualizando nuestro calendario. Ahora es más fácil porque ya está todo el pescado vendido, no hay más carne que cortar; ya no se juegan más partidos hasta el año que viene. Spoiler: ganó Michigan.

library(tidyverse)
library(rvest)


  "https://www.espn.com/mens-college-basketball/team/schedule/_/id/130/michigan-wolverines" %>% 
  read_html() %>%
  html_elements("[data-testid='link'] a") %>%
  html_attr("href") %>%
  str_extract(.,"[0-9]+") %>% 
  tibble(game_id = .) %>% 
  write.csv("../aday_mara/csv/game_id.csv", row.names = FALSE
            )

Entonces puedes seguir el código debajo de este o hacer otro script leyendo el csv desde la ubicación donde guardamos los datos. Esto es lo que voy a hacer. Me gusta una carpeta por proyecto donde guardo los scripts, luego otra carpeta para los csvs y otra para los pngs.

Para mí es útil guardar los csvs porque algunos datos tardan unos minutos en descargarse y eso cada vez es un poco pesado. Como se puede ver en la raíz de mi proyecto, el primer script es el que se llama calendario_michigan y ahora vamos a abrir el script aday, que es donde vamos a montar las funciones para scrapear los play by play.

library(tidyverse)
library(hoopR)

game_id <- read_csv("../aday_mara/csv/game_id.csv") %>%
  pull(game_id)

Empezamos cargando las dos librerías que necesitamos y creamos la variable game_id

Utilizo la función pull() para extraer una sola columna de un data frame y convertirla directamente en un vector.

Suscríbete ahora

Para empezar, fijémonos en una ley universal inmutable; lo micro es igual a lo macro. Usaremos un game_id para luego aplicarlo a todos los demás.

pbp <- hoopR::espn_mbb_pbp(401856572)

rosters <- hoopR::espn_mbb_player_box(401856572)

Hemos elegido el game_id 401856572 y usaremos de la librería hoopR la función espn_mbb_pbp(), que es la que extrae el play by play, y la función espn_mbb_player_box(), o sea, la que extrae los boxscore. ¿Por qué? Porque los pbp vienen sin nombres de jugadores, solo indican los id de los jugadores, por lo que tenemos que juntar estos nombres con sus ids para saber qué hace cada jugador.

Read more

Alguno y alguna, con la franqueza que agradezco, me dijo que mi Substack de pago era muy de nicho. Es cierto lo reconozco, pero este quizás sea más nicho todavía. Porque que considero que, cuantos usuarios pueden estar interesados en extraer los play by play de la ncaa, que por cierto es una tarea mastodóntica ya que las lineas que pueden generar los 6.100 o 6.200 partidos por temporada pueden superar y superan más del millón. Quizás lo hago para mi yo del pasado, que hubiera matado porque le ensañaran hacer cosas concretas mas allá del tipico curso generalista de cómo programar en R. Pues si alguno tiene la inquietud que como yo tenía, aquí tiene. Vale, entonces; debido a otro proyecto paralelo, me voy a enfocar en la temporada de Michigan y en este primer capítulo me voy centrar en como extraer los game id necesarios para extraer los partidos y cómo quiero explicar todo muy bien aunque es un código corto, quiero explicar los conceptos de scrapping y html necesarios

Paso 1: Cargar librerías y definir la URL

En este enlace del calenderio de Michigan vemos todos los partidos jugados hasta la fecha si os fijais en el link si cambiaís la parte de final 130/michigan-wolverines por la del equipo que queráis analizar o extraer obtendréis su calendario

Entonces: cargamos las librerías necesarias y guardamos la URL del calendario del equipo del que queremos extraer los partidos.

library(tidyverse)
library(rvest)


url <- "https://www.espn.com/mens-college-basketball/team/schedule/_/id/130/michigan-wolverines"

Read more

Este artículo lo escribí para el número 8 de la revista Fab Five Magazine, publicado el 12 de febrero de 2026. Una entrega dedicada a los grandes escándalos de la NCAA. Si te gusta el baloncesto universitario, descárgatela y disfruta. También puedes seguir el proyecto en redes sociales.

El 15 de noviembre de 1996, Maurice Taylor perdió el control del coche. El jugador de baloncesto de la Universidad de Michigan conducía un Ford Explorer de camino a casa de Ed Martin. ¿Un Ford Explorer? En el asiento de acompañante viajaba Mateen Cleaves, quien poco después se convertiría en una de las grandes figuras de Michigan State. Cuando la policía empezó a investigar el accidente, surgió una pregunta incómoda: ¿por qué un jugador universitario tenía un coche así? ¿Quién lo había comprado?

Suscríbete ahora

Al empezar a tirar del hilo, apareció un nombre que llevaba años moviéndose cerca del programa de baloncesto de Michigan.

El coche lo había pagado Ed Martin.

Lo que en un primer momento parecía un simple incidente de tráfico empezó a desencadenar una investigación mucho más amplia. Al revisar el entorno de Taylor, los investigadores volvieron a encontrar ese mismo nombre que llevaba años orbitando alrededor del programa: Ed Martin. No era un desconocido. Desde la década de 1980 mantenía relaciones con jugadores del equipo y con jóvenes promesas del baloncesto de Detroit.

Los investigadores empezaron a reconstruir su red de contactos. Aparecieron conversaciones, favores y ayudas económicas que no constaban en ningún registro oficial. Con el paso de los años fueron apareciendo más jugadores vinculados a Martin y el caso fue creciendo poco a poco, como una historia que nadie había querido mirar demasiado de cerca durante demasiado tiempo.

En 1999, varios de esos jugadores fueron llamados a declarar ante un gran jurado federal. Fue entonces cuando el alcance del caso empezó a quedar claro. La investigación terminó revelando que cuatro jugadores que más tarde llegarían al baloncesto profesional habían recibido dinero de Martin: Maurice Taylor, Chris Webber, Robert Traylor y Louis Bullock.

Entre todos habían tomado prestados 616.000 dólares.

Lo que parecía un accidente de tráfico había destapado uno de los mayores escándalos de pagos a jugadores en la historia del baloncesto universitario estadounidense.

Martin trabajó como electricista en el complejo River Rouge de la Ford Motor Company en Detroit y, según ESPN, dirigía paralelamente un “numbers game” en la fábrica. Era un sistema de apuestas ilegales muy común antes de que las loterías estatales se popularizaran: los trabajadores apostaban a números de la lotería oficial, los runners recogían las apuestas dentro de la planta y otro empleado hacía de banca. Martin empezó como runner cobrando comisiones y con el tiempo heredó toda la operación.

Después se convirtió en una figura muy conocida en el baloncesto local de Detroit. Seguía torneos de la AAU y partidos de la escuela Southwestern. Era lo que en el deporte universitario estadounidense se conocía como un booster.

¿Qué es un booster? En esencia, un aficionado con recursos. En muchos programas universitarios son empresarios locales, antiguos alumnos o seguidores adinerados que apoyan al equipo con donaciones o facilitan contactos. Pagan viajes, financian instalaciones o ayudan a organizar eventos. No forman oficialmente parte del programa, pero orbitan cerca de él.

La NCAA regulaba esa relación con rigor. Si un booster entrega dinero o regalos directamente a un jugador, este pierde su estatus de amateur y deja de ser elegible para competir. Sobre el papel, la norma es clara. En la práctica, el sistema siempre ha tenido zonas grises.

En Detroit, Ed Martin tenía fama de ayudar a los chavales. El error sería pensar que solo cuidaba a las grandes estrellas. Si algún chico había roto sus zapatillas de baloncesto o no tenía botas para el invierno de Michigan, Big Money Ed se aseguraba de que no le faltaran. La gente pobre en Detroit no iba a rechazar un par de zapatillas o 100 dólares el día de su cumpleaños. Todas esas cosas rompían las reglas de la NCAA, pero así era como se hacía. No te preocupas por romper reglas que quizá te afecten en el futuro; solo por el ahora.

“Cuando vayas a la NBA, acuérdate de mí”.
“Sí, sí, claro”.

Martin le dijo a Perry Watson, entrenador de Southwestern entre 1979 y 1991: “I make over 6 figures, I’m retired from Ford Motor Company, I’m an electrician, I can work doubles and triples”. No veía nada malo en su relación con los chavales ni con los programas de la ciudad. En los barrios más pobres ese tipo de ayuda no se cuestionaba demasiado.

Martin seguía a muchos jugadores desde que eran adolescentes. Conocía a sus familias, hablaba con sus entrenadores y asistía a sus partidos. Algunos lo veían como un benefactor local, alguien que echaba una mano cuando hacía falta. Pero Ed no solo ayudaba. También invertía dinero en los mejores jugadores con la expectativa de recuperarlo cuando llegaran a la NBA. Entre ellos, Chris Webber.

Webber era la gran estrella de Michigan a comienzos de los noventa, la figura más conocida de los Fab Five, el grupo de cinco freshmen que revolucionó el baloncesto universitario con su estilo, actitud e impacto cultural.

Durante los años noventa la relación con los jugadores siguió creciendo. En palabras de un periodista de Detroit, “eso parecía el Salvaje Oeste; jugadores y familiares hicieron un muy mal trabajo al ocultar todo el dinero”. Martin llegó a intentar pagar depósitos de apartamentos para algunos jugadores y ofreció vuelos a familiares para que asistieran a torneos.

Steve Fisher, el entrenador, frenó algunas de esas ayudas, pero cometió un error clave: nunca informó oficialmente a la universidad ni al departamento de cumplimiento. Cuando esas acciones salieron a la luz, Fisher fue despedido en 1997 por falta de vigilancia y control en su programa, apenas una semana antes de que empezaran los entrenamientos de la nueva temporada.

La investigación federal empezó a destapar un patrón que se remontaba a finales de los años ochenta. Martin llevaba años dando dinero a jóvenes jugadores de Detroit, algunos desde el instituto. Lo que durante años había parecido una relación informal entre un benefactor local y un programa universitario empezó a verse como algo mucho más serio: un sistema de préstamos, regalos y ayudas económicas que comprometía directamente el estatus amateur de los jugadores.

A finales de 1999, el caso parecía encaminarse a una resolución rápida. Ed Martin estaba dispuesto a declararse culpable y colaborar con la investigación. El acuerdo que negociaba con la fiscalía federal incluía revelar información sobre los pagos a jugadores de Michigan.

La idea era sencilla. Martin admitiría cargos federales por juego ilegal y evasión fiscal. A cambio afrontaría una pena relativamente corta: perder 100.000 dólares y cumplir entre seis y quince meses de prisión. También permitiría que él y su hijo conservaran sus viviendas.

Pero en mayo de 2000 Martin y su hijo cambiaron de idea. Decidieron retirarse del acuerdo y arriesgarse a un juicio. Calculaban que, como infractores primerizos, el castigo podría ser limitado. El riesgo era mayor: si eran declarados culpables, podían enfrentarse a cinco años de prisión y una multa de 250.000 dólares por cada cargo. Aun así, el juicio tenía una ventaja: no estaban obligados a cooperar con la investigación interna de la universidad.

Menos de una semana después, varios exjugadores fueron citados a declarar ante grandes jurados federales. En agosto de 2000 se confirmó que Robert Traylor y Louis Bullock, que entonces jugaban como profesionales en la NBA y en Italia, habían aceptado dinero de Martin. Parte de esos pagos se había producido incluso después de que Martin tuviera prohibido cualquier contacto con el equipo en 1997.

Ambos jugadores terminaron por cooperar con las autoridades federales. También declararon ante el gran jurado Chris Webber, Jalen Rose y Maurice Taylor.

Mientras tanto, la investigación siguió avanzando. El padre de Webber también prestó testimonio secreto ante el gran jurado y los fiscales continuaron reuniendo pruebas durante casi tres años.

El 21 de marzo de 2002 llegó la acusación formal. El gran jurado presentó ocho cargos contra Martin, su esposa Hilda y su colaborador Clarence Malvo. Según la acusación, dirigían un negocio ilegal de apuestas dentro de la planta Ford River Rouge y habían participado en operaciones de lavado de dinero.

Los fiscales sostenían que Martin había otorgado préstamos por 616.000 dólares a Webber, Taylor, Bullock y Traylor para blanquear dinero proveniente del juego ilegal.

La acusación también detallaba la relación con Webber. Según los fiscales, Martin le había entregado unos 280.000 dólares entre 1988 y 1993, desde el instituto Detroit Country Day School hasta su segunda temporada universitaria en Michigan. El dinero se concedía con una idea clara: los jugadores lo devolverían cuando llegaran al baloncesto profesional.

Las consecuencias legales eran serias. Martin, su esposa y Malvo podían enfrentarse a cinco años de prisión y multas de hasta 250.000 dólares.

El proceso empezó a resolverse en la primavera de 2002. El cargo contra Hilda Martin se retiró como parte de un acuerdo. El 8 de abril, Malvo se declaró culpable de perjurio por mentir ante el gran jurado. El 28 de mayo, Martin aceptó declararse culpable de conspiración para lavar dinero y se comprometió a cooperar con las investigaciones federales, universitarias y de la NCAA.

Pero el caso dio otro giro.

Ed Martin murió el 14 de febrero de 2003 en el Hospital Henry Ford de Detroit a causa de una presunta embolia pulmonar. Estaba a la espera de la sentencia cuando falleció.

La muerte de Martin debilitó buena parte del caso federal por perjurio contra Chris Webber. En julio de 2003, un día antes de que comenzara la selección del jurado, el jugador alcanzó un acuerdo con la fiscalía. Se declaró culpable de un cargo menor de desacato para evitar una posible pena de cárcel. Admitió haber recibido y haber devuelto 38.200 dólares.

Para entonces, la universidad ya había tomado decisiones.

El 7 de noviembre de 2002, la presidenta Mary Sue Coleman y el director deportivo Bill Martin anunciaron sanciones internas. Michigan renunciaba a disputar la postemporada en la temporada 2002-03 y anulaba varias temporadas completas de su historial, incluida la 1992-93, así como todos los partidos de 1995-96 y 1998-99.

Eso borraba varios logros del programa: el título del NIT de 1997, el torneo Big Ten de 1998 y las participaciones en la Final Four de 1992 y 1993. La universidad también devolvió 450.000 dólares que recibió de la NCAA por participar en torneos de postemporada.

Ese mismo día se retiraron del Crisler Center las pancartas que recordaban aquellos éxitos.

Cuatro días después, el departamento de atletismo eliminó de los registros oficiales a Chris Webber, Maurice Taylor, Robert Traylor y Louis Bullock. Sus premios y estadísticas desaparecieron de la historia oficial del programa.

El 8 de mayo de 2003, la NCAA revisó el caso y aceptó las sanciones impuestas por la universidad, aunque añadió castigos propios: dos años adicionales de libertad condicional y la pérdida de una beca en las temporadas 2004-05 y 2007-08.

También ordenó que Michigan rompiera cualquier relación institucional con varios de los jugadores implicados. Robert Traylor, Maurice Taylor y Louis Bullock quedaron desvinculados hasta 2012. La sanción contra Chris Webber se extendió hasta 2013.

Durante ese periodo, Michigan no podía aceptar donaciones ni colaboración alguna de su parte.

El presidente del comité de infracciones, Thomas Yeager, describió el caso Martin-Michigan como una de las tres o cuatro violaciones más graves de las normas de la NCAA.

Las restricciones se mantuvieron durante una década.

La desvinculación de Webber, Taylor y Bullock se dio el 8 de mayo de 2013. Cuando la sanción expiró a medianoche, Webber escribió un breve mensaje en redes sociales:

“OK”.

Durante años la relación entre Webber y la universidad siguió siendo distante. No fue hasta el 3 de noviembre de 2018 que volvió públicamente al campus.

El entrenador de fútbol americano Jim Harbaugh lo invitó a actuar como capitán honorario en un partido contra Penn State en el Michigan Stadium.

Ante más de cien mil personas fue recibido con una ovación.

Más tarde recordaría aquel momento diciendo que sintió escalofríos y que se le llenaron los ojos de lágrimas. El entrenador de baloncesto John Beilein lo resumió de forma sencilla: su presencia allí era un paso en la dirección correcta.

Al mismo tiempo, la universidad reclamó a Webber 695.000 dólares en concepto de indemnización (con dos cojones). Fue el único jugador al que se le pidió ese dinero porque también fue el único que admitió haber mentido ante el gran jurado. Webber rechazó la petición y sostuvo que no había robado nada a la universidad.

Dile a un jugador que produjo miles de millones de dólares con su imagen, de la que nunca recibió un dólar, que veía que su camiseta se vendía por 75 dólares, los contratos televisivos, el Chrysler hasta la bandera que encima devuelva dinero.

Pudieron borrar todo lo relacionado con los Fab Five. Pudieron retirar pancartas, anular temporadas y eliminar nombres de los registros.

Pero no pudieron borrar lo que significaron.

Su puesta en escena.
Los pantalones holgados.
Los calcetines negros subidos hasta arriba.
Las zapatillas negras.

Y cómo cambiaron el baloncesto universitario.

En palabras de Jalen Rose:
“Nuestro legado es que éramos más grandes que el marcador del partido. ¿Queríamos ganar dos campeonatos? Sí. Pero no lo hicimos. ¿Dime quién ganó el campeonato tres o cinco años después? ¿Dime los cinco titulares de North Carolina que nos ganaron?”

O como dijo Juwan Howard:
“He jugado en Miami con LeBron, Wade y Bosh, y no me conocen por el Juwan Howard de los Heat. Me conocen por el Juwan Howard de los Fab Five”.

Podrán matar al poeta, pero no al poema.

Compartir

¿De dónde venimos?

Hay trayectorias que no son lineales y aveces parece que se pierden.
No responden a una explosión, ni a un éxito inmediato.

Son procesos.

Salir, adaptarse a otro entorno, asumir un rol concreto, dudar, reajustar y empezar de nuevo en un contexto distinto.

Francis Alonso se fue del sur siendo un proyecto. En el norte no solo ha encontrado minutos. Ha encontrado dirección.

Y cuando miramos los números, entendemos mejor cómo se ha ido construyendo ese recorrido.

Cuando terminó la universidad en 2019, Francis Alonso salía de UNC Greensboro con más de dos mil puntos y varios récords de tiro. Durante años había sido el referente ofensivo del equipo. Aún así, no salió elegido en el draft.

Le tocó volver a empezar desde el principio.

Francisco Fernando Alonso Martínez nació el 25 de mayo de 1996 en Málaga. Es hijo de Paco Alonso, exjugador y entrenador de baloncesto, así que la relación con este deporte le viene de casa.

Siendo malagueño, su camino no podía empezar en otro lugar que no fuera en las categorías inferiores del Unicaja Málaga. Allí se formó y llegó a disputar algunos partidos con el Clínicas Rincón Axarquía, donde coincidió con Domantas Sabonis.

A los 18 años decidió marcharse a Estados Unidos para estudiar en Cushing Academy, un internado en Massachusetts. Solo estuvo una temporada, pero dejó su huella: promedió 17 puntos, 6,5 asistencias y 3 rebotes por partido. El equipo terminó con un balance de 18 victorias y 8 derrotas y alcanzó los cuartos de final del torneo preparatorio de New England.

Tras esa etapa recibió varias ofertas universitarias, entre ellas las de Virginia, Elon, South Florida, Iona, Western Kentucky y Richmond. Finalmente se decidió por UNC Greensboro, donde completó cuatro años.

Antes de la llegada de Alonso a UNC Greensboro, el equipo acumulaba siete temporadas consecutivas con balance negativo. En su primer año asumió sobre todo el papel de tirador exterior, con protagonismo en situaciones de recepción y lanzamiento. Terminó como máximo anotador del equipo, con una media de 13 puntos por partido.

En su segunda temporada dio un paso más. Promedió 14,9 puntos y 2 asistencias por encuentro y fue una pieza clave en un equipo que alcanzó el NIT. Ese rendimiento le valió la inclusión en el Segundo Quinteto de la Southern Conference.

Como junior elevó su promedio hasta los 15,6 puntos y 2,9 rebotes por partido, liderando al equipo hasta el torneo de la NCAA. En los cuartos de final del torneo de conferencia firmó la mejor actuación anotadora de su carrera, con 31 puntos ante Samford. Fue incluido en el Mejor Quinteto de la SoCon y nombrado jugador más destacado del torneo de conferencia.

El 28 de febrero de 2019 se convirtió en el segundo jugador en la historia de la universidad en superar los 2.000 puntos, tras anotar 18 en la victoria por 100 a 96 frente a The Citadel.

En su último año promedió 17,6 puntos, 2,5 asistencias y 2,3 rebotes por partido, con un 37,1 por ciento de acierto en el tiro de tres. Cerró su etapa universitaria siendo incluido de nuevo en el Mejor Quinteto de la SoCon, esta vez junto a su compañero Isaiah Miller.

Cuando terminó la universidad en 2019, Francis Alonso salía de UNC Greensboro con más de dos mil puntos y varios récords de tiro. Había sido el referente ofensivo durante años, pero no salió elegido en el draft; eran otras épocas.

Total, que el 26 de julio de 2019 firma por dos temporadas con Unicaja, con una tercera opcional. Era el regreso a casa, pero salió cedido al Montakit Fuenlabrada.

El inicio se torció pronto. En la Supercopa sufrió un esguince de tobillo. Intentó jugar así durante unas semanas, pero la inflamación en la articulación no remitía. Terminó parando. La recuperación se alargó cerca de cinco meses. En Fuenlabrada apenas pudo participar en tres partidos, con una media de 1,7 puntos.

A mitad de temporada cambió de equipo y se marchó a Oviedo, en LEB Oro. Allí volvió a tener pista y balón. El 7 de marzo de 2020 firmó su mejor actuación del año: 31 puntos, 7 rebotes y 5 asistencias en la victoria ante Coruña. Poco después regresó a Unicaja.

En Málaga el rol era reducido. En la 2022-23 por lo que buscó continuidad en Bilbao. Más tarde, en Estudiantes, recuperó peso en ataque. Más balón en las manos y más lanzamientos. Durante dos años el ascenso estuvo cerca, pero no llegó (cachis).

El pasado verano decidió aceptar el reto de Breogán, dentro del proyecto de Luis Casimiro. El salto de Primera FEB a Liga Endesa no es nuevo para él.

Esta temporada está produciendo más que en el curso anterior. Venía de 9,3 puntos por partido en Estudiantes, con un 42 por ciento en triples. En Breogán se mueve en 14,9 puntos, 42,6 por ciento desde el triple y un 47,3 por ciento en tiros de dos. Es el duodécimo jugador más valorado de la liga y juega solo dos minutos más por encuentro que el año pasado. Tuvo un bajón de dos jornadas pero en esta útlima, la 20 volvió a brillar

Durante esta temporada ha sido uno de los fijos en la selección.

¿Qué jugador era realmente en Estudiantes?

Durante sus dos años con los del Magata, al menos desde la grada, muchos se preguntaban por qué no tenía más peso en el equipo. Yo también lo pensaba.

Para entender qué jugador fue en Estudiantes, hay que mirar el contexto. Ver qué ocurría cuando estaba en pista, cómo cambiaba el equipo y desde qué zonas generaba ventajas.

Box Creation 24/25 – Primera FEB

En la 24/25 fue el tercer jugador del equipo en Box Creation. Tenía un rol complementario. No lideraba ni organizaba el ataque, pero era tercer jugador que más ventajas generaba en el equipo.

Desde luego, ese 4.38 de Box Creation no define a un generador. Define a alguien que puede producir ventajas puntuales sin monopolizar el balón.

El sistema condiciona mucho. El Estudiantes vivía de Granger. Dos de cada tres ataques arrancaban con un aclarado para él y el resto se abría esperando la ventaja. Lo cual generaba mucha desesperación en la grada. En un esquema así, el margen para que otro jugador acumule creación es ninguno.

Por eso Alonso no aparece con cifras altas. No porque no pudiera generar más, sino porque el ecosistema no estaba diseñado para repartir esa responsabilidad. Este año, en el Estudiantes, tampoco. Su producción nace al atacar closeouts, al salir de bloqueos indirectos o al aprovechar segundas acciones, no desde la cabecera dirigiendo posesiones.

Si miramos solo el dato, puede parecer discreto, pero si miramos el contexto bastante hacía.

Ratings ON/OFF 24/25 – Primera FEB

Como se ve, el equipo funcionaba mejor con él en pista y ese diferencial positivo lo sitúa entre los jugadores con mejor rendimiento colectivo. No fue solamente un anotador: cuando estaba en cancha, el ratio neto del equipo mejoraba. Ese +8.4 de impacto le posiciona en tercera posición antes del gran escalón con el cuarto; está por encima de la mayoría de la rotación. Con él, el equipo atacaba mejor, 113.9 de OFR_ON frente a 110.3 cuando se sentaba. Y lo más interesante aparece atrás: con él el DFR era 99.8, sin él subía a 104.6. La defensa también mejoraba. Eso cambia la lectura porque no hablamos solo de puntos, sino de un jugador que hace que el equipo funcione mejor en ambos lados. Ahora bien, por supuesto que no era el motor del sistema, ese rol lo asumía Granger, pero sí formaba parte de los mejores quintetos. Mantenía la estructura, no pierdía de más, no forzaba tiros y no desordenaba. En un equipo tan dependiente de un generador principal, eso tiene mucho peso. Su impacto no venía del volumen, sino de la eficiencia y de la estabilidad, y por eso ese +8.4 tiene mucho valor.

AST% vs TOV% – Primera FEB

En esta gráfica quiero mostrar que, aunque su función principal era finalizar ataques, no era un agujero negro. El AST% deja claro que en Primera FEB no actuó como generador. Su rol estuvo más cerca de ejecutar que de generar, dentro de un sistema claramente jerarquizado donde la creación principal pasaba por otros (u otro). No aparece en una zona preocupante de pérdidas. Su TOV% no corresponde a un jugador que fuerce decisiones o que colapse el ataque cuando pone el balón en el suelo. No hay señales de descontrol, y tampoco absorbía posesiones sin retorno. Intervenía dentro del flujo, atacaba cuando correspondía y soltaba el balón cuando la jugada lo pedía. Por eso la cuestión no es una limitación técnica, sino funcional. En un sistema donde la lectura ya venía bastante definida, no necesitó asumir más interpretación. Y lo más relevante es que nada en el gráfico sugiere que no pudiera hacerlo si el contexto cambiaba. Recordemos que en su año de high school daba 6,9 asistencias

USG% VS VALORACIÓN 25/26 - ACB

En Primera FEB Alonso aparece con un USG alto, en torno al 25–26%, pero su valoración media se queda claramente por debajo de lo que marcan otros jugadores con ese mismo nivel de uso. Está en una franja donde el volumen es de referencia ofensiva, pero el impacto estadístico global no acompaña en la misma proporción. No es un problema de protagonismo, sino de perfil: gran parte de su producción depende del tiro y de las faltas recibidas, con menos peso en rebote, asistencias o acciones defensivas que también alimentan la VAL. Eso explica por qué, con bastante balón en las manos, su retorno global no termina de situarse en la parte alta del gráfico.

Áreas de influencia 24/25 – Primera FEB

El mapa de tiro es claro, con zonas muy definidas y poca presencia en la parte frontal, especialmente en los dos lados del perímetro, mientras que el volumen en el eje central es bajo y solo aparece alguna incursión puntual hacia la banda derecha. El centro del ataque tenía dueño, ahí vivía Granger, y Alonso operaba un paso por detrás de la primera ventaja, lo que explica el dibujo. No vemos a un jugador que explore todo el campo con bote constante (como Joaquín Rodríguez), sino a alguien que ataca desde espacios concretos, recibe, ejecuta y sale. Su radio de acción no es caótico, es funcional. Hablar de un campo de acción limitado no por carencia, si no por diseño.

En ACB con Río Breogán: lo mismo, pero no igual

Recordemos que:

Según su creador, Ben Taylor, el Box Creation intenta estimar cuántos tiros genera un jugador para sus compañeros a partir de su capacidad individual para crear ventajas, más allá de lo que recogen las asistencias.

Como vimos, en Estudiantes era un generador secundario. En Breogán el contexto cambia y con él cambian sus números. Su Box Creation sube hasta 5,41, claramente por encima del 4,38 que registró en el Estu. El rol en la jerarquía es parecido, sigue siendo el tercer jugador que más ventajas genera para sus compañeros, pero ahora lo hace con mayor volumen y continuidad.

La diferencia está en el entorno. En Estudiantes el ataque estaba muy concentrado, con Granger absorbiendo gran parte de la creación y Alonso interviniendo menos con balón en ventaja inicial. En Breogán el reparto es más equilibrado, con dos bases claros y después él, lo que le abre más situaciones para atacar desde bote y obligar a la ayuda. Ahí se entiende el salto en Box Creation: más penetraciones que terminan en pase extra, más acciones tras bote que fuerzan rotaciones defensivas y más tiros creados de forma indirecta. El contexto cambia y, con él, el tipo y la cantidad de ventajas que puede producir.

Ratings ON/OFF 25/26 – ACB

Con Alonso en pista el equipo tiene un Net ON de +7.9 y sin él cae hasta -16.0. La diferencia es de +23.8 puntos por 100 posesiones y es el mayor diferencial de la plantilla. El ataque mejora con él, pasa de 113.6 a 118.2, pero donde más se nota es en defensa: sin él el DFR se dispara hasta 129.6, mientras que con él se queda en 110.3.

Eso no significa automáticamente que estemos ante un defensor élite. Lo que indica es que los minutos sin él están siendo muy problemáticos para el equipo, y eso puede responder a combinaciones de quinteto, rotaciones, emparejamientos o incluso tamaño de muestra. Aquí conviene separar impacto individual de contexto.

En Estudiantes el diferencial era +8.4, positivo y sólido. El equipo seguía funcionando cuando se sentaba y su papel era el de una pieza que mejoraba la estructura sin alterar su equilibrio. En Breogán su presencia pesa más en el rendimiento colectivo. Aun así, conviene ser prudentes con la interpretación. Un +23.8 no es siempre talento puro. Muchas veces refleja dependencia de rotación y contexto competitivo.

Lo defendible es que su impacto pasa de complementario a diferencial en términos de presencia y ausencia. No porque haya cambiado de forma radical su perfil técnico, sino porque el entorno lo expone más. Y eso encaja con lo que vimos en el Box Creation: no se convierte en base, pero su peso relativo dentro del ecosistema ofensivo crece. Hay evolución, siempre leyendo el On/Off con cautela.

AST% vs TOV% – ACB

Si comparamos esta gráfica con la de Primera Feb, el cambio más claro no está en las asistencias, que se mantienen en torno al 10%, sino en las pérdidas. En Primera FEB su TOV% se movía alrededor del 15%, mientras que en ACB baja hasta el entorno del 10%. Es decir, no aumenta su peso como pasador, pero sí mejora el control del balón en un entorno más exigente. Ha mejorado las perdidas con más presión defensiva y menos espacio. No hay transformación a generar para otros pero sí una evolución en la gestión del riesgo.

USG% VS VALORACIÓN 25/26 - ACB

En Primera FEB Alonso estaba en torno al 25–26% de USG, pero su VAL se movía alrededor de 8–9. Es decir, tenía mucho uso para una valoración relativamente discreta. Estaba claramente por debajo de otros jugadores con USG similar que superaban con facilidad las 12–15 de valoración. Su producción estaba muy concentrada en el tiro y las faltas recibidas, sin un impacto estadístico amplio en rebote, asistencias o acciones defensivas.

En ACB el uso es muy parecido, vuelve a situarse en esa franja media-alta de posesiones finalizadas. La diferencia está en la vertical. Su VAL sube claramente y se coloca en el bloque de jugadores que, con un USG cercano al 25–28%, sí generan valor proporcional. Ya no está en la parte baja del grupo con ese volumen, sino alineado con perfiles productivos. No es un generador primario, pero tampoco un finalizador vacío. Con un uso similar, la eficiencia global es mayor.

En esta gráfica está bastante bien posicionado frente a jugadores con uso parecido. No necesita de mucho balón y poco retorno, sino dentro de la zona coherente entre responsabilidad y rendimiento.

Áreas de influencia 25/26 – ACB

Si comparamos primero con la FEB, recordemos que el mapa de Estudiantes mostraba un perfil mucho más concentrado en la zona frontal y en el eje central. Hay bastante volumen en la pintura y en la parte alta, con presencia clara en los dos lados del perímetro, pero siempre partiendo de ventajas ya generadas. El centro del ataque tenía un dueño definido y él operaba alrededor de esa primera acción. El dibujo refleja a un jugador que finaliza, que ataca espacios abiertos y que pisa la zona cuando la defensa ya está en movimiento.

En ACB con Breogán el mapa cambia. Sigue habiendo presencia frontal, pero el volumen está más repartido y aparece mayor iniciativa desde bote. Las zonas calientes se desplazan ligeramente y se amplía el radio de acción, sobre todo me llama la atención las dos bandas del triple. No depende tanto de recibir con ventaja creada, ahora hay más situaciones en las que él mismo provoca la ayuda y condiciona la rotación defensiva.

Si vamos al análisis puro, lo que vemos es coherente con el salto en Box Creation. En Estudiantes su campo de tiro estaba delimitado por función. En Breogán ese campo se expande porque su participación en la ventaja inicial crece. No se convierte en un generador primario, pero sí asume más posesiones donde decide tras bote.

El mapa no habla solo de dónde tira, habla de cómo llega a esos tiros. En FEB predominaban las recepciones y las segundas acciones. En ACB aparecen más situaciones creadas por él mismo. El cambio no es radical, pero sí suficiente para explicar por qué su peso ofensivo es mayor en el nuevo contexto.

La intención de este análisis no es convertir su temporada en un relato grandilocuente ni forzar una narrativa heroica. Es algo más sencillo: mirar cómo un jugador que en Estudiantes tenía un rol, mas bien discreto, quizás marcado por el contexto ha ampliado su influencia cuando el entorno le ha pedido otra cosa (o permitido otra cosa).

Los mapas, el Box Creation, el control de pérdidas y el impacto colectivo apuntan en la misma dirección. No hablamos de un cambio de identidad, sino de un aumento de la responsabilidad y para eso necesitas que el talento esté latente; esperando que alguien lo active.

Para quienes lo vimos en el Magata, ha sido una sorpresa ver esa evolución y también una cierta rabia por no haberla visto antes en el Estu. Nadie imaginaba este salto. No estaba perdido como jugador, pero sí pasó por etapas de inestabilidad, cambiando de equipo y de contexto sin terminar de asentarse. En Lugo ha encontrado algo que va más allá de los números: continuidad, confianza y un rol claro desde el que crecer. Ha asumido más decisiones sin que el error se dispare y ha convertido ese volumen en impacto en ACB y en la selección española. En ese sentido, Lugo sí ha sido su norte.

Qué tal todo.

He tenido la tentación de publicar el tema en el que estoy trabajando con lo que ya tengo, que es muchisimo, pero me sentiría mal por no hacerlo tal y como lo tengo pensado y acabar entregándolo a la mitad. No soy de los que se sienten reconfortados con la máxima de “antes hecho que perfecto”. Prefiero, no ya que esté perfecto, sino que sea aquello que proyecté en mi cabeza. Si luego está o no perfecto, será lo que mi capacidad dé de sí al desarrollar el tema.

Le he dado muchas vueltas a esta idea de entregar los viernes, sea como sea y sea lo que sea, y la verdad es que no le encuentro sentido si el resultado es malo o simplemente no cumple el estándar al que quiero llegar. No quiero que suene a excusa, pero trabajo en algo totalmente distinto y muchas veces solo me queda una o dos horas para dedicarle a esto.

Por lo que no pongo una fecha. No creo que sea dentro de mucho, pero necesito desarrollar cosas y extraer datos que todavía no sé bien ni cómo extrerlos.

Muchas gracias por todo.

Repaso de la J16 en la ACB

En este tutorial voy a explicar paso a paso cómo construir un gráfico que muestra la composición de nacionalidades en jugadores U22 por equipo, usando datos alojados en Supabase, y aplicando el estilo visual que suelo usar.

El resultado final es un gráfico por equipos donde:

• Cada cuadrado representa un jugador.

• El color indica la nacionalidad (Española / No Española / Desconocida).

• Aparece el logo del equipo integrado en el eje.

Pero antes vamos hacer un repaso de la jornada 16 de la ACB previa a la última jornada de la primera vuelta, la 17, donde quedan todavía por decidirse los dos últimos equipos que irán a Valencia.

Esta última jornada ha dejado prácticamente decidido quién jugará la Copa del Rey 2026 y, por si alguien no lo tiene claro, voy a explicar brevemente cómo funciona el sistema.

La clasificación es directa. Entran los ocho primeros equipos de la Liga ACB al final de la primera vuelta, tras la jornada 17. A esto se añade el papel del anfitrión, que tiene la plaza asegurada. Si el organizador ya está entre esos ocho primeros, no cambia nada y se clasifican los ocho mejores. Si no lo está, entra el anfitrión y se completan las plazas con los siete mejores equipos restantes, dejando fuera al octavo clasificado.

En caso de empate a victorias al final de la primera vuelta, el primer criterio es el basket-average en los partidos entre los equipos implicados. Si el empate se mantiene, se recurre a la diferencia de puntos general. Solo cuentan los partidos de la primera vuelta, no influyen resultados posteriores y no existen invitaciones ni decisiones discrecionales. Es un sistema cerrado y completamente reglado.

Con esto claro, la situación actual es esta: con los balances de la Liga Endesa a estas alturas, hay varios equipos que ya han asegurado matemáticamente su presencia o están prácticamente dentro. El Real Madrid lidera la ACB, Valencia Basket tiene además la condición de anfitrión, el FC Barcelona se mantiene en los puestos altos, UCAM Murcia se mueve en el rango del top 3-4, Joventut de Badalona ya está confirmado de forma matemática y Unicaja Málaga, sexto clasificado, tiene la plaza muy encarrilada. En la práctica, estos seis equipos tienen su billete casi asegurado para la Copa del Rey 2026.

La pelea real está en las dos plazas restantes, que se decidirán tras la jornada 17, al cierre de la primera vuelta. Baskonia ocupa ahora mismo una posición alta y depende de sí mismo para entrar. La Laguna Tenerife también tiene opciones si gana su próximo partido y mejora el average, mientras que Surne Bilbao Basket sigue en la carrera siempre que saque adelante sus últimos encuentros. Aquí, cualquier detalle puede marcar la diferencia.

Y hasta ahora en la ACB, al menos para mí, y creo que no me equivoco si digo que para casi todo el mundo, la gran noticia, por lo inesperada y para alegría del Breogán, es otra muy distinta.

Francis Alonso (16 DRE):

Recordemos, o al menos yo lo recuerdo muy bien, que Francis viene de jugar dos años en Primera FEB con Estudiantes, sin brillar especialmente. Un paso discreto, incluso generando dudas del tipo: si este tío es bueno, ¿por qué no brilla? Esa sensación quedó ahí y despues de la desilusión de la Final Four por el ascenso el fichó por el Rio Breogan. Y mira que tarjeta:

Read more