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

a month 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

“La Liga U nace con el objetivo de facilitar y potenciar la vida académica con la formación deportiva al más alto nivel… ofreciendo orientación y becas que permitan compaginar estudios universitarios o de formación profesional con una competición exigente.”

Este fue el claim de la FEB cuando creó la U22, como respuesta a la fuga de talento que el baloncesto español venía sufriendo en los últimos años. Una fuga que se agravó especialmente el último curso, cuando el número de jugadores españoles que cruzaron el Atlántico creció más de un 50%. La liga nace así, al menos desde mi punto de vista, como un intento de retener, o al menos de tapar, esa hemorragia. Y así lo reflejé en este post:

No estoy diciendo que esto sea malo. Tampoco que sea insuficiente. Cada uno puede valorar si le interesa o no. Lo que a mí me hace levantar la ceja es el orden de los acontecimientos. Primero se va el talento y después se crea la liga como medicina frente a esa falta de talento, frente al salto tan vertiginoso entre formación y élite y, sobre todo, frente a una realidad que lo detona todo: los equipos pierden su inversión sin ningún tipo de poder para evitarlo.

Suscríbete ahora

De hecho, siempre he visto la fuga como algo positivo, como un proceso natural en el que el talento nacional pueda desarrollarse en el mejor entorno posible y que me discuta alguien que la NCAA no lo es. En esa línea, el propio seleccionador nacional, Chus Mateo, lo expresó con claridad al hablar de los jóvenes que se marchan a la NCAA: “Prefiero que los jugadores se vayan a Estados Unidos y tengan minutos, a que se queden aquí sin jugar.”

El punto de fricción: un 32% de jugadores no nacidos en España

Y todo esto está muy bien, pero cuando me pongo a analizar la liga y veo que un 32% de los jugadores no han nacido en España, algo me hace levantar la ceja. No porque el dato sea, por sí solo, un problema, sino porque me obliga a replantearme el propósito de la competición. No sé si es mucho o poco. Bueno, miento: me parece mucho. Aunque quizá sean películas mías, y el objetivo de la liga no sea exactamente desarrollar talento español, sino otra cosa (¿entro en modo conspiranoico? Puedes ser).

Porque hay otra lectura posible. Que incluso en una liga Sub-22 los equipos ya funcionen como academias-granja, rastreando talento competitivo venga de donde venga, formándolo el tiempo justo y utilizándolo como materia prima para alimentar a las primeras plantillas del club o para lo que sea. Un modelo eficiente, sin duda. Pero quizá no exactamente el que uno imagina cuando se habla de una liga creada para “desarrollar talento joven español”.

Esta gráfica admite varias lecturas. Puede verse como el vaso medio lleno o medio vacío: si hay suficientes jugadores españoles o si el número de no españoles es demasiado alto. También puede leerse simplemente como que el número de españoles sigue siendo mayor que el de no españoles y que, aun así, equipos como el Real Madrid o el Barcelona apuestan claramente por el jugador internacional.

Dejemos estas preguntas en el aire y demos estas reflexiones o las que surjan, como todas correctas. A mi, de momento la gráfica me recuerda a Paretto. Como señalaré al final.

La Ley de Pareto, o regla 80/20, establece que el 80% de los resultados proviene del 20% de las causas, identificando una distribución desigual donde una minoría de esfuerzos genera la mayoría de los efectos

La Liga U ha llegado a su punto de inflexión

Con el cierre de la primera fase regular de su historia, 14 jornadas que han servido para ordenar fuerzas y dibujar el escenario de lo que viene, la competición entra en una nueva etapa.

La liga se organizó desde el inicio en dos grupos: uno de 8 equipos, el grupo A, y otro de 7, el grupo B. En el primero se situaron los equipos con mejor ranking acumulado en las últimas cinco temporadas del Campeonato de España Junior, mientras que el resto quedó encuadrado en el grupo B. Durante esas 14 jornadas se disputó una liga a doble vuelta dentro de cada grupo.

Con los grupos ya clasificados, el foco se trasladó a un momento clave: el play-out, una fase eliminatoria que decidió qué equipos competirán en el grupo A en la siguiente ronda y cuáles deberán hacerlo en el grupo B.

Tras la primera fase, los seis primeros clasificados del grupo A aseguraron su continuidad en la élite. Barça Atlètic (12-2) y Real Madrid (11-3) marcaron el ritmo en la parte alta, seguidos por Casademont Zaragoza (10-4), Fundación CB Canarias (8-6) y Joventut Badalona (4-10), que se benefició del triple empate con Valencia y BAXI Manresa. Desde el grupo B, Gran Canaria, líder con un sólido 11-1, logró el ascenso directo al grupo A.

Clasificación Grupo A – Primera Fase

Clasificación Grupo B – Primera Fase

La Liga U ya ha afrontado su jornada de repesca (play-out) como punto de inflexión, con dos eliminatorias a partido único que definieron el acceso al Grupo A en la segunda fase: Burgos Grupo de Santiago se impuso por 87-85 a Valencia Basket y BAXI Manresa venció a UCAM Murcia por 79-72, resultados que confirmaron el ascenso del conjunto burgalés al Grupo A en lugar de Valencia y la permanencia de Manresa en ese grupo. Resueltos estos cruces, la competición entra ahora en su segunda fase, de nuevo dividida en dos grupos y con una liga completa a doble vuelta sin arrastrar resultados, antes de abrir el camino hacia el play-in y la posterior Final 6, donde se decidirá el campeón de la Liga U 25/26 y se configurará la composición de los grupos para la temporada 2026/27.

La liga entra en decantación

Y ahora vuelvo al principio. Y ahora que hemos agitado el bote, lo hemos dejado reposar y, como siempre, el agua y el aceite han terminado separándose vemos como los grupos ya se han decantado: el grupo A, el de los buenos, y el grupo B, con B de menos buenos. Con este reparto encima de la mesa, voy a mirar algo incómodo para algunos, porque entiendo el esfuerzo y el cariño con el que se está haciendo este proyecto: cuántos jugadores nacidos en España hay realmente en cada grupo.

La gráfica confirma con números algo que ya intuía.

En el grupo A, el peso del jugador no nacido en España es claramente mayor. Para añadir contexto hay que decir que el grupo A tiene 8 equipos y el grupo B tiene 7 y que con un equipo menos hay el mismo número de jugadores nacionales. El grupo A donde estan los mejores equipos son los que incorporan mas perfiles extranjeros en una liga que, al menos en el discurso, nace para retener al jugador nacional.

En el grupo B, y esto a mí me da un poco de pena, es donde hay mayoría de jugadores españoles y, al mismo tiempo, donde los equipos son menos competitivos. No estoy diciendo por qué pasa ni cómo trabaja nadie. El dato es ese: cuando el nivel baja, el jugador nacional aparece más; cuando el nivel sube, desaparece.

Lo que me incomoda no es que haya jugadores extranjeros en la liga. Lo que si lo hace es que la fortaleza deportiva venga acompañada de un cambio en el porcentaje de las nacionalidades de los jugadores. Si la Liga U pretende ser una respuesta estructural a la fuga de talento, esta foto obliga a asumir una contradicción clara: el nivel más alto de la competición se está sosteniendo, en buena medida, con jugadores que no forman parte de ese talento que se quiere proteger.

¿Quienes son los mejores jugadores de la u22?

Este es el Top 15 hasta la jornada 14. Seis de los quince jugadores más destacados no son nacionales, un 40%, lo que deja un dato aún más claro: el 60% del Top 15 no es talento nacional. El grupo A está compuesto en un 63% por jugadores nacidos en España y en un 36% por jugadores no nacionales, pero cuando miramos a los que más impacto tienen, la proporción se invierte. No es un Pareto perfecto, es dificil ignorar lo que se puede leer entre lineas: en una liga que nace con la idea de retener talento nacional, la mayoría de los jugadores más determinantes no forman parte de ese talento que, en teoría, se quiere proteger.

Mi conclusión: La liga un 10 los clubs 4,5

Tengo que reconocer que cuando empecé a pensar este post era bastante más descreído con el proyecto. Esa sensación me fue creciendo al leer posts, noticias de la liga o ver highlights en los que apenas encontraba presencia de jugador español. Es verdad que se puede entender que muchos de los que deberían destacar aquí estén en la NCAA o directamente jugando ACB, y eso forma parte del contexto.

Pero a medida que he ido investigando y empapándome de la liga, mi percepción ha cambiado. Me he reconciliado con ella porque está bien organizada y porque está construida, al menos desde fuera, con buenas intenciones y con ilusión. Esa es, sinceramente, la sensación con la que me quedo.

Donde sigo teniendo dudas es en el papel de los clubes de primer nivel. Da la impresión de que existe poco interés real en poner en el centro al jugador español, y eso termina reflejándose cuando miras quiénes son los jugadores más destacados de la competición. Por suerte, todavía hay organizaciones como Joventut, Bilbao, Unicaja o Granada que, aunque no siempre obtengan los mejores resultados, sí están haciendo lo que se supone que esta liga debería fomentar.

Me voy dejando una reflexión

Muchas gracias

Compartir

Gonzalo Corbalán

Con Gonzalo Corbalán reconozco que tengo una relación de odio-amor bastante fuerte. Odio desde el partido del año pasado en el que San Pablo Burgos nos ganó 91 95 al Estudiantes. Aquel día nos metió 23 puntos, cogió 7 rebotes, se fue a 29 de valoración y acabó levantando el puño a la grada. Lo tuvimos ahí. Pero también hay amor, porque sabiendo el jugador que es llevo toda la temporada apostando por él en el SuperManager y, la verdad, me ha dado bastantes alegrías. En esta última jornada se salió con 27 de valoración y además firmó el DRE más alto, con una tarjeta muy limpia, grandes porcentajes y ninguna pérdida, en el enfrentamiento directo ante Covirán Granada para salvar la categoría. Y no fue un hecho aislado: días antes ya había asumido galones en Gran Canaria con 20 puntos y, frente a UCAM Murcia, volvió a ser el referente incluso en la derrota, con 25 puntos y 29 de valoración. Por eso llevo toda la temporada apostando por él.

Nicolás Laprovittola

Laprovittola es el típico jugador que no te puede caer mal. Además, hay que tener en cuenta que esta temporada venía de arrastrar problemas musculares, sobre todo una lesión de aductor que lo tuvo fuera varias semanas, y en noviembre volvió a caer, perdiéndose de nuevo partidos. Él mismo lo explicó después, diciendo que viene de lesiones pequeñas, que se está adaptando y que se levanta cada día creyendo que puede aportar al equipo. Y aportó, y mucho, en un Clásico que nunca es sencillo: 19 puntos y 9 asistencias en el Movistar, controlando el ritmo y tomando decisiones cuando el partido se apretaba. No es casualidad que su mejor versión coincida con la llegada de Xavi Pascual, que le ha devuelto galones y responsabilidad. Lapro no hace ruido, pero cuando está sano y con confianza casi todo pasa por él. Y eso, después de una lesión, tiene todavía más mérito.

Danko Branković

El partido ante Unicaja fue la confirmación de algo que llevaba semanas viéndose venir: llega a enero en su mejor tramo de la temporada. Ante Surne Bilbao abrió la serie con 16 puntos, castigando tanto cerca del aro como desde fuera, con 5 de 8 en tiros de dos y 2 de 3 en triples, sumando además 5 rebotes y un +6 en pista. En Badalona, pese a la derrota, volvió a estar sólido. Firmó 14 puntos, con buenos porcentajes, 5 de 7 en tiros de dos y 1 de 2 en triples, añadió 4 rebotes y alcanzó los 17 créditos de valoración. Frente a Baskonia, en un partido con menos minutos, fue directo y eficiente. Anotó 12 puntos sin fallos en tiros de dos, 3 de 3, con acierto exterior, 2 de 3 en triples, capturó 5 rebotes y repitió 17 de valoración. Y contra Unicaja dominó el encuentro desde el físico y la continuidad: 16 puntos, 11 rebotes y 29 de valoración en una actuación completa, sólida y constante. Fue su gran noche, no tanto por una explosión puntual, sino por la sensación de control durante todo el partido. Cada ventaja del Breogán pasó por su presencia cerca del aro, imponiéndose en el rebote y castigando cada desajuste defensivo. El doble-doble, poco habitual en la ACB, habla por sí solo de su partidazo.

Mihajlo Andrić

Ay Mihajlo, mi Mihajlo. A punto estuve el año pasado de comprarme su camiseta, pero se nos marchó. Me alegro de que le esté yendo tan bien, a él y a Francis Alonso, aunque también me da algo de rabia, porque podrían haber jugado así el año pasado. En fin. Si Branković sostuvo al equipo, Andrić fue quien rompió el partido. Así lo recogieron tanto La Voz de Galicia como El Progreso, destacando su impacto desde el perímetro: 22 puntos, con un 6 de 8 en triples, y 22 de valoración. Sus aciertos llegaron justo cuando Unicaja amagaba con reaccionar, cortando cualquier intento de remontada. Fue mi Mihajlo quien abrió la brecha definitiva y convirtió un partido igualado en una victoria cómoda.

Melwin Pantzar

Pantzar no hace mucho ruido, pero en la jornada 14, en la victoria del Surne Bilbao Basket en Girona por 89 93, fue el jugador más valorado del equipo con 24 de valoración, sosteniendo al Bilbao desde la dirección. 11 puntos, 4 asistencias, buen acierto y mucha lectura para manejar los momentos calientes del final. No fue un partido de grandes alardes, pero sí el tipo de actuación que te saca una victoria clave fuera de casa.

De los tres últimos, nada que destacar. Bastante tienen los pobres.

Los Españoles mas destacados en la NCAA

Empezamos por orden de lista y nos detenemos en los cinco jugadores más importantes.

Rubén Domínguez (Texas A&M)

Rubén Domínguez ha tenido continuidad en la rotación de Texas A&M durante toda la temporada. Su tiempo en pista se ha movido casi siempre entre 20 y 30 minutos, sin cambios bruscos desde noviembre.

Read more

Suscríbete ahora

Aun así, mi intuición me decía que había algo más profundo bajo la superficie, algo que el simple “talento contra defensa” no explicaba del todo. Dejando a un lado las teorías de la conspiración, la pregunta era inevitable: ¿qué está ocurriendo realmente?

Spoiler: no es complot arbitral, no es quién me pita hoy; es lo que compensa hacer en pista.

¿Qué está pasando?

Los equipos han decidido aceptar más faltas porque el retorno ofensivo es mayor. No porque alguien haya cambiado las reglas por decreto, sino porque el juego está recompensando acciones distintas.

Al analizar los datos, lo primero que aparece es una imagen de estabilidad. Durante varias temporadas (2018–2024), el baloncesto ACB se movió dentro de un equilibrio claro. Cambiaron los perfiles de los jugadores, el triple ganó peso y los ataques ajustaron sus prioridades, pero la relación entre contacto y castigo apenas se alteró. Defender costaba, estadísticamente, lo mismo año tras año.

El ratio de tiros libres por intento de tiro de campo se mantuvo en un rango estrecho (0,29–0,32) y las faltas por cada 100 posesiones permanecieron estables. Era un periodo de continuidad: mismo umbral arbitral, misma tolerancia al contacto, mismo precio por defender.

Ese marco estable es lo que hace que la temporada 2025-26 destaque tanto. No es una prolongación de una tendencia; es una ruptura. El FT/FGA salta hasta 0,384, un incremento cercano al 20 % respecto al año anterior. Las faltas por 100 posesiones también aumentan, pero lo hacen mucho menos.

Defender no implica cometer muchas más faltas lo que implica es que esas faltas cuestan más.

El elefante en la habitación

Llegados a este punto, conviene introducir un matiz importante. No hay constancia pública de una circular arbitral que ordene explícitamente proteger más al tirador ni de un cambio de criterio impuesto por decreto. Lo que sí existe es un cambio de marco. Desde el 1 de octubre de 2024 están en vigor las nuevas reglas e interpretaciones oficiales de la FIBA, que son las que se aplican en la ACB en las temporadas 2024-25 y 2025-26. No introducen reglas radicalmente nuevas, pero sí refuerzan la consistencia en la sanción del contacto ilegal cuando el jugador tiene control del balón, especialmente en acciones cercanas al tiro.

Ese ajuste, aunque sutil, cambia lo que compensa hacer en pista. Y cuando el castigo esperado del contacto en el tiro aumenta, el juego se adapta.

Hasta aquí, el análisis agregado apunta la dirección, pero para entender el mecanismo hay que bajar al play-by-play. Ahí la cosa se vuelve más nítida. El volumen total de faltas apenas cambia entre la temporada pasada y la actual. No es que este año sea más agresivo ni más desordenado. Lo que sí cambia -y de forma contundente- es la consecuencia.

En 2024-25, algo más del 54 % de las faltas personales terminaban en tiros libres. En 2025-26, ese porcentaje se acerca al 60 %.

Todo esto plantea una pregunta inevitable: ¿qué impacto real tiene este cambio en la eficiencia ofensiva de la liga?

La respuesta no exige modelos complejos, sino una descomposición contable sencilla: mantener constantes el ritmo y la eficacia en el tiro libre, y preguntarse qué habría pasado si en 2025 se hubiera pitado como en 2024.

El resultado es claro. El ORtg de la ACB en 2025 es de 111 puntos por 100 posesiones, pero sin el aumento del FT rate se habría quedado en torno a los 107.

No estamos ante una mejora ofensiva: los tiros libres no elevan el ataque, evitan que caiga mucho más.

Este es el matiz clave. El ORtg de la liga no crece —de hecho, es ligeramente inferior al del año pasado—, pero esa aparente estabilidad es engañosa. Sin el desplazamiento del juego hacia la línea, el ataque habría sufrido una caída mucho más pronunciada.

En términos prácticos, cuatro puntos de ORtg no son marginales: en la ACB separan a un ataque medio de uno claramente de parte alta. Y esos puntos no vienen de tirar mejor ni de jugar más rápido, sino exclusivamente de ir más veces a la línea de personal.

Este cambio no es solo estadístico. Afecta directamente a cómo interpretamos casi todas las métricas defensivas actuales. Un equipo puede estar defendiendo igual —o incluso mejor— que hace dos temporadas y, aun así, parecer peor en rating defensivo simplemente porque el castigo esperado por cada contacto es hoy mayor.

A partir de aquí, comparar el ORtg y el DRtg de 2025 con temporadas anteriores sin ajustar por este cambio de contexto es, como mínimo, engañoso.

Pero todo esto me plantea una duda bastante básica, quizá desde la ignorancia: ¿cómo es posible que, generando más tiros libres, tirando más de tres, cargando el rebote ofensivo y forzando más pérdidas de balón, el ORtg de la liga sea aun así menor que el del año pasado? ¿O quizá es precisamente por eso?

Una forma útil de entender esta aparente paradoja es separar posesiones ganadas de eficiencia por posesión. Desde hace años, análisis en la NBA —John Hollinger ha escrito varias veces sobre ello— apuntan a que estrategias basadas en ganar posesiones vía rebote ofensivo o presión para forzar pérdidas no garantizan, por sí mismas, un ORtg alto. Generar más posesiones suele implicar aceptar ataques más incómodos: segundas opciones tras rebote con menos ventaja, tiros fuera de ritmo o posesiones que nacen del caos más que de la estructura. Se amplía el volumen, pero se rebaja la calidad media. En ese contexto, no resulta extraño que el ORtg de la liga sea menor que el año pasado incluso cuando se buscan más rebotes ofensivos y más robos. Lo que cambia en 2025 es que esa pérdida de eficiencia queda parcialmente compensada por los tiros libres, que actúan como un estabilizador: no elevan el ataque, pero amortiguan el coste de jugar más posesiones desde el contacto y la fricción.

Y dicho todo esto, entendiendo mejor el contexto en el que se mueve ahora el juego y por qué el juego se ha desplazado hacia la línea, uno puede dejar de hablar de conspiraciones.

Eso sí: cuando los arbitros pitan en contra de mi equipo, sigo pensando lo mismo.. 😂 😂

Muchas gracias y feliz año

Suscríbete ahora

Qué tal todo y Feliz Navidad espero que hayais disfrutado mucho de vuestros Beloved ones.

Jornada 11 en la ACB y de repente VAN BECK. Los 5 mejores

Aunque su nombre nos despiste, a mí me pasa a menudo con los nombres, es un jugador nacido en Houston, Texas. Wasley Van Beck es de esos casos en los que nadie espera que se fuera a salir esta jornada, pero sí era esperado. Llegó al Tenerife para cubrir la baja de Kramer, que fue fichado por el Real Madrid.

Wesley Van Beck (DRE +15.6)

Con 27 puntos en 20:56 y un acierto excepcional en triples, 8 de 9, Van Beck fue el motor ofensivo del Lenovo Tenerife esta jornada. Su DRE de +15.6 se sostiene casi por completo en ese 8/9 desde el triple, que compensó el desastre de Shermadini que me comí en el Supermanager.

Sergi Martínez (DRE +13.7)

Martínez sumó 20 puntos y 7 rebotes en el toma y daca que fue el partido contra Tenerife intentando contrarrestar la abalancha de triples que se les venía encima. 4/4 en tiros de 2 y 4/5 en tiros de 3 rozó la perfeccción.

Markus Howard (DRE +13.4) – Baskonia

En una victoria agónica y en la última posesión, una vez más, tras un tropiezo delante de Alberto Díaz del que logra levantarse, finta a un defensor del Unicaja y mete un triple espectacular que da la victoria a los vitorianos sobre la bocina. Nueve puntos en el último minuto del estadounidense, decisivos para el triunfo baskonista. Aunque la noticia reciente era su regreso tras lesión y un proceso febril, Howard firmó una actuación sólida en la J11 con 30 puntos.

Devin Robinson (DRE +12.7) – Zaragoza

Junto a Trae Bell-Haynes con 23 puntos, un rebote y siete asistencias, Santi Yusta con 22+4+1, Devin Robinson se marcó un partido de 23 puntos, 6 rebotes y 1 asistencia.

Francis Alonso (DRE +12.0) – SBB

Un dato claro: su aportación de 22 puntos en menos de 17 minutos es excepcional y explica cómo alcanza ese +12. Pero personalmente me da un poco de rabia porque este Francis Alonso es el que hubieramos necesitado en el Estudiantes el año pasado.

Los 3 Peores

Raul Neto, con un DRE de −3.8, encabeza el Top de la vergüenza, sobre todo por las seis pérdidas. Brian Angola le sigue con un DRE de −4.0, tres pérdidas y ningún punto, ya que falló los tres tiros que intentó. Y para cerrar, la gran decepción para todos, especialmente para quienes lo llevaban en el SuperManager, Jean Montero, con un DRE de −4.4 y −5 de valoración. Perdió más balones que asistencias y tiró poco y mal. Cuando un jugador de su calidad da de repente este bajón, suele coincidir con alguna lesión no comunicada. Veremos (esto son peliculas mías).

¿Un café?

Españoles en la NCAA esta semana

Esta semana deja un protagonismo claro para Aday Mara y un segundo escalón en el que aparecen nombres como Baba Miller y Pablo Tamba, mientras que el resto mantiene un impacto más puntual y ligado al contexto.

Aday Mara (Michigan)

Es el nombre propio de la semana. Su producción ofensiva (14,5 puntos en solo dos partidos y 24 minutos de media) lo sitúa como el español con mayor visibilidad ahora mismo. Destaca por su eficiencia cerca del aro, su presencia física y un rol cada vez más estable dentro de la rotación.

Baba Miller (Cincinnati)

Semana correcta, 11 puntos y aportación en varias facetas, aunque sin generar los titulares de la semana pasada. Su rendimiento se mantiene en una línea estable.

Pablo Tamba (LSU)

Sus 14 puntos en 38 minutos lo colocan bien en la tabla, pero la cobertura es mínima y prudente. Es un jugador que esta aprovechando sus oportunidades.

O sea, Aday sigue en progresión y Baba sigue estable, el resto siguen en su rol.

La semana pasada escribí y repasé los premios individuales de mitad de temporada. Si se te pasó o no lo viste en su momento, aquí lo tienes:

La verdad es que no fue de los posts que más interés despertó, aunque me quedo con que gente a la que admiro sí me dio un feedback muy positivo, algo que agradezco de verdad.

En ese post acompañé cada categoría con un gif animado que reflejaba la evolución de las probabilidades que Las Vegas asignaba a cada jugador para ganar el premio, día a día, desde casi el inicio de la temporada.

¿Por qué digo casi?

Para hacer esos gifs necesito extraer cómo evoluciona la línea de probabilidad cada día desde el inicio de la temporada. Lo de “casi” es porque la NBA empezó el 20 de noviembre y yo comencé el seguimiento el día 24.

¿Extraerlo a mano? Eso exigiría mucha disciplina y sería tan aburrido como darle a un botón cada día y guardarlo en CSV. Por suerte aprendí a usar GitHub Actions y un robot, por decirlo así, lo hace por mí. A esto le dediqué un post y, si no lo leíste, lo tienes aquí:

De la pagina https://www.rotowire.com/betting/nba/rookie-odds.php extraigo el Json y con este pequeño código guardo cada día los resultados:

library(dplyr) # para manipular los datos
library(jsonlite) # para obtener los datos

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

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

# url para obtener las probabilidades de roy de rotowire
url <- "https://www.rotowire.com/betting/nba/tables/player-futures.php?future=Rookie"

# obtener los datos
result <- fromJSON(txt = url)

# agregar la fecha de hoy como una columna
df <- result %>%
  mutate(date = today)

# guardar el dataframe como .csv en una carpeta llamada "data/"
write.csv(df, paste0("data/roy_odds_", gsub("-", "_", today), ".csv"), row.names = F)

El action de GitHub se encarga de hacerlo todos los días y aquí también comparto el código por si alguien quiere replicarlo o adaptarlo

name: Cuotas del ROY

on:
  workflow_dispatch:
  schedule:
    - cron: '30 8 * * *'

jobs:
  Get-NBA-ROY-Odds:
    name: Actualizar cuotas del ROY 
    runs-on: ubuntu-latest
    env:
      GITHUB_PAT: ${{ secrets.GITHUB_TOKEN }}
    steps:
      - uses: actions/checkout@v3  
      
      - uses: r-lib/actions/setup-r@v2
        with: 
          use-public-rspm: true
          r-version: 'release'
          
      - name: Install libcurl and libssl on Linux
        run: sudo apt-get -y install libcurl4-openssl-dev
        shell: bash
        
      - name: Cache CRAN packages
        uses: actions/cache@v3 
        with:
          path: ${{ env.R_LIBS_USER }}
          key: ${{ runner.os }}-r-${{ hashFiles('**/DESCRIPTION') }}
          restore-keys: ${{ runner.os }}-r-
          
      - name: Install CRAN packages
        uses: r-lib/actions/setup-r-dependencies@v2
        with: 
          packages: jsonlite, dplyr
          
      - name: Run R update script
        run: Rscript roy-odds.R
        shell: bash

      - name: Commit changes in data folder
        run: |
          git config --global user.name 'github-actions[bot]'
          git config --global user.email 'github-actions[bot]@users.noreply.github.com'
          git add data/roy_odds_*.csv
          git diff --cached --quiet || git commit -m "Auto-update: roy odds"
        shell: bash

      - name: Push changes
        run: git push
        env:
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}

¿Cómo hago el Gif?

Después de haber explicado cómo voy almacenando los datos, ahora toca explicar cómo cargo todos los CSV que se van generando en mi sistema y, después, cómo construyo el gif.

Lo primero son las librerías. En este caso, la más importante es {gganimate}, que es la encargada de animar los datos.

library(tidyverse) #manipular datos
library(gganimate) #animar datos
library(zoo)
library(hoopR) #en este caso colores y nombres de equipo
library(prismatic) #oscurecer colores originales
library(ggtext) #texto enriquecido

# Mi caption personalizado
twitter <- "<span style='color:#c8102e;font-family: \"Font Awesome 6 Brands\"'>&#xE61A;</span>"
tweetelcheff <- "<span style='font-weight:bold;color: black;'>*@elcheff*</span>"
insta <- "<span style='color:#E1306C;font-family: \"Font Awesome 6 Brands\"'>&#xE055;</span>"
instaelcheff <- "<span style='font-weight:bold;color: black;'>*@sport_iv0*</span>"
github <- "<span style='color:#c8102e;font-family: \"Font Awesome 6 Brands\"'>&#xF092;</span>"
githubelcheff <- "<span style='font-weight:bold;color: black;'>*IvoVillanueva*</span>"
caption <- glue::glue("**Datos**: *@NBA* | **Gráfico**: *Ivo Villanueva* • {twitter} {tweetelcheff} • {insta} {instaelcheff} • {github} {githubelcheff}")

Ahora cargamos los colores y nombres de los equipos.

teams <- hoopR::nba_teams() %>% 
  select(team = team_abbreviation, color, alternate_color) %>% 
  mutate(color = paste0("#", color),
         alternate_color = paste0("#", alternate_color))

Read more

El domingo pasado, sufriendo en el Movistar Arena el partido de Estudiantes digo sufriendo porque al Estudiantes se le sufre el 95% de las veces más de lo que se ve o se disfruta el partido, estaba comentando cosas con mi amiga Sara y me preguntó si ya tenía pensado el post del viernes. Le dije que sí, pero lo dije con la boca pequeña. No sé si lo notó, solo de pensar en la semana que me esperaba y en el tema sobre el que quería escribir, este post, se me hacía un poco como el Col du Tourmalet y no se si iba a coronarlo con exito. Hacía unos días que vi este capitulo de Drafteados

en el que dan su visión de cómo están los premios individuales de la temporada 2025-2026. Me pareció interesante, pero creo que una buena forma de enfocar el tema es mirar qué dicen en Las Vegas sobre quiénes tienen más probabilidades de llevarse cada título. Voy a empezar por los recién llegados.

Suscríbete ahora

Rookie of the Year (ROY)

Parece que va a ser cosa de dos y de momento no hay sorpresas. Bueno al principio si ya que Edgecombe al final se ha desinflado. Ya el año pasado viendo a Duke Kon (que me recordó a Dan Magerle), sorprendría a todo el mundo porque en muchos partidos era el que tiraba del carro por delante de Cooper. No sé si solo era a mi, pero no sabía si su juego iba a poder tener transferencia en la NBA y por lo visto hasta ahora así lo parece.

Cooper Flagg

Tal y como se esperaba por su condición de número uno y por la expectativa de hacer olvidar a Luka tras el Nikolazo, Cooper Flagg ha atraído todos los focos desde el inicio. Pero más allá de esa atención inicial, desde las primeras semanas ha firmado actuaciones de gran impacto, incluyendo partidos de anotación muy elevada para un jugador de primer año y, además, con la dificultad añadida de disputar muchos encuentros fuera de su posición natural. A ese contexto se suma una carga de minutos y responsabilidad poco habitual para un rookie, con presencia constante en los tramos decisivos de los partidos y un papel ofensivo elevado desde el primer día.

Pienso que la cruz que le ha caido en Dallas la esta sobrellevando muy dignamente.

Kon Knueppel

Desde el primer mes de la temporada Knueppel ha sido una de las referencias ofensivas entre los rookies, grandes números y consistentes para su papel con los Hornets. A lo largo de octubre y noviembre ha promediado alrededor de 18,4 puntos, 5,7 rebotes y 3,0 asistencias por partido, con un acierto especialmente notable desde la línea de tres puntos, consiguiendo ser el Rookie del Mes en la Conferencia Este en ese periodo.

V. J. Edgecombe

Edgecombe tuvo un debut espectacular con los 76ers, anotando 34 puntos (récord de la franquicia para un rookie) y generando gran interés por su atletismo y versatilidad. Sin embargo, su rendimiento ha sido inconsistente, cayendo en el Rookie Ladder. También ha tenido problemas físicos leves (esguince de pulgar, molestia en pantorrilla que le hizo perder partidos). Además, el regreso de jugadores clave como Joel Embiid ha afectado la distribución de sus minutos y rol.

Derik Queen

Queen ha sido una de las historias más llamativas de los rookies fuera del top mediático: en un equipo complicado como los Pelicans, incluso en derrotas ha firmado actuaciones destacables. En un partido se convirtió en uno de los cinco rookies en los últimos 30 años en registrar un triple-doble de al menos 30 puntos, 10 rebotes y 10 asistencias, uniéndose a nombres como Stephen Curry, Luka Dončić o Blake Griffin por ese logro estadístico. Además, su presencia en el Rookie Ladder de la NBA lo ha colocado repetidamente entre los primeros puestos fuera de los candidatos más visibles, con promedios sólidos en puntos, rebotes y asistencias a pesar de las dificultades colectivas del equipo.

Qué dicen las casas de apuestas del ROY

Las casas de apuestas han mantenido a Cooper Flagg como favorito estable desde el inicio, con cuotas cortas y pocos ajustes bruscos. Kon Knueppel es el único que ha presionado ese liderato, recortando distancia de forma progresiva. Por detrás, el mercado ha penalizado la pérdida de continuidad del resto de candidatos.

Mos improvent player (MIP)

Deni Avdija

Avdija ha emergido como uno de los nombres más destacados en la conversación sobre el MIP por el salto estadístico que está firmando respecto a temporadas previas. Esta campaña promedia cifras notablemente superiores (más de 25 puntos, rebotes y asistencias – una combinación poco habitual) y ha ganado reconocimiento incluso en listas como la de los mejores jugadores menores de 25 años de ESPN. Esa mejora en producción, junto con un rol ofensivo mucho más central que en años anteriores, explica por qué diversos medios y premios interinos lo colocan en la cima de las opciones para el MIP 2025-26.

Jalen Johnson

Johnson ha dado un salto claro esta temporada en volumen y responsabilidad. En ausencia de Trae Young ha asumido un rol ofensivo central, promediando en ese tramo más de 23 puntos, 10 rebotes y cerca de 8 asistencias, con máximos de carrera simultáneos en las tres categorías. Ese aumento de uso no ha penalizado su eficiencia: ha mejorado su true shooting en más de cinco puntos porcentuales y ha elevado su acierto exterior hasta situarse por encima del 40% en triples. Además, ha firmado varias actuaciones de alto impacto, incluyendo partidos de 40+ puntos y triple-dobles, consolidando una carga de minutos y una continuidad que no había tenido en temporadas anteriores.

Jalen Duren

En Detroit, la evolución de Duren ha sido uno de los factores más tangibles del rendimiento de los Pistons en este inicio de temporada. Su salto en números —alternando dobles dígitos en puntos y rebotes con mayor eficiencia ofensiva y presencia defensiva— se ha reflejado en menciones recientes sobre su candidatura al MIP. Ha registrado actuaciones ofensivas dominantes, incluyendo partidos con 30+ puntos y rebotes de élite para un jugador de su edad, y su rol dentro de una plantilla que supera ampliamente las expectativas ha sido destacado por analistas de rendimiento.

Josh Giddey

El principal argumento de Giddey esta temporada está en el salto de eficiencia con un volumen similar. Ha aumentado su producción anotadora hasta el entorno de los 17–18 puntos por partido, manteniendo cifras altas de asistencias (6–7) y rebotes, pero con una mejora clara en porcentajes: su true shooting ha subido varios puntos respecto al año pasado y su selección de tiro exterior es más estable. Los análisis destacan también una reducción de pérdidas por posesión y un uso más claro como generador principal, lo que ha estabilizado su impacto ofensivo noche tras noche.

Keyonte George

El caso de George se sostiene en un salto cuantificable de segundo año. Ha pasado de rondar los 13–14 puntos como rookie a situarse en el rango de 18–19 puntos por partido, con un aumento paralelo en asistencias y una mejora clara en eficiencia. Su acierto en tiro exterior ha subido de forma significativa y ha firmado varios partidos por encima de los 30 puntos, algo que no aparecía con regularidad la temporada pasada. El volumen de tiro es mayor, pero con mejores porcentajes, lo que explica que aparezca de forma recurrente en rankings de jugadores más mejorados.

Qué dicen las casas de apuestas del MIP

En el MIP, el mercado ha sido más móvil. Deni Avdija se ha consolidado como principal referencia tras varias semanas de recortes. Jalen Johnson y Jalen Duren forman el segundo escalón, mientras que Giddey y George se mantienen en un plano intermedio, con el premio aún abierto.

¿Un Cofi?

Six Man of the year (SOY)

Ya el gráfico muestra un premio muy volátil, tanto como que puedes ser el mejor reserva y de tan bien lo haces que dejas de ser reserva y eres titular y dejas de optar al premio, con cambios frecuentes en el liderato y diferencias pequeñas entre los principales candidatos. Ningún jugador ha conseguido estabilizar su posición en las cuotas, lo que refleja un premio abierto y muy sensible a variaciones puntuales de rendimiento y rol y en los que se puede colar por ejemplo un Jaime Jaquez de la vida. Como por ejemplo el Salto de Black desde el 28 de noviembre hasta el pimer puesto de hoy.

Anthony Black

Black está siendo uno de los suplentes con mayor carga de minutos entre guards. En el primer cuarto de temporada promedia 12–13 puntos, 4–5 asistencias y 1.5 robos saliendo desde el banquillo, con un net rating positivo en unidades sin titulares. ESPN y The Athletic han destacado su impacto defensivo y su presencia en cierres de partido, con varios encuentros superando los 30 minutos pese a no partir como titular.

Reed Sheppard

Sheppard ha tenido un impacto inmediato desde la segunda unidad. En el primer tramo de la temporada está promediando más de 11 puntos por partido en menos de 22 minutos, con un acierto superior al 40% en triples y varios partidos de 20+ puntos saliendo del banquillo. Su producción por minuto y su eficiencia ofensiva lo han situado de forma recurrente entre los suplentes más productivos en los registros de NBA.com y en análisis de Yahoo Sports.

Naz Reid

Reid mantiene el perfil que ya le hizo ganar el premio en 2024. Esta temporada vuelve a situarse en torno a los 14–15 puntos y 6 rebotes por partido como suplente, con uso alto y capacidad para producir tanto en la pintura como desde el triple (~38% 3P). Su continuidad y volumen desde el banquillo lo mantienen de forma estable en el radar del premio.

Jerami Grant

Grant ha pasado a tener una presencia significativa desde la segunda unidad, concentrando su impacto ofensivo en tramos sin titulares. En ese rol está promediando alrededor de 16–17 puntos, con un usage rate alto cuando lidera la segunda unidad. Medios como CBS Sports han destacado su rol como referencia ofensiva clara en esas rotaciones.

Ron Harper Jr.

Harper aparece más abajo en el debate, con un rol intermitente. Sus números son más modestos (7–8 puntos en ~18 minutos), pero ha tenido partidos concretos de impacto defensivo y eficiencia desde el banquillo que le han valido menciones puntuales en rankings de suplentes.

Casas de apuestas · lectura del mercado

Las casas de apuestas reflejan este mismo grupo como núcleo del premio. Anthony Black y Naz Reid aparecen de forma recurrente en la parte alta de las cuotas, con Reed Sheppard ganando terreno tras sus primeras semanas de producción eficiente. Jerami Grant se sitúa en un segundo escalón y Harper aparece más como longshot.

Defensive player of the year (DPOY)

Como el GIF muestra hay un dominio claro de Wembanyama en las cuotas. Durante su ausencia por lesión, Holmgren pasa a liderar el mercado pero ese cambio de liderato coincide con disponibilidad, no con una inversión de rendimiento. Aunque ahora mismo es el dos comienzo con el que salvo cataclismo tipo que vengan los primos alliens de Wemby será el defensor del año

Victor Wembanyama

Wembanyama lidera la liga en tapones (≈3.8 por partido) y en stocks entre interiores. Los rivales reducen su acierto en el aro en torno a −13% cuando es el defensor principal. El defensive rating del equipo mejora de forma clara con él en pista, situándose en torno a 108 en minutos compartidos. Pero es que aunque no este protagonizando la defensa solo el hecho de intuirse que puede andar por ahi actua como el caballo del Cid.

Chet Holmgren

Holmgren promedia alrededor de 2.7 tapones por partido, con una tasa de faltas inferior a otros protectores de aro de alto volumen. Su impacto se refleja en un defensive rating on-court cercano a 110 y buenos registros de disuasión en el aro con menor necesidad de ayudas.

Bam Adebayo

Adebayo mantiene uno de los perfiles defensivos más versátiles de la liga. Defiende bloqueos directos en cambio de forma habitual y el defensive rating del equipo con Bam en pista se sitúa en el top-10. Su volumen de tapones es moderado (~1.1), pero su impacto aparece en métricas colectivas.

Amen Thompson

Thompson destaca en el punto de ataque: promedia en torno a 2.1 robos por partido y se sitúa entre los guards con mayor número de deflections. Sus métricas avanzadas defensivas (EPM) son positivas, reflejando impacto directo en generación de pérdidas y transiciones.

Evan Mobley

Mobley mantiene un perfil de regularidad defensiva. Registra alrededor de 1.8 tapones por partido y un defensive rating individual cercano a 109, con impacto consistente en ayudas y defensa posicional, sin picos extremos pero con continuidad. Recientemente lesionado, sufrió una distensión en el gemelo izquierdo y estará de baja por un tiempo. Según los Cavaliers, se trata de una distensión de grado 1 y se espera que Mobley se pierda aproximadamente de dos a cuatro semanas.

Casas de apuestas · lectura del mercado

Las casas de apuestas sitúan a Wembanyama como favorito estructural cuando está disponible. Holmgren aparece como alternativa directa durante su ausencia, mientras que Adebayo, Mobley y Thompson se mantienen con cuotas más largas y sin continuidad en el liderato.

Most Valuable Player (MVP)

Y ya para acabar la traca final como se ve en el gif la cosa esta muy concentrada en dos nombres. Jokic y Gilgeous-Alexander se han alternado en cabeza con diferencias pequeñas y movimientos frecuentes, mientras que el resto de candidatos permanece claramente separado, con probabilidades mucho más bajas y sin amenazar el liderato aunque lo de Maxey a la misma altura que Cunningham me ha dejado muy loco la verdad.

Shai Gilgeous-Alexander

Gilgeous-Alexander mantiene uno de los perfiles ofensivos más estables de la liga. Promedia en torno a 31–32 puntos, 6 asistencias y 5 rebotes, con true shooting >63% y un usage rate alto sin penalizar eficiencia. Oklahoma City presenta uno de los mejores net ratings con él en pista.

Nikola Jokic

Jokic vuelve a liderar la liga en impacto global. Sus promedios se sitúan alrededor de 26 puntos, 12 rebotes y 9 asistencias, con cifras élite en BPM, PER y EPM. Denver mejora de forma clara su rendimiento ofensivo y defensivo cuando está en pista, reflejado en métricas on/off. Jokic tiene encontra que ya no sorprende a nadie aunque para mi es el mejor de la NBA actual.

Luka Doncic

Doncic sostiene un volumen ofensivo muy alto, con medias cercanas a 30 puntos, 8 rebotes y 8 asistencias, liderando la liga en uso. Su candidatura se apoya en carga ofensiva y creación constante, aunque con menor eficiencia relativa que Jokic o Shai en este tramo.

Cade Cunningham

Cunningham ha dado un paso adelante como generador principal. Está en torno a 23–24 puntos y 7–8 asistencias, con mejora clara en eficiencia respecto a temporadas anteriores y un aumento del impacto ofensivo del equipo con él como base titular.

Tyrese Maxey

Maxey mantiene producción alta como anotador primario, con promedios cercanos a 25 puntos por partido y buenos porcentajes de tiro exterior. Su impacto es principalmente ofensivo y aparece más condicionado al contexto colectivo del equipo. Francamente yo no lo tendría en este TOP

Casas de apuestas · lectura del mercado

Las casas de apuestas concentran el premio en Jokic y Gilgeous-Alexander, con intercambios frecuentes en el liderato y diferencias reducidas entre ambos. Doncic se mantiene en un segundo escalón y Cunningham y Maxey aparecen como opciones lejanas, sin continuidad en la parte alta de las cuotas.

Y hasta aquí el resumen del primer cuarto de la temporada, espero que te haya gustado

Un saludo y ya sabes

Una semana más, como es habitual, voy a empezar analizando la última jornada, la 9, por el impacto global que nos revela el Daily RAPM. (Recordaros que: la tabla completa está en mi perfil, en la pestaña ‘Los mejores de la jornada’).

La Jornada 9 en La Liga Endesa

Pantzar repite. Llegó a 15 puntos y se mostró muy activo en defensa con cinco robos mantuviendo el ritmo del partido cuando su equipo lo necesitó, su unico debe es que hizo un 2 de 6 en tiros de dos pero aprovechó perfecto los tiros libres y sostuvo un nivel físico alto durante todos sus minutos.

Sant-Roos respondió con una actuación muy completa y eficiente. A 2 rebotes del doble-doble, cerró líneas de pase y evitó pérdidas. No necesitó tirar de 3.

Parra, ojito con Parra, que a un rebote quedó del doble-doble y solo falló un tiro de 3 de los 2 que lanzó. Fue un castigo cerca del aro y mantuvo un acierto sólido desde media y larga distancia.

Luwawu-Cabarrot, en un partido en el que el error de Taylor le dio la victoria al Valencia y, quitando los cabreos que se coge, él y Diakité (por cierto, mira a ver si no lo llevas en el SM porque ya estás tardando en ponerlo), pusieron contra las cuerdas al líder. Aportó puntos en momentos decisivos con un 50% en triples.

Punter. Aunque el más destacado del partido fue Parra, Kevin apareció en los momentos importantes y completó una actuación muy seria. Seleccionó bien sus tiros. Hizo 25 de valoración sin coger un solo rebote, perdió lo mismo que recuperó y tuvo una gran eficiencia.

Esta semana, como dice Fran Fermoso, Walden, Pustovyi y Hilliard, al rincón de pensar: desastre total. Con Walden tengo curiosidad, tanta que estoy por ver el partido; ¿cómo puede ser que alguien que mete un tiro de dos, un tiro libre, pierde 3 balones y coge 4 rebotes lo tengan en pista 21 minutos? A Pustovyi le salvan los 11 puntos y 4 rebotes, pero para un pívot como él, que juega cerca del aro, el 40% en tiros de dos, se me antoja ridículo. Luego Hilliard, que perdió los mismos balones que puntos metió, lo mismo es algún tipo de récord.

¿Un café?

Top NCAA de la clase Freshman

Vuelvo a traer el repaso de los Freshman en la NCAA para constatar que más o menos todo sigue igual que la última, con Boozer y Wilson como destacados.

Cameron Boozer (Duke)
Boozer se ha convertido en una figura central dominante en Duke, demostrando un rendimiento de élite contra rivales Top 25. Sus actuaciones, como 18 puntos y 15 rebotes ante Michigan State, y una destacada actuación frente a Florida que le valió el Jugador de la Semana por la AP, lo confirman como uno de los mejores freshmen del país. Yo creo que es el competidor más fuerte para el Jugador Nacional del Año. En X, medio de broma, medio no, lo comparé con Garbajosa; me recuerda a ese tipo de jugador que juega de jugador de baloncesto.

Caleb Wilson (North Carolina)
Wilson es mi favorito de ver, este chaval tiene algo; además, ha conseguido varios doble-dobles recientemente, liderando a North Carolina en una victoria amplia contra Georgetown con 20 puntos y 14 rebotes. Ha anotado dentro y cogido rebotes, ayudando a UNC a ir adelante en varios partidos de diciembre.

Kingston Flemings (Houston)

Flemings sigue atrayendo atención de scouts y medios especializados por su crecimiento como guard con capacidades de anotación y tiro eficiente (más del 50% en triples en el inicio de temporada) y ha escalado posiciones en mock drafts de cara a 2026.

Kayden Mingo (Penn State)

Mingo ha destacado en la Big Ten, siendo nombrado Freshman of the Week tras promediar cifras sólidas (ejemplo: 13.5 puntos, 5.0 robos). Lideró a Penn State en puntos y creación contra rivales de conferencia, e incluso anotó 19 puntos en una reciente derrota contra Indiana.

Meleek Thomas (Arkansas)

Lo más destable de Meleek es que contribuyó con dobles dígitos a la victoria ante Fresno State.

AJ Dybantsa (BYU)
Recientemente, Dybantsa tuvo una actuación destacada en el Jimmy V Classic en el Madison Square Garden. Lideró una remontada histórica de 22 puntos para terminar con 28 puntos, 9 rebotes y 6 asistencias.

Cómo extraje e hice la tabla del absentismo en la NBA

Esta semana voy a explicar cómo hice la tabla del coste por partido de los jugadores lesionados a los equipos de la NBA. En el artículo previo de Alejandro Gaitán se hablaba de que el número de partidos, sistema de competición y estilo de juego, llevaba a los cuerpos de los jugadores de la NBA a un gran estrés, pero que las presiones económicas y publicitarias (económicas) hacían inviable reducir el número de partidos

🏀 NBA | @alejandroggo

#165 La crisis de las lesiones en la NBA (I): ¿cómo solucionamos el problema?

Por si no lo sabéis, es muy probable que vuestro jugador favorito esté lesionado. Hay altas probabilidades de que en vuestro equipo falten ahora mismo al menos uno, y posiblemente dos titulares. Se a…

Read more

6 months ago · 6 likes · 1 comment · Alejandro Gaitan | NBA 🏀

En una época en que me interesé por los salarios de la NBA, descubrí la página de Spotrac y enseguida me vino a la cabeza cómo repercutía esa presión tanto monetariamente como en la clasificación de los equipos. Ahora bien, hubiera sido interesante poder comparar ese peso con los ingresos de un equipo por partido.

Si no lo has leido, aquí lo tienes

Read more

En este magnífico post (que recomiendo) Alejandro Gaitan desgrana difentes aspectos y puntos de vistas sobre la pandemia de lesiones que azota a la NBA :

🏀 NBA | @alejandroggo

#165 La crisis de las lesiones en la NBA (I): ¿cómo solucionamos el problema?

Por si no lo sabéis, es muy probable que vuestro jugador favorito esté lesionado. Hay altas probabilidades de que en vuestro equipo falten ahora mismo al menos uno, y posiblemente dos titulares. Se a…

Read more

6 months ago · 6 likes · 1 comment · Alejandro Gaitan | NBA 🏀

1. El aumento de lesiones en la NBA se debe principalmente al incremento del ritmo de juego y la alta densidad competitiva, con más partidos y menos tiempo de descanso transitorio para los jugadores.

2. La solución ideal pasaría por adelantar la temporada, espaciar más los partidos (evitando back-to-backs y concentraciones de viajes) y establecer una pausa de 12 días antes de los playoffs.

3. El “Load Management” (gestión de la carga) es una herramienta útil para modular el minutaje y educar a coaches y jugadores sobre la importancia de la recuperación para una carrera más larga y estable

Y un punto que es el que me ha generado a mi la curiosidad donde habla de

… Algo virtualmente imposible a día de hoy, como es reducir el calendario de partidos. Quitar esos religiosos 82 partidos y bajar la cifra a 72 o 76, algo que reduzca la carga física. Algo que, por ejemplo, Spoelstra sabe que es muy difícil de hacer una vez ya se ha firmado el nuevo acuerdo de televisión. Sin reducir partidos, es inviable reducir la carga y, sobre todo, las noches consecutivas de esfuerzo o las giras de muchos encuentros concentrados, otro de los problemas que vemos en la NBA actual. Todo combinado, nos deja una liga como la que vemos hoy.

Suscríbete ahora

El Costo Oculto de las lesiones ¿Cuánto Dinero “Tira” cada equipo por partido?

Ya que es inviable reducir el número de partidos mi objetivo es: ponerle númeritos el impacto de las bajas no solo en el ámbito deportivo (el familiar récord de victorias/derrotas), sino también en el económico. Quiero determinar, en pasta, cuánto dinero está perdiendo cada equipo al pagar salarios máximos y contratos elevados a jugadores inactivos, ya sea que estén en la banca, en la enfermería o con sus ugg de andar por casa.

Para lograr esto, no solo voy a hacer el recuento de lesiones si no que voy hacer una métrica de eficiencia: el Costo Promedio Salarial de Ausencias por Partido (CPSA, por ponerle un nombre).

El CPSA (Costo Promedio Salarial de Ausencias por Partido)

El CPSA cuantifica la carga financiera de la inactividad de los jugadores en relación con la producción competitiva del equipo. El valor resultante se interpreta por comparación intra-liga (con respecto al resto de los equipos):

CPSA = suma(Salario Total Pagado a Jugadores Inactivos)/Total de Partidos Jugados por el Equipo

Analizar el CPSA junto al balance de victorias/derrotas de cada franquicia nos permitirá identificar qué equipos están sufriendo la mayor pérdida de dinero y, además, si ese costo se correlaciona con un bajo rendimiento en la cancha.

Metodología y Datos Utilizados

Para construir el CPSA de manera completa y justa, hemos extraído y consolidado los cuatro datos principales:

∑(Salario)

A diferencia de otras ligas, paises; donde encontrar datos es una cruzada y encima te encuentras con gente que se jacta de tenerlos y tu no (si, estoy resentido), para la NBA existe una fuente principal de salarios y ausencias en Spotrac. Voy a utilizar las tres categorías de inactividad que generan un costo salarial, ya que son mutuamente excluyentes y deben sumarse para el total.

1. Lesiones (Injury Management)

2. Descanso

3. Motivos Personales

4. Load Management

Sumaré las tres fuentes para obtener el Salario Total Pagado a Jugadores Inactivos por cada equipo.

Una vez que el Salario Total (numerador) lo divido por el Total de Partidos Jugados (denominador), obtengo la métrica final: el Costo Promedio Salarial de Ausencias por Partido (CPSA).

A continuación, la clasificación de la liga por su CPSA, seguida de un análisis de los equipos más y menos eficientes...

¿Un café?

Implicaciones Clave y Conclusiones Preliminares

La presentación del Costo Promedio Salarial de Ausencias por Partido (CPSA) permite establecer la correlación (o la ausencia de ella) entre el CPSA y el récord de victorias-derrotas. Esta relación es un indicador clave de la penalización financiera y deportiva de la inactividad.

La Naturaleza del Absentismo Salarial

• Problema Concentrado (Picos de CPSA): El coste se concentra fuertemente en unos pocos equipos, como se observa en los picos de Indiana Pacers($913,376) y Dallas Mavericks ($909419), lo que indica, como en ralidad sucede, un problema sistémico de gestión de estrellas con historiales de lesiones o una mala planificación del load management (gestión de carga). Estos equipos están pagando un “impuesto de inactividad” excesivo que erosiona peligrosamente su competitividad económica, lo cual se traduce directamente en sus récords negativos (4-18 y 8-15 respectivamente).

• Riesgo Operativo Estándar: Si la distribución del CPSA fuera más pareja a lo largo de la liga, las lesiones se establecerían como un riesgo igual para todas las franquicias, requiriendo una mejor gestión deportiva y médica.

El Contraste de Eficiencia

En un vistazo rápido a la tabla, el CPSA nos demuestra que hay dos tipos claros:

• Los equipos en la cima de la tabla (Indiana, Dallas) tienen un problema de inactividad de salario máximo (Irving, Halliburton..).

• Los equipos como Oklahoma City Thunder en la mitad de la tabla ($483,545) y Denver Nuggets ($156,696), han evitado ese coste, se han escapado de lesiones graves de sus estrellas, lo que refuerza sus récords de élite (21-1 y 15-6 respectivamente).

La Anomalía de Miami Heat

En el análisis veo un caso claro: Miami Heat. Aunque aparece arriba en la tabla de costos con 756,253 dólares por CPSA, mantiene un récord de 14-8. Esto me indica que, aun asumiendo un absentismo alto, la gestión de Erik Spoelstra y su capacidad para ordenar el equipo y sacar rendimiento a jugadores poco habituales reduce el efecto deportivo de las bajas. Para mí, esta excepción confirma una dirección de banquillo sólida y una estrategia bien ejecutada.

El Camino a Seguir en el Análisis

A medida que avance la temporada, espero que la relación entre las lesiones y el rendimiento en relación con las expectativas se fortalezca aún más. Sin embargo, no es igual cualquier baja: perder a tus estrellas crea más problemas de estabilidad. Por ello, una manera de verlo es analizando la cantidad de alineaciones diferentes que han tenido que usar cada equipo, un factor que profundizaré a continuación.

A. Rotación Impulsada por Lesiones (Absentismo Destructivo)

En mi revisión en el top veo tres casos que muestran cómo la rotación extrema puede hundir o sostener a un equipo.

Empiezo por Indiana. Es el equipo que más quintetos ha usado. Esa inestabilidad no nace de una decisión técnica. Es el efecto directo de las bajas de sus jugadores clave. Lo confirma su primer puesto en costo, con un CPSA de 913376 dólares. El resultado es claro. El equipo ha perdido cohesión y firma el peor récord de la liga con 4-18.

Paso a Cleveland. También tiene una rotación alta. Aun así, su situación es distinta. Sostiene un 13-10 que habla bien de su capacidad para aguantar la presión de las bajas. Su puesto en costo es el décimo, con 606,316 dólares por CPSA. Eso indica que el impacto no ha recaído siempre en sus jugadores más determinantes. Para mí, es un ejemplo de cómo una rotación amplia puede funcionar cuando se controla el desgaste y se mantiene un plan claro.

Cierro con Dallas. (todos pensamos en el mismo) Está cuarto en quintetos usados. Haciendo el seguimiento mientras escribia este post tengo que reconocer que ha recuperado puestos y conseguido algo de estabilidad, pero su rasgo principal es el costo. Secunda la liga con 909,419 dólares por CPSA. Su inestabilidad no viene de una búsqueda de flexibilidad. Es el resultado de perder a sus figuras. El 8-15 es una consecuencia directa. Sin ellas, todo se vuelve improvisación y el equipo pierde rumbo.

B. Estabilidad Pura (Baja Rotación con Éxito)

En este tramo veo dos ejemplos de cómo la estabilidad puede sostener un nivel alto sin recurrir a cambios constantes.

Empiezo por Oklahoma City por ser los que mejor record tienen. Su 483,545 dólares por partido muestra que han logrado un equilibrio claro entre continuidad y costo, tanto es asi que está en mitad de la tabla también en quintetos usados. El núcleo está intacto y eso se nota en su juego y en sus cuentas.

Sigo con Denver. También aparece con una rotación baja y uno de los CPSA más reducidos, 146,696 dólares. Con un 15-6 se mantienen arriba en su conferencia. En su caso, la continuidad de las piezas principales sostiene un sistema que funciona sin necesidad de ajustes diarios.

C. Estrategia y Absorción (La Anomalía del Miami Heat)

En este punto veo a Miami como un caso distinto al resto. Su rotación es baja, pero aparece quinto en costo con un CPSA de 756,253 dólares. Incluso retirando el cargo pendiente por Scary Terry, sigue en esa zona alta. Eso me indica que las ausencias no obligaron a mover el quinteto inicial. La carga cayó sobre el banquillo, que asumió minutos y coste sin alterar la estructura principal. El 14-8 confirma que mantener estable la alineación titular reduce el efecto deportivo del absentismo.

Los jugadores que otros años estaban destinados a los minutos de la basura están teniendo estos últimos años gran protagonismo

Repaso de nuestros cachorros ayende los mares

Para cerrar este post dejo las estadisiticas de esta semana hasta hoy de los jugadores españoles en la NCAA. Rubén Rodriguez sigue intratable y la buena noticia de la vuelta de Baba Miller con un doble de 13-11

Saludos

Suscríbete ahora

Quiero empezar este post informando sobre las dos pestañas que hay en mi substack. Una ya lleva desde la jornada 6, Valoraciones a favor y en contra y la otra la he incorporado esta semana, Los Mejores De La Jornada ACB,. Ambas se actualizan los lunes de madrugada.

Valoraciones a favor y en contra

Esta tabla muestra los puntos o por medias (todas como local, visitante etc,.) o por jornada de puntos, canasta de 3, rebotes, asistencias y valoración:

• Bases a favor

• Aleros a favor

• Pivots a favor

• Bases en contra

• Aleros en contra

• Pivots en contra

Tiene 4 filtros:

• Total (por defecto) o media

• Team (equipo)

• Cancha (todos, todas, todas local, todas visitante, local o visitante.

• Jornada

Yo la encuentro super útil, espero que vosotros igual, tanto para ver el historico desgranado, estudiar al rival o para tener contexto por si queremos apostar a algo (esto útlimo si decís que lo he dicho diré que mentís)

Los Mejores De La Jornada ACB

En esta están los mejores de la jornada filtrados, no por valoración, si no por el Rapm Estimate Dre, aunque si dais al nombre de la columna se puede filtrar por el valor que quieras.

¿Por qué por DRE y no por valoración? Porque en el Dre los números que tiene un jugador se ponderan según el peso que esa estadistica tiene en el juego y me parece más justo, que se tenga en cuenta para el analisis de un jugador, si ha perdido 5 valones aunque haya metido 25 puntos .

¿Un café?

Los mejores de la Jornada según el Daily RAPM

La jornada dejó un grupo corto de actuaciones muy eficientes que marcaron diferencias en pocos minutos. El mejor registro lo firmó Timothé Luwawu-Cabarrot. Gracias a su gran acierto en el acierto exterior. Sumó 24 puntos en 18 minutos y mantuvo un uso alto sin afectar al flujo del juego.

Dylan Ennis repitió el patrón que hemos visto este curso cuando entra en ritmo desde fuera. Convirtió ocho triples y sostuvo a UCAM en un tramo ofensivo que permitió abrir ventaja. eso si sin asistenciás y con 4 rebotes; le bastó con castigar cada recepción abierta.

Jonah Radebaugh completó la tercera gran actuación del día. Se mantuvo agresivo hacia el aro, cerró bien el rebote y evitó errores. Su línea fue más discreta en anotación, pero equilibró el partido desde varias acciones cortas. Anontando la mitad su impacto fue igual al de Ennis.

Bakary Dibba fue el interior más fiable de la jornada. Sumó desde el rebote, corrió bien el campo y aprovechó cada finalización cerca del aro. No necesitó volumen para ser útil y su presencia atrás sostuvo al equipo cuando Burgos intentó volver al partido.

Margiris Normantas cerró el top cinco con un rendimiento estable pese a la derrota. Sumó desde las asistencias sobre todo. Su acierto interior compensó el cero desde la linea de 3, los -19 explican por qué su valoración no llegó más arriba.

El club de las 3 pérdidas y el 0 de 2

En la parte baja volvimos a ver un bloque de actuaciones castigadas por el porcentaje exterior y por pérdidas en momentos acumulados. Justin Jaworski no encontró tiros cómodos y su -12 en pista reflejó los problemas del equipo para generar ventajas con él en el perímetro.

Mark Hughes tuvo una noche parecida. El bajo acierto exterior y la falta de continuidad en defensa dejaron su impacto en negativo, incluso con algunos destellos en transición.

Alfonso Plummer cerró el trío de peores registros con una línea similar: mal porcentaje, poco peso en la creación y un parcial negativo amplio que penalizó su DRE.

En conjunto, la J8 mostró una brecha clara entre quienes sostuvieron su producción con eficiencia y quienes se suicidaron de 3 sin más que aportar cuando el acierto no llegó.

Cómo hice el Plot AST% vs TOV%

Este plot que hice para el post de Hugo Benitez el Casi MVP de la Jornada 7 y si no lo leiste, por lo que sea, aquí lo tienes:

En mi humilde mi opinión quedan muy chulos, por sus fotos difuminadas, los circulos con las imagenes y los comet Plot (geom_link) que me vi obligado a usar porque Pantzar y Benitez estaban tan juntos, que tuve que rascarme la cabeza para inventaarme algo que no fuera lo de siempre y que destacara de alguna manera la situación de Benítez, que era de quien hablaba en el post. Los comet también los usé para esta gráfica:

Había visto en las últimas semanas muchas tablas de conexiones y quería darle una vuelta a este tipo de de gráficas porque me sentía como que no me diferenciaba de nadie y se me ocurrió hacer algo así.

Bueno empecemos con el Tutorial y cómo siempre con las librerías:

library(tidyverse)   # la navaja suiza de los datos
library(prismatic)   # para cambiar tonos de color
library(cropcircles) # para las fotos dentro de circulo
library(ggrepel)     # para que el texto no se solape
library(grid)        # para las flechas del plot
library(magick)      # para la funcion traansparent
library(ggimage)     # para los logos y fotos
library(ggforce)     # para el geom_link()
library(ggtext)      # para el texto html

Cargamos el data set con los logos, colores, etc. y los boxscores:

clubs <- read.csv(”https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/logos_calendario/clubs2026.csv”) %>%
  select(abb, logo, color) %>%
  mutate(color = ifelse(abb == “RMB”, “white”, color))


datos <- read_csv(”https://raw.githubusercontent.com/IvoVillanueva/pbp-acb-2025-26/refs/heads/main/data/boxscores_2025_26.csv”,
  show_col_types = FALSE
) 

Ponemos también la función que difumina las imagenes:

transparent <- function(img) {
  magick::image_fx(img, expression = “0.65*a”, channel = “alpha”)
}

Mi caption; el que no es el de SuperManager:

twitter <- “<span style=’color:#000000;font-family: \”Font Awesome 6 Brands\”’>&#xE61A;</span>”
tweetelcheff <- “<span style=’font-weight:bold;’>*@elcheff*</span>”
insta <- “<span style=’color:#E1306C;font-family: \”Font Awesome 6 Brands\”’>&#xE055;</span>”
instaelcheff <- “<span style=’font-weight:bold;’>*@sport_iv0*</span>”
github <- “<span style=’color:#000000;font-family: \”Font Awesome 6 Brands\”’>&#xF092;</span>”
githubelcheff <- “<span style=’font-weight:bold;’>*IvoVillanueva*</span>”
caption <- glue::glue(”**Datos**: *@ACBCOM* | **Gráfico**: *Ivo Villanueva* • {twitter} {tweetelcheff} • {insta} {instaelcheff} • {github} {githubelcheff}<br>”)

Primero necesito calcular el FGM y las AST de los sequipos por partido para la fórmula del AST%:

fgm_equipo <- datos %>%
  group_by(id_match, abb) %>%
  summarise(
    fgm_eq = sum(x2pt_success + x3pt_success),
    asis_eq = sum(asis),
    .groups = “drop” #con esto desagrupamos y nos evitamos el ungroup()
  )

Ahora junto el codigo de fgm_equipo con los bosxscore y calculo para los jugadores el AST% y el TOV% por partido:

por_partido <- datos %>%
  left_join(fgm_equipo, join_by(id_match, abb)) %>%
  mutate(
    fgm_jugador = x2pt_success + x3pt_success,
    fga = x2pt_tried + x3pt_tried,
    fta = x1pt_tried,

    # Fórmula AST% oficial
    ast_pct_real = if_else(
      (fgm_eq - fgm_jugador) > 0,
      asis / (fgm_eq - fgm_jugador),
      NA_real_
    ),

    # Fórmula TOV% oficial
    tov_pct_real = turnovers / (fga + 0.44 * fta + turnovers)
  )

Con este útlimo código ya extraigo lo datos por temporada y les uno el data set de los logos y colores por equipo. Depués con esto ya unido creo la columna de los logos envueltos en un ciruclo, coloco los datos de AST% de mayor a menor y filtro por jugadores que su numero de asistencias esten por encima de la media y que no se llemen Trent Forest.

por_temporada <- por_partido %>%
  group_by(jugador = license_license_str15, abb) %>%
  summarise(
    asis_tot = sum(asis, na.rm = TRUE),
    tov_tot = sum(turnovers, na.rm = TRUE),
    fgm_tot = sum(fgm_jugador, na.rm = TRUE),
    fga_tot = sum(fga, na.rm = TRUE),
    fta_tot = sum(fta, na.rm = TRUE),
    fgm_eq_tot = sum(fgm_eq, na.rm = TRUE),
    .groups = “drop”
  ) %>%
  left_join(clubs, join_by(abb)) %>%
  mutate(
    ast_pct_season = asis_tot / (fgm_eq_tot - fgm_tot),
    tov_pct_season = tov_tot / (fga_tot + 0.44 * fta_tot + tov_tot),
    logo = crop_circle(logo, border_colour = clr_darken(color), bg_fill = color, border_size = 14)
  ) %>%
  arrange(desc(ast_pct_season)) %>%
  filter(asis_tot > mean(asis_tot) & jugador != “Trent Forrest”)

Ahora necesito otro bloque separado para los 6 mejores jugadores (los que van a tener foto):

temporada_foto <- por_temporada %>%
  head(6) %>%
  mutate(
    foto = case_when(
      jugador == “Hugo Benitez” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Hugo%20Benitez.png”,
      jugador == “Dani Pérez” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Dani%20Pe%CC%81rez.png”,
      jugador == “Shannon Evans” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Shannon%20Evans.png”,
      jugador == “Marcelinho Huertas” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Marcelinho%20Huertas.png”,
      jugador == “Otis Livingston” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Otis%20Livingston.png”,
      jugador == “Facu Campazzo” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Facu%20Campazzo.png”,
      jugador == “Melwin Pantzar” ~ “https://raw.githubusercontent.com/IvoVillanueva/acb2026/refs/heads/main/fotosSms2026/Melwin%20Pantzar.png”
    ),
    foto = crop_circle(foto, border_colour = clr_darken(color), bg_fill = color, border_size = 14)
  )

Y ya tengo todo preparado para relizar la gráfica. Lo primero para ver los datos como es debido porque: cuantas menos perdidas mejor, mas perdidas peor; coloco el eje Y en reverse y filtro los jugadores que su porcentaje este por debajo de 15% que van a tener difuminado el logo para destacar que no son importantes. Para eso la pequeña función transparent:

por_temporada %>%
  ggplot(aes(x = ast_pct_season, y = tov_pct_season)) +
  scale_y_reverse() +
  geom_image(
    data = por_temporada %>% filter(ast_pct_season <= .15), aes(image = logo),
    size = .035,
    image_fun = transparent
  ) +

Despues añado los jugadores que están por encima del 15% y por debajo del 20% digamos la clase media, para eso en el filtro uso between(ast_pct_season, .15, .20).

Read more

Esta jornada 7 la separación entre los tres jugadores con mejor valoración ha sido de un punto y la pregunta es por qué no aparece Shannon Evans cuando usamos el DRE. Al cambiar el enfoque vemos otra lectura. Fue el jugador con mejor valoración, sí, aunque en este ranking cae al puesto siete por su 3 de 9 en tiros libres y por las 3 pérdidas frente a 5 (pocas) asistencias. Aun así nadie discute su gran partido su influencia pero cuando ajuste esos detalles su posición en este tipo de métricas será más estable.

Suscríbete ahora

Esta dejó partidos exigentes y confirmó que la liga, para desgracia de los equipos Euroliga, sigue siendo muy competitiva. Valencia Basket se impuso a La Laguna Tenerife por 96-79 y mantuvo el liderato provisional. Real Madrid ganó en casa al Surne Bilbao Basket por 82-70, un triunfo que les vino bien después del desgaste europeo. Por su parte, el FC Barcelona venció al Baskonia por 91-83 con una actuación sólida de Will Clyburn, que cerró la semana con 24 puntos mientras esperan la vuelta de Xabi.

No sé yo y se que esto es gratuito y está feo sospechar de profesionales, pero me huele a cama.

A nivel individual, destacó como dije antes Shannon Evans, anotando 27 puntos y con un 31 de valoración para el MoraBanc Andorra.

También ayudo decisibamente a la victoria del Valencia Kameron Taylor, con 23 puntos y 7 rebotes.

Y Hugo Benítez que lideró al BAXI Manresa con 22 puntos, 8 asistencias, una pérdida y 5 robos.

Valencia y Real Madrid comparten el primer puesto con un 6-1. En la parte baja, el Covirán Granada sigue con el oxígeno justo y suma solo una victoria en siete jornadas, algo que les deja en una situación incómoda y sin margen para otro tropiezo.

Clasificación de los jugadores por DRE

Hugo Benítez
Hizo un partido muy solido: 22 puntos en 24 minutos, 8 asistencias, solo 1 pérdida. Suma 5 robos y un tapón. Tiró muy poco de 2, pero lo compensa con el 4/7 en triples (¡57%!) y un +30 en pista. Producion muchisimo con el balón en mano y casi casi sin regalar posesiones.

Tyler Kalinoski
Kalinoski firma una línea muy completa. Se va a 17 puntos con 1/2 en tiros de dos y 4/9 en triples, añade 6 rebotes y 6 asistencias y no pierde un solo balón en casi 30 minutos. Con este volumen y cero errores, su impacto ofensivo es muy estable.

Álex Reyes
En Reyes destaca el perfil de tirador puro. Anota 24 puntos con 6/9 desde el triple y sin pérdidas. Aporta 4 rebotes, algo de protección de aro con un tapón y un +17 en su tiempo en pista. Vive casi todo el partido desde el tiro exterior y aun así mantiene un volumen alto.

Joaquín Rodríguez
Rodríguez combina anotación y actividad atrás. Mete 17 puntos con buenas cifras en el tiro de dos, suma 4 rebotes, 2 asistencias y 4 robos. Pierde 2 balones y su +/− es negativo, pero en producción individual mantiene una línea muy sólida en ambos lados.

Kameron Taylor
En Taylor nos encontramos la carta más eficiente del grupo. 23 puntos en 23 minutos, 7/8 en tiros de dos y 3/4 en triples, sin una sola pérdida. Captura 7 rebotes y deja un +12. Casi cada acción que acaba en sus manos termina en algo positivo.

Angola, Pérez y Jaworski
Los tres cierran la tabla por un patrón similar, pero con matices. Angola combina 7 puntos con 4 pérdidas y un 0/3 en triples y 0/4 en libres, unido a un −19 en pista. Pérez solo anota 3 puntos en 15 minutos, con mucho fallo en tiro corto y sin peso en creación. Jaworski firma 9 puntos, pero con 5 pérdidas y un uso muy poco eficiente del balón. Entre desacierto y errores, sus minutos dejan más problemas que soluciones.

Invitame a un café

Tenemos que hablar de Hugo

La primera vez que le vi este año reconozco mi ignorancía porque lo primero que me vino a la mente fue, “a este jugador español no lo conozco no he oido hablar nunca de el. “

Luego descubrí por qué, primero porque pese a su nombre es Francés y se formó en el JL Bourg y allí se consolidó como base. Su rendimiento en la liga francesa y en la Eurocup fue estable. Anotó con regularidad, repartió asistencias con criterio y mantuvo cifras de jugador fiable. Esa continuidad llamó la atención de Manresa, que buscaba reforzar la dirección de juego con un perfil capaz de gestionar posesiones con calma y claridad. Entendiendo y repartiendo el balón más con el juego interior, como por ejemplo ayer dando 4 asistencias contra el Reyer, pero tambien con el exterior.

En Manresa lo incorporaron con la idea de darle sitio desde el inicio. En los primeros partidos de la Liga Endesa ha respondido a esa intención. Ha sido algo irregular en valoración —19, 6, 12, 8, 21, 7 y 29— aunque ha sabido ajustar el ritmo y sostener el orden ofensivo. Su relación entre asistencias y pérdidas muestra bien su adaptación. Cuida muy bien el balón, como vemos en la gráfica de abajo, interpreta dónde están las ventajas y evita mandar melones.

En esta gráfica hay que tener en cuenta que las perdidas cuanto más abajo peor y cuanto más arriba mejor y es una comparación exponencial, cuanto mas asistencias, más perdidas ; solo los muy buenos rompen ese exponente y vemos que Benitez estando en el top 6 de AST%, de entre esos jugadores, él es el que que menos balones pierde, ligeramente por encima de Pantzar.

Su anotación llega cuando la situación del partido lo pide o cuando no ha podido encontrar a nadie. No estorba y entiende cómo mezclarse con el flujo del ataque.

El siguiente paso en su crecimiento pasa por sostener este nivel en un entorno más exigente. La Liga Endesa demanda precisión en cada posesión y una concentración defensiva continua. Si mantiene la claridad en la circulación y mejora su impacto atrás, podrá consolidarse como un base estable para toda la temporada.

Compartir

Suscríbete ahora