El cruce de la jornada es el de los pívots de Paris contra ASVEL. El número tiene una explicación: ASVEL juega sin Mathis Dossou-Yovo, que tiene una lesión en el aductor y no vuelve hasta noviembre. Con tres jornadas jugadas, 24.2 es en parte ruido, pero el hueco en la rotación interior sigue ahí.

Los pívots de Hapoel en Valencia son la otra apuesta clara. En el lado contrario, no alineamos pívots del Barça contra Zalgiris aunque la enfermería les dé muchos minutos.

Partido a partido

Paris - ASVEL

ASVEL concede fuera por encima de la media en las tres posiciones: 11,7 a bases (media 9,4), 12,3 a aleros (8,5) y 24,2 a pívots (10,1). Cualquier jugador de Paris con minutos es una opción, y sus interiores los primeros. Paris concede en casa 10,8 a los bases (8,2) y 13,1 a los pívots (9,4), así que los bases y pívots de ASVEL también tienen buen cruce. TyTy Washington Jr. no jugó la J3 por el tobillo y sigue en duda. En Paris están en duda Ntilikina y Tarpey, sin que se haya explicado el motivo.

Dubai - Crvena Zvezda

Dubai concede en casa 10,0 a los bases (media 8,2) y solo 3,3 a los aleros (7,4). Atacamos con los bases del Zvezda y evitamos a sus aleros. Fuera, el Zvezda está en la media o por debajo, así que no hay cruce que aprovechar para Dubai. El Zvezda pierde a Johnathan Motley por una lesión de isquiotibiales sin fecha de vuelta, y Patrick Baldwin Jr. está disponible para debutar. Dubai sigue sin Musa (rodilla, baja hasta la J4), sin Justin Anderson y sin Jaiteh.

Maccabi - Milan

En casa, Maccabi da 12,7 a los bases y 13,0 a los aleros (medias 8,2 y 7,4) pero solo 4,1 a los pívots. Exteriores de Milan sí, pívots no. Milan concede fuera 11,5 a los bases (9,4) y 12,1 a los pívots (10,1), un buen cruce para el juego interior de Maccabi si Daniel Theis se recupera del tobillo. Se perdió la J3 y sigue en duda. Guduric, que faltó por el nacimiento de su hija, debería volver.

Bayern - Virtus Bologna

Virtus da fuera 12,8 a los aleros (media 8,5), y ese es el dato que interesa a Bayern. Aquí la enfermería importa: Beauchamp y Oscar da Silva están en duda sin motivo publicado, y lo que dejen libre puede ir a Giffey, que entra en la convocatoria. Bayern concede en casa 10,4 a los bases (8,2) y 10,7 a los pívots (9,4). En Virtus sigue en duda Kokila, que se rompió el bíceps femoral a principios de septiembre con un plazo de unas cuatro semanas.

Panathinaikos - Fenerbahçe

Es el partido a evitar. Las seis casillas están por debajo de la media, con mínimos de 4,2 (Panathinaikos a aleros) y 3,8 (Fenerbahçe a aleros). En Panathinaikos hay que vigilar a Nunn: en agosto Eurohoops apuntaba a este partido para su vuelta de la operación de menisco, pero BasketNews lo mantiene fuera hasta la J4. Sloukas no juega. Fall (isquiotibiales) y Hernangómez (ingle) están en duda. En Fenerbahçe, Larkin no jugó la J3 y sigue en duda.

Valencia - Hapoel Tel Aviv

Valencia concede en casa 20,0 a los pívots (media 9,4) y 9,0 a los aleros (7,4). Los interiores de Hapoel son la segunda mejor opción de la jornada en esa posición. Al revés no funciona: Hapoel da fuera 3,5 a los pívots. Para Valencia, el cruce está en los aleros (9,8 con media de 8,5). Hapoel tiene en duda a Amir Coffey y a dos aleros, Ginat por la rodilla y Toppin, que no jugó la J3. Ennis sigue de baja por la rotura del Aquiles.

Real Madrid - Partizan

El Madrid concede en casa 12,0 a los bases (media 8,2), así que los directores de juego de Partizan tienen buen cruce. Partizan está fuera por debajo de la media en las tres posiciones, sin cruce que aprovechar para el Madrid. Partizan sigue sin Derek Willis, al que reevalúan a finales de octubre, y Lamar Stevens está en duda por la mano.

Olympiacos - Anadolu Efes

Olympiacos da en casa 12,0 a los pívots (media 9,4) y 8,9 a los aleros (7,4). Buen cruce para los interiores de Efes. Efes concede fuera 5,9 a los pívots, así que mejor no alinear a los de Olympiacos, más aún con Milutinov en duda por una tendinitis. La noticia de la semana es la baja de Mike James, operado del Aquiles y fuera de siete a nueve meses. Sus minutos y sus tiros se reparten desde ya. Con Cordinier también fuera, los bases de Efes que queden en la rotación pueden subir de precio rápido.

Barça - Zalgiris

Zalgiris concede fuera 3,2 a los pívots, el mínimo entre los visitantes. El Barça solo tiene un pívot natural sano, Balcerowski: Nebo no vuelve hasta mediados de octubre y Makoundou hasta la tercera semana. Que acumule minutos no compensa este cruce. En el otro lado, el Barça concede en casa 11,0 a los aleros (media 7,4) y los de Zalgiris tienen buen partido. Zalgiris llega sin Williams-Goss y con Saben Lee en duda.

Baskonia - Besiktas

Es un partido abierto en la pintura de los dos equipos. Besiktas da fuera 13,0 a los pívots (media 10,1) y 10,8 a los bases (9,4). Baskonia concede en casa 12,0 a los pívots (9,4) y 11,0 a los aleros (7,4). Sedekerskis jugó pocos minutos en la J3 y está en duda. En Besiktas, DaQuan Jeffries arrastra una fractura de muñeca desde la J1.

Resumen por posición

Bases: los de Partizan en el WiZink, los de Paris contra ASVEL, los de Baskonia contra Besiktas y los del Zvezda (si Dubai es el local). Evitamos los de Valencia y Panathinaikos.

Aleros: los de Bayern contra Virtus, los de Zalgiris en el Palau, los de Milan en Tel Aviv y los de Efes en El Pireo. Evitamos los del Zvezda (si Dubai es el local) y los dos lados del Panathinaikos-Fenerbahçe.

Pívots: los de Paris contra ASVEL, los de Hapoel en la Fonteta y los de los dos equipos en el Baskonia-Besiktas. Evitamos los del Barça, los de Valencia y los de Olympiacos.

Aquí el resumen de la tabla de enfrentamientos:

Read more

Cuesta creer, a mí por lo menos, que el futuro de los Boston Celtics de cara a la temporada 2026/27 empezara a decidirse esa fecha, cuando ESPN informó de que Bucks y Giannis habían empezado conversaciones sobre su futuro.

24 de mayo

El copropietario Jimmy Haslem pone fecha límite al fin del culebrón que lleva meses cociéndose: quier…

Read more

La primera regla de la Liga de Verano de la NBA es ignorar todo lo que viste allí. Hace tres años, Victor Wembanyama jugó fatal, y Cam Whitmore, de Houston, ganó el premio al Jugador Más Valioso del Verano. ¿Cómo se tradujo eso a los partidos reales?

John Hollinger.

Terminaba el post anterior con "dato mata relato", con la clara intención de señalar a los…

Read more

Read more

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

El caso es que, al contrario de como compartí los datos en la Salt Lake y en la California (donde bastaba con ti…

Read more

Read more

Read more

Read more

Hannes Steinbach no ganó, pero dejó su terce…

Read more

Read more

Read more

Read more

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

5 months ago · 9 likes · Vaughn Hajra

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

La memoria de la liga

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

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

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

40 años en 18 equipos

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

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

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

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

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

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

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

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

53 partidos bajo la lupa (tabla interactiva).

Read more

En donde estamos

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

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

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

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

Versión resumida

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

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

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

La versión completa

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

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

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

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

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

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

Read more

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

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

¿De dónde viene este chico?

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

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

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

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

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

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

La montaña que todo el mundo rodea

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

El mapa lo dice mejor que cualquier número

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

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

Pero también ha anota. Y sobre todo asiste.

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

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

Suscríbete ahora

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

Los datos que los scouts ya saben

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

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

Read more

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

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

library(tidyverse)
library(rvest)


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

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

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

library(tidyverse)
library(hoopR)

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

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

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

Suscríbete ahora

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

pbp <- hoopR::espn_mbb_pbp(401856572)

rosters <- hoopR::espn_mbb_player_box(401856572)

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

Read more