Pregunta: Business Intelligence y Analytics en Major League Baseball Estándares AACSB: pensamiento analítico, aplicación A principios de este siglo, los Atléticos de Oakland utilizaron estadísticas de rendimiento de jugadores tradicionales fácilmente disponibles de nuevas maneras para decidir qué jugadores colocar en el campo, y este cambio condujo a un mejor juego y

Business Intelligence y Analytics en Major League Baseball

Estándares AACSB: pensamiento analítico, aplicación

A principios de este siglo, los Atléticos de Oakland utilizaron estadísticas de rendimiento de jugadores tradicionales fácilmente disponibles de nuevas maneras para decidir qué jugadores colocar en el campo, y este cambio condujo a un mejor juego y a varias temporadas ganadoras de división. Sus esfuerzos fueron recordados en el libro Moneyball de Michael Lewis y en la película de 2011 del mismo nombre.

Los equipos de las Grandes Ligas ahora utilizan el análisis de datos para mejorar la selección de jugadores, el rendimiento de los jugadores, la toma de decisiones en el juego y el desarrollo de los jugadores. Las técnicas y herramientas actualmente en uso han ido mucho más allá de lo que se describió en Moneyball. Ahora, los datos de cada lanzamiento son capturados por un sistema de radar Doppler que muestrea la posición de la pelota 2000 veces por segundo. Al mismo tiempo, se registra el swing del bateador, capturando datos sobre la velocidad de la pelota cuando sale del bate y el ángulo de lanzamiento de la pelota. Las cámaras detrás de la tercera base registran la posición de los jugadores en el campo 30 veces por segundo. Se captura un terabyte de datos en cada juego. Esto ahora se hace en todos los parques de las ligas mayores y menores, en la mayoría de los parques universitarios de la División 1 e incluso en algunas escuelas secundarias.

Esta gran cantidad de datos de rendimiento se utiliza como entrada para el software analítico para una variedad de propósitos. Aquí hay unos ejemplos:

• Toma de decisiones en el juego: los equipos pueden ver en qué parte del campo cada bateador tiende a golpear la pelota y ahora colocan a los fildeadores en consecuencia. Por lo tanto, ahora a menudo se ven tres jugadores de cuadro a la derecha (oa la izquierda, según sea el caso) de la segunda base, o cuatro jardineros en los jardines. Estas configuraciones defensivas no tradicionales, pocas veces vistas en los 150 años de historia del béisbol, parecen extrañas para el fanático promedio, pero son muy efectivas para reducir los hits de base.
• Selección de jugadores: los equipos pueden adquirir jugadores de otros equipos o fichar jugadores cuyos contratos con los equipos se hayan agotado. Los equipos tienen una idea aproximada de a qué lanzadores se enfrentarán en un año y en qué parques de pelota, que tienen diferentes dimensiones. A partir de los datos que se recopilan en cada juego, un equipo puede simular cómo le iría a un bateador contra estos lanzadores en esos parques durante una temporada completa. De esta forma, un equipo puede proyectar qué jugadores triunfarían con ellos y cuáles no.
• Rendimiento mejorado: los datos generados por radar Doppler muestran en detalle cómo se entregó cada lanzamiento: el giro de la pelota, la forma en que el lanzador lanzó la pelota, la dirección y la trayectoria de la pelota, y otras medidas. Los analistas ahora pueden mostrarle a un lanzador cómo cambiar su lanzamiento o movimiento para ciertos tipos de lanzamientos. Al analizar datos sobre su lanzamiento, Justin Verlander revivió su carrera luego de ser cambiado a los Astros de Houston.

En 2011, los Astros de Houston fueron uno de los peores equipos de béisbol. Contrataron a Jeff Luhnow de los St. Louis Cardinals, uno de los primeros líderes en el uso del análisis de datos, para establecer un programa para los Astros. En una entrevista de dos partes de McKinsey Quarterly, Luhnow describió este trabajo. Inicialmente, muchos jugadores se resistían al cambio, por ejemplo, a nuevas configuraciones defensivas. Sin embargo, la alta dirección les dejó claro a todos que el programa continuaría. Se produjo un gran avance cuando (1) el club mostró a los jugadores cómo se recopilaron y usaron los datos, y (2) asignó a exjugadores con habilidades de software como entrenadores de los equipos de ligas menores para explicar el programa a los jugadores futuros. Estos movimientos generaron confianza y aceptación en todos los niveles. Hoy, el programa de los Astros es reconocido como uno de los mejores del béisbol y los Astros han sido uno de los equipos más exitosos en el campo. Muchos de los empleados de Luhnow han sido contratados por otros equipos.

Luhnow dice que el análisis de datos en el béisbol seguirá evolucionando. En el futuro, dice, el big data y la inteligencia artificial serán cada vez más importantes. Un área de interés es el uso de datos biométricos para predecir y, por lo tanto, prevenir lesiones, particularmente en los lanzadores.

Preguntas de pensamiento crítico

1. Los ejecutivos de béisbol suelen llamar a sus programas de análisis "análisis". Con base en las definiciones de BI y Analytics de este capítulo, ¿diría que sus programas son más Business Intelligence o más Analytics? ¿O algo de ambos?
2. Excel es un programa popular y poderoso con un buen paquete estadístico. ¿Por qué cree que los equipos de béisbol utilizan aplicaciones de software personalizadas para el análisis de datos, en lugar de Excel?
3. Los equipos de béisbol han utilizado "exploradores" para observar a los jóvenes jugar en los niveles de escuela secundaria y universidad. Los exploradores informarían las evaluaciones a la oficina principal, y los jugadores fueron contratados en base a estos informes. Los equipos todavía emplean exploradores para hacer esto, pero cada vez más, el potencial de los jugadores se basa en un análisis de datos de video y Doppler. ¿Crees que llegará el día en que los equipos de las Grandes Ligas ya no necesiten a los cazatalentos?
4. La mayoría de los equipos tienen al menos una docena de científicos de datos y otros analistas en sus programas. Los analistas ganan altos salarios y beneficios. El espacio de oficina, el equipo, el hardware y el software también son costosos. ¿Cuánto pensaría aproximadamente que el programa de análisis de datos le costaría a un equipo de Grandes Ligas cada año?