Estadísticas sencillas para la victoria: El fútbol americano de Georgia Tech utiliza los datos para identificar los mejores reclutas

En 2011, la película Moneyball: Rompiendo las reglas mostró como los Atléticos de Oakland utilizaron el poder de las estadísticas para reunir y administrar un equipo de béisbol victorioso. El filme renovó el interés del público en el papel de los datos en los deportes, pero en eventos que van desde las Olimpíadas hasta las carreras de automóviles, entrenadores y gerentes perspicaces han usado la analítica (ciencia del análisis) durante décadas.

Equipos de fútbol tanto profesionales como universitarios han utilizado las estadísticas para analizar a su competencia, pronosticar desempeño, evaluar el impacto del entrenamiento e incluso medir cómo la dieta y el sueño afectan a los jugadores antes de un juego importante. Ahora el cuerpo de entrenadores del equipo Yellow Jackets de Georgia Tech está utilizando análisis estadístico para identificar y reclutar posibles corredores para el conjunto, además de evaluar el desempeño de los jugadores actuales e individualizar los atributos de los jugadores que conducen al éxito. Para analizar sus datos, el programa de fútbol de Georgia Tech utiliza Minitab Statistical Software.

El desafío

Lamar Owens, entrenador de corredores del equipo de fútbol americano Yellow Jackets de Georgia Tech, utiliza Minitab Statistical Software para analizar datos sobre corredores prospectos —lo que le ayuda a reducir el grupo de cientos de posibles jugadores a solo los jugadores con los atributos adecuados para el estilo de juego de su equipo. Crédito de foto: Danny Karnik

Los equipos de fútbol recopilan una gran cantidad de información acerca de posibles reclutas —a menudo incluyen filmaciones de momentos destacados, estadísticas generales como altura, peso y capacidades de press de banca, así como puntuaciones de habilidad atlética con base en su desempeño en eventos llamados combinados. Los combinados son organizados regionalmente por preparatorias y universidades para probar a posibles jugadores en habilidades tales como carrera, salto y levantamiento —que pueden dar información a los equipos de fútbol acerca de la rapidez, agilidad y fuerza de los jugadores y les permiten estimar el potencial de un jugador en el campo.

Lamar Owens, entrenador de corredores de Georgia Tech, procura reclutar el mejor talento nuevo para su equipo cada año, pero encontró que reducir la lista de cientos de posibles corredores de preparatorias constituía un esfuerzo ineficiente que consumía mucho tiempo. Explorar las filmaciones de momentos destacados y las estadísticas de los combinados de cada posible jugador era un desafío, y tomar en cuenta las opiniones y evaluaciones de múltiples entrenadores hacía que tomar decisiones objetivas sobre posibles corredores fuera incluso más difícil.

Pero Owens, con entrenamiento como black belt en Six Sigma, siempre ha estado interesado en la mejora continua —y vio una oportunidad de aplicar tácticas Six Sigma para analizar y mejorar sus procesos de reclutamiento. “Me interesé en Six Sigma porque me encanta cómo estar basado en los datos podía aplicarse a la forma en que operamos en fútbol americano”, dijo Owens. “Reducir el grupo de cientos de posibles prospectos a un puñado era algo que se podía hacer mucho más fácil si podíamos analizar todos los datos de nuestros jugadores y los prospectos y ser capaces de identificar los atributos que caracterizan a los mejores corredores de nuestro equipo”.

Dado que no había escasez de datos, Owens recurrió a Minitab Statistical Software para que le ayudara a analizar sus datos y sacar conclusiones que optimizarían el proceso de reclutamiento de su equipo.

Cómo ayudó Minitab

A fin de establecer un proceso de selección para prospectos de preparatoria, Owens analizó los datos de desempeño de los corredores que participaron en el más reciente combinado para buscar talento de la NFL. Utilizó datos de jugadores de primer nivel de fútbol americano universitario que asistieron a fin de determinar un límite superior para evaluar los prospectos de preparatoria.

Creó informes de resumen para visualizar la distribución de los datos y recopilar estadísticos, tales como la media, mediana y desviación estándar, para representar el desempeño de primer nivel de los corredores en cada una de las pruebas del combinado de la NFL. Las evaluaciones del combinado incluyeron la carrera de 40 yardas; un ejercicio con tres conos que muestra la habilidad de un jugador para cambiar de dirección a altas velocidades; una carrera corta que mide la rapidez lateral, así como explosiones cortas y repentinas de energía; saltos verticales y largos; y press de banca.

Georgia Tech utilizó los informes de resumen gráfico de Minitab para visualizar importantes estadísticos de resumen que registran el desempeño de prospectos de corredores de la NFL en pruebas tales como la carrera corta, que se muestran en el informe más arriba.

Owens también recopiló datos de corredores de Georgia Tech que realizaron la misma serie de pruebas y luego ejecutó el mismo análisis gráfico en Minitab. Utilizó sus datos para establecer un límite inferior para evaluar los prospectos de preparatoria.

Asimismo, Owens ejecutó resúmenes gráficos en los datos de desempeño de sus propios corredores. Para cada evento, utilizó la media de las puntuaciones de sus jugadores como el límite inferior que los nuevos prospectos debían alcanzar a fin de que se les considerara para el equipo. Por ejemplo, con base en sus datos, los prospectos debían completar la carrera corta en un máximo de 4.32 segundos, la mediana de tiempo alcanzada por los corredores de Georgia Tech.

Dado que la mediana de tiempo de los prospectos de la NFL se estableció como el límite superior y la mediana de tiempo de los corredores de Georgia Tech se estableció como el límite inferior de cada evento, Owens pudo evaluar los posibles corredores de los equipos de preparatoria frente a un estándar de base de datos. Se invitaron a decenas de prospectos al campus para ser sometidos a prueba en los mismos eventos del combinado y luego Owens utilizó Minitab para analizar los datos que recopiló de cada jugador.

“Utilizar Minitab para análisis de datos me ayudó a ver el cuadro general de la calidad de los prospectos de corredores”, comenta. “Si encuentro un estudiante de segundo año de preparatoria que tiene números similares a estudiantes de último año de preparatoria que estamos evaluando en busca de talento o incluso cercanos a nuestros corredores actuales, sé que vale la pena prestarle atención. Tener los datos facilita prestarle la atención a este tipo de estudiantes más temprano en nuestro proceso”.

Usted puede estar preguntándose si es justo que prospectos de preparatoria sean juzgados frente a los tiempos en el combinado alcanzados por jugadores universitarios, entre ellos estudiantes de los últimos años que son prospectos de la NFL. Owens explica que su sistema de medición es útil para reducir el grupo.

“No se trata necesariamente de ser justos con los prospectos de preparatoria”, dice. “Lo que buscamos son los estudiantes de preparatoria excepcionales —los valores atípicos, y hemos definido límites de especificación superior e inferior para ayudarnos a encontrar esos jugadores excepcionales.

Si hay un estudiante de preparatoria que al menos se acerca al límite de especificación inferior, entonces pensamos que merece ser objeto de seguimiento. Nuestra meta con el reclutamiento es encontrar lo mejor de lo mejor”.

Establecer rangos objetivo para cada uno de los 14 eventos del combinado facilita considerablemente la selección inicial de cientos de posibles corredores cada año. Los posibles jugadores cuyo desempeño se ubicó dentro del rango objetivo de un evento dado recibieron 3 puntos por ese evento, aquellos debajo del borde inferior del objetivo recibieron 1 punto y quienes superaron el borde superior del objetivo recibieron 9 puntos. A los prospectos que obtuvieron un total de 42 puntos o más se les evaluó posteriormente con base en las filmaciones de sus momentos destacados.

Owens utiliza el modelo de puntuación, que se muestra arriba, para calificar y canalizar los posibles corredores para evaluación adicional.

Resultados

Utilizar el nuevo sistemas de calificación facilitó considerablemente a Owens y su personal clasificar a cientos de corredores prospectos e identificar qué jugadores mostraron el mayor potencial y se deben evaluar aun más.

“Antes de que implementáramos este nuevo sistema y comenzáramos a calificar a los prospectos de manera más sistemática, había demasiada subjetividad en la calificación de la capacidad atlética del jugador”, indica Owens. “Eso hacía difícil para nosotros saber en qué prospectos debíamos concentrarnos. El análisis de Minitab nos ayudó a poner en funcionamiento el nuevo sistema de calificación, y ahora estoy en capacidad de tomar decisiones mucho más objetivas con base en los datos que recopilamos sobre los prospectos y los datos del evento combinado anual de la NFL, así como datos de desempeño de nuestro equipo y jugadores individuales en el tiempo.

“El nuevo sistema realmente recortó las cantidad de tiempo que yo pasaba escudriñando datos sobre los prospectos, así como en clasificarlos para evaluación adicional. Lo que aprendí aquí también nos ahorró tiempo y facilitó nuestro proceso para evaluar a los jugadores en filmaciones”.

Owens también señala que hay un mayor entendimiento, tanto en el cuerpo de entrenadores como en los jugadores, acerca de qué conclusiones se pueden sacar de todos estos datos. “A menudo comparto ideas con personas a las cuales realmente no les importan los datos tal como aparecen en las hojas de cálculo, pero mostrar gráficas realmente une los puntos para ellas y permite que se llegue a conclusiones significativas”, indica.

“Pero debido a las exigencias de ser un entrenador, no siempre tengo mucho tiempo para analizar datos y armar elementos visuales para contar la historia de los datos. Minitab es excelente porque me permite ingresar los datos, realizar algunas pruebas y luego las gráficas se crean automáticamente.

El nuevo sistema también destaca atributos del desempeño de los corredores que son importantes para su equipo, lo que les facilita identificar esos atributos en prospectos y descartar atributos que no se relacionan con el potencial en el campo. “Para nuestro equipo, hemos determinado que altura y peso no importan tanto para nuestros corredores”, señala Owens. “Lo que más importa es su desempeño en la carrera corta y el ejercicio con los tres conos, porque estos eventos nos indican la rapidez lateral y la habilidad de cambiar de dirección”.

Si bien este nuevo sistema de calificación solo se ha implementado en su proceso de búsqueda de talento de corredores durante el último par de años, Owens tiene esperanzas de que las lecciones que ha aprendido ayudarán a optimizar la búsqueda de talento para otros posiciones en el equipo de fútbol americano de Georgia Tech en el futuro.

“Sé que este nuevo proceso ha sido muy esperanzador para mí en el reclutamiento de nuestros corredores, pero continuamos ajustando el nuevo sistema en la marcha y cada año descubro que se está volviendo un poco mejor”, indica Owens. “Sin embargo, introducir Minitab ha sido grandioso para nosotros —la conclusión es que Minitab facilita analizar rápidamente nuestros datos y obtener respuestas”.

ORGANIZACIÓN

Georgia Tech Yellow Jackets

REVISIÓN GENERAL

  • Fundado en 1892
  • Cuatro campeonatos nacionales de fútbol americano universitario División I-A y quince títulos de conferencia
  • Más de 150 ex alumnos que han jugado en la NFL
  • También conocido como “Ramblin’ Wreck”

DESAFÍO

Mejorar el proceso de reclutamiento de corredores

PRODUCTOS UTILIZADOS

Minitab® Statistical Software

RESULTADOS

  • Implementó un nuevo sistema de calificación para clasificar a los corredores prospectos
  • Ahorró tiempo al facilitar al cuerpo de entrenadores identificar los prospectos más sólidos.
  • Confirmó la fiabilidad de las evaluaciones de las filmaciones de los jugadores
  • Reveló cuáles atributos de los jugadores importan más y cuáles son menos críticos
  • Aumentó el valor de los datos sobre prospectos, jugadores actuales y el equipo en general

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado. Leer nuestra política