Publication: Similarity analysis to aid decision making on NBA Draft
Loading...
Official URL
Full text at PDC
Publication Date
2020
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
Abstract
This work is based on the different statistical studies published by Mock Draft Websites and on webs that store the official statistics of the NBA players. The data associated with NBA players and teams are currently very precious since their correct exploitation can materialize in great economic benefits. The objective of this work is to show how data mining can be useful to help the scouts in this real problem. Scouts participating in the Draft could use the information provided by the models to make a better decision that complements their personal experience. This would save time and money since by simply analyzing the results of the models, teams would not have to travel around the world to find players who could be discarded for the choice. In this work, unsupervised grouping techniques are studied to analyze the similarity between players. Databases with statistics of both current and past players are used. Besides, three different clustering techniques are implemented that allow the results to be compared, adding value to the information and facilitating decision- making. The most relevant result is shown at the moment in which the shooting in the NCAA is analyzed using grouping techniques.
Este trabajo se basa en los diferentes estudios estadísticos publicados en páginas web de predicción de Drafts de la NBA y en webs que almacenan las estadísticas oficiales de los jugadores de la NBA. Los datos asociados a los jugadores y equipos de la NBA son actualmente muy valiosos ya que su correcta explotación puede materializarse en grandes beneficios económicos. El objetivo de este trabajo es mostrar cómo la minería de datos puede ser útil para ayudar a los entrenadores y directivos de los equipos en la elección de nuevas incorporaciones. Los ojeadores de los equipos que participan en el Draft podrían utilizar la información proporcionada por los modelos para tomar una mejor decisión que la que tomarían valorando su experiencia personal. Esto ahorraría mucho tiempo y dinero ya que, simplemente analizando los resultados de los modelos, los equipos no tendrían que viajar por el mundo para encontrar jugadores que pudieran ser descartados para la elección. En este trabajo se estudian técnicas de agrupación para analizar la similitud entre jugadores. Se utilizan bases de datos con estadísticas de jugadores tanto actuales como del pasado. Además, se implementan tres técnicas de clustering diferentes que permiten comparar los resultados, agregando valor a la información y facilitando la toma de decisiones. El resultado más relevante se muestra en el momento en el que se analiza el tiro en liga universitaria mediante técnicas de agrupación.
Este trabajo se basa en los diferentes estudios estadísticos publicados en páginas web de predicción de Drafts de la NBA y en webs que almacenan las estadísticas oficiales de los jugadores de la NBA. Los datos asociados a los jugadores y equipos de la NBA son actualmente muy valiosos ya que su correcta explotación puede materializarse en grandes beneficios económicos. El objetivo de este trabajo es mostrar cómo la minería de datos puede ser útil para ayudar a los entrenadores y directivos de los equipos en la elección de nuevas incorporaciones. Los ojeadores de los equipos que participan en el Draft podrían utilizar la información proporcionada por los modelos para tomar una mejor decisión que la que tomarían valorando su experiencia personal. Esto ahorraría mucho tiempo y dinero ya que, simplemente analizando los resultados de los modelos, los equipos no tendrían que viajar por el mundo para encontrar jugadores que pudieran ser descartados para la elección. En este trabajo se estudian técnicas de agrupación para analizar la similitud entre jugadores. Se utilizan bases de datos con estadísticas de jugadores tanto actuales como del pasado. Además, se implementan tres técnicas de clustering diferentes que permiten comparar los resultados, agregando valor a la información y facilitando la toma de decisiones. El resultado más relevante se muestra en el momento en el que se analiza el tiro en liga universitaria mediante técnicas de agrupación.
Description
Trabajo de Fin de Grado en Ingeniería Informática, Facultad de Informática UCM, Departamento de Sistemas Informáticos y Computación, Curso 2019/2020