Análisis e implementación de modelos predictivos para el proceso de draft en baloncesto

Abstract

[ES] Este trabajo se enfoca en la analítica deportiva aplicada al proceso de draft de la National Basketball Association (NBA), con el objetivo de predecir las decisiones de los equipos al seleccionar jugadores, principalmente de la National Collegiate Athletic Association (NCAA). La propuesta comienza con un análisis exploratorio de datos históricos de jugadores universitarios, incluyendo estadísticas de partidos y otros atributos relevantes, para comprender las diferencias entre los jugadores e identificar características predictivas clave. Se utilizan técnicas avanzadas de aprendizaje automático para construir modelos predictivos que anticipen las decisiones de los equipos en el draft de la NBA. La herramienta resultante de la propuesta es práctica y útil tanto para equipos de la NBA como para jugadores de la NCAA con opciones al draft, optimizando el proceso de toma de decisiones durante el draft. Las recomendaciones basadas en evidencias permiten a los equipos implementar estrategias más efectivas y a los jugadores tomar decisiones más convenientes para su futuro. Los resultados obtenidos demuestran que los modelos predictivos pueden anticipar con alta precisión las decisiones de los equipos durante el draft de la NBA. La evaluación de la calidad de las predicciones muestra resultados muy buenos, aunque no es comparable ya que este trabajo es pionero en el proceso de draft. Además, las recomendaciones derivadas del estudio proporcionan una guía valiosa para futuras aplicaciones, confirmando el potencial de la propuesta como una herramienta estratégica en la selección de jugadores.

[CA] Este treball s’enfoca en l’analítica esportiva aplicada al procés de draft de la National Basketball Association (NBA), amb l’objectiu de predir les decisions dels equips en seleccionar jugadors, principalment de la National Collegiate Athletic Association (NCAA). La proposta comença amb una anàlisi exploratòria de dades històriques de jugadors universitaris, incloent-hi estadístiques de partits i altres atributs rellevants, per a comprendre les diferències entre els jugadors i identificar característiques predictives clau. S’utilitzen tècniques avançades d’aprenentatge automàtic per a construir models predictius que anticipen les decisions dels equips en el draft de la NBA. La ferramenta resultant de la proposta és pràctica i útil tant per a equips de la NBA com per a jugadors de la NCAA amb opcions al draft, optimitzant el procés de presa de decisions durant el draft. Les recomanacions basades en evidències permeten als equips implementar estratègies més efectives i als jugadors prendre decisions més convenients per al seu futur. Els resultats obtinguts demostren que els models predictius poden anticipar amb alta precisió les decisions dels equips durant el draft de la NBA. L’avaluació de la qualitat de les prediccions mostra resultats molt bons, encara que no és comparable ja que este treball és pioner en el procés de draft. A més, les recomanacions derivades de l’estudi proporcionen una guia valuosa per a futures aplicacions, confirmant el potencial de la proposta com una ferramenta estratègica en la selecció de jugadors.

[EN] This paper focuses on sports analytics applied to the National Basketball Association (NBA) draft process, with the goal of predicting teams’ decisions when selecting players, primarily from the National Collegiate Athletic Association (NCAA). The approach begins with an exploratory analysis of historical college player data, including game statistics and other relevant attributes, to understand differences between players and identify key predictive characteristics. Advanced machine learning techniques are used to build predictive models that anticipate teams’ decisions in the NBA draft. The tool resulting from the proposal is practical and useful for both NBA teams and NCAA draft-eligible players, optimising the decision-making process during the draft. The evidence-based recommendations allow teams to implement more effective strategies and players to make better decisions for their future. The results obtained demonstrate that predictive models can anticipate with high accuracy the decisions of teams during the NBA draft. The evaluation of the quality of the predictions shows very good results, although it is not comparable as this work is a pioneer in the draft process. Furthermore, the recommendations derived from the study provide valuable guidance for future applications, confirming the potential of the proposal as a strategic tool in player selection.