Análise da eficiência dos arremessos dos jogadores da NBA em momentos de pressão

Abstract

Este trabalho enfatiza a relevância da coleta e análise de dados no esporte, ilustrada pelo caso de sucesso dos Oakland Athletics na MLB, que, mesmo com recursos limitados, adotaram a estatística para contratar jogadores compatíveis e alcançar alto nível competitivo. No basquete, a análise de dados também tem se difundido, conforme Schumaker et al. (2010), sendo fundamental selecionar informações relevantes para detectar padrões de desempenho. A aplicação de Inteligência Artificial (IA) no esporte, particularmente na NBA, tem permitido otimizar estratégias de jogo e métodos de treinamento, como exemplo o Advanced Scout (Bhandari, 1997). Além disso, algoritmos de IA têm sido utilizados para personalizar o treinamento de jogadores (Yoon et al., 2019). Com base em Metulini e Le Carre (2020), o estudo propõe modelar a eficiência dos arremessos de jogadores profissionais de basquete em situações de pressão, identificando as variáveis que mais influenciam o erro dos arremessos. Para isso, serão extraídos dados da temporada regular 2022/2023 da NBA, disponibilizados pela BigDataBall Company, e criadas oito variáveis indicativas de pressão (por exemplo, Shot_clock, Diff_p, Ratio, Miss.pl, Shot.type, Time, Quarter e Poss.type). A metodologia envolve análise descritiva e aplicação de redes neurais, com uso da função ReLU. Espera-se identificar como diferentes cenários de dificuldade afetam a assertividade dos arremessos, gerar previsões precisas do desempenho em situações de pressão com o objetivo de contribuir para o avanço das aplicações de técnicas estatísticas e de aprendizado de máquina no esporte e em outras áreas de decisão sob pressão.

This work emphasizes the relevance of data collection and analysis in sports, illustrated by the success of the Oakland Athletics in the MLB, who, despite limited resources, adopted statistical methods to recruit suitable players and achieve a high level of competitiveness. In basketball, data analysis has also become widespread, as noted by Schumaker et al. (2010), with the careful selection of relevant information being essential to detecting performance patterns. The application of artificial intelligence (AI) in sports—particularly in the NBA—has enabled the optimization of game strategies and training methods, exemplified by the Advanced Scout system (Bhandari, 1997). Furthermore, AI algorithms have been employed to personalize player training (Yoon et al., 2019). Based on Metulini and Le Carre (2020), this study proposes to model the efficiency of professional basketball players’ shot-making under pressure by identifying the variables that most influence shot outcome. To this end, data from the 2022/2023 regular NBA season provided by BigDataBall Company will be extracted and eight pressure-indicating variables will be created (e.g., Shot_clock, Diff_p, Ratio, Miss.pl, Shot.type, Time, Quarter, and Poss.type). The methodology involves descriptive analysis and the application of neural networks using the ReLU activation function. It is expected that this research will reveal how different pressure scenarios affect shot accuracy and generate precise performance forecasts under pressure, thereby contributing to the advancement of statistical and machine-learning techniques in sports and other high-pressure decision-making contexts.