Na NBA, análise de dados orienta até jogadas na quadra

Daryl Morey adora dados de boa qualidade, aos montes. Como gerente geral do Houston Rockets, o graduado pela Northwestern ficou famoso pela sua devoção à utilização de análise de dados para tomar decisões pela equipe. Tudo, desde onde parar para arremessar na quadra até quem deve ser negociado no meio da temporada.

Morey conversa com a Kellogg Insight sobre a importância de montar uma equipe que entende as análises, como garantir que se está usando os dados de forma inteligente e a necessidade de sempre manter o a mira no alvo ao destrinchar os números.

Kellogg Insight: Ao coletar dados, você já sabe as perguntas que deseja fazer com antecedência ou elas surgem a partir dos dados que consegue coletar?

Daryl Morey: Para nós, as perguntas são muito simples. Tudo é julgado com base na probabilidade de ganhar um campeonato ao longo de um horizonte de tempo de três a cinco anos. Se os dados que coletamos ou decisões que tomamos puderem afetar essa probabilidade, iremos usá-los.

Para nós, a função do sucesso é bastante fácil de decifrar. Infelizmente, é uma equação muito difícil porque suas chances são bem terríveis em um campeonato de 30 times, onde apenas um ganha a cada ano.

KI: Na Kellogg, temos um novo programa de análise de dados. Adotamos a perspectiva de que a análise de dados é um problema de liderança, e não um desafio estatístico . Quais são os principais desafios que os líderes empresariais enfrentam ao integrar a análise de dados ao resto da organização?

DM: No Rockets, temos um proprietário que é um visionário, e tem sido ao longo de toda a sua carreira. Ele acredita absolutamente no valor da análise de dados para ajudar a direcionar a tomada de decisão. Notou que isso funciona em seus outros negócios e foi o pioneiro no basquete ao dizer "Ei, eu estou assumindo um compromisso total aqui".

Em outras equipes, eu ouço muita frustração. Os tomadores de decisão vão em outras direções e, muitas vezes, de maneiras que não funcionam, porque não são versados no uso da informação.

KI: Como você cria este bem estar em uma organização?

DM: Acredito que em grande parte tem a ver com o motivo pelo qual você contrata e qual é a recompensa. Queremos ter certeza de que as pessoas entendam o valor da informação.

Nem sempre é necessário usar os dados para ajudar a orientar uma decisão, mas você sempre precisa ver se pode fazer isso. Eu vivo isso, incorporo isso, e contratamos para isso. As pessoas que seguem em frente são as que tomam as melhores decisões.

KI: Com relação à análise de dados, quais percepções de outros setores acabam entrando na sua alçada?

DM: O esporte realmente é um adotante tardio da utilização dos dados para orientar a tomada de decisão. Se analisarmos a Wall Street, ou as empresas de bens de consumo ou de cartão de crédito, ou mesmo a Procter & Gamble, todas elas estão de fato um pouco à frente em termos de uso de dados como modo de orientar suas decisões.

O esporte chegou atrasado na festa. Temos um grupo de contatos trabalhando em fundos quant. Eles lidam com conjuntos de dados muito semelhantes aos nossos, no sentido de que têm dados que mudam muito rapidamente ao longo do tempo. Tentamos prever jogadores; eles tentam prever empresas.

KI: Como algo tão intangível quanto estilo de jogo pode ser capturado com análise?

DM: Bom, acontece que não é tão intangível assim. Você pode vê-lo no quadra. Os dados mais avançados que estão lá — dados de posição em 25 quadros por segundo de todos os jogadores e dos árbitros em quadra — são muito granulares, mas muito ricos.

Se quiser analisar o estilo de jogo, ou seja, a rapidez com que os jogadores se movem, o quanto eles pulam do chão, quantas vezes eles estão espaçados, quantas vezes estão aglutinados — este tipo de dados pode realmente fornecer informações de diferentes estilos de jogo na NBA, tanto no nível de equipe quanto no nível individual.

Se quiser analisar todas as derivadas do movimento em termos de posição, velocidade, aceleração, puxada, pode conseguir tudo isso com os dados que temos agora.

KI: Obviamente, no basquete há certos jogadores que trabalham bem juntos. Como se usa os dados analíticos para determinar quais tipos de jogadores são assim?

DM: Isso é bastante difícil. Assim como qualquer outra coisa, temos algumas perguntas que são bastante fáceis de responder, como o estilo de jogo, e perguntas que são muito difíceis de responder.

No beisebol é um pouco mais fácil. Há muito menos interação. É praticamente uma interação solitária entre lançador e batedor, com algum impacto dos árbitros, o apanhador e as posições em campo.

Considerando que, no basquete, basta pular e arremessar: Será que o arremesso entra porque o cara pode arremessar bem, porque a escolha da posição foi boa, porque a defesa era ruim, porque o passe foi bom?

Há uma centena de possibilidades que acontecem em apenas um arremesso, e isso é o fator mais fácil de ser analisado.

Tentar decompor completamente todas as interações entre os jogadores é extraordinariamente difícil e algo que estamos tentando melhorar constantemente.

Se tivéssemos jogos em que o resultado não importa para meu sustento e dos outros, e se fosse possível dizer "Ei, neste jogo vamos tentar isso com grupos diferentes de pessoas", essa provavelmente seria a única maneira de realmente isolar alguns desses efeitos.

KI: Há tempos que os treinadores assistem gravações dos jogos, e mostram aos jogadores o que estavam fazendo e o que poderiam fazer melhor. Será que o aspecto quantitativo dos dados ajuda o processo de coaching?

DM: Sim, com certeza. Gostei de você ter apontado que as informações de vídeo e a experiência de treinador são apenas outra forma de dados. Todo mundo usa dados, mesmo quando não percebem isso. É a informação do mundo que você está processando em sua própria experiência e os modelos mentais que você forma ao redor disso tudo.

Então, como separar o sinal do ruído? Como saber se está lidando com algo espúrio ou uma tendência real com a qual é necessário lidar? O cara manda bem no primeiro tempo — ele tem esse sucesso porque está realmente arremessando bem? Será que precisamos fechá-lo?

Ou será que realmente seguimos o plano de jogo à risca e simplesmente não demos sorte no primeiro tempo, e devemos apenas nos ater ao nosso plano? É nesses tipos de decisões que os dados podem ajudar, e realmente ajudam nas camadas de coaching.

KI: Você tenta usar os dados em tempo real durante o jogo?

DM: Sim. Se você já foi a um jogo, há um exército de pessoas que nos ajudam nesse sentido. Um treinador inteligente, como o treinador [Kevin] McHale utiliza toda a informação disponível. Se um cara está nos matando, definitivamente ele vira assunto. Normalmente, o treinador toma decisões sobre como podemos ajustar as coisas no intervalo do jogo.

KI: Em sua carreira, qual foi o público mais difícil de convencer a respeito das vantagens dos dados analíticos?

DM: No beisebol, as análises mostraram que as pessoas estavam fazendo tudo de forma incorreta por muitos e muitos anos. No basquete, tivemos mais sorte, mas alguns jogadores e treinadores acreditavam que algumas coisas consagradas pelo tempo eram mais corretas do que alguns dos dados simples que eram mostrados.

Tentar convencer o treinador [Jeff] Van Gundy, que é um cara analiticamente inteligente, de que o "2 por 1" — onde você faz dois arremessos rápidos no final do quarto em vez de um bom arremesso — era melhor, foi um pouco desafiador.

Os treinadores historicamente optavam por um bom arremesso. Acontece que dois arremessos rápidos ruins são definitivamente melhores do que um bom arremesso, e os treinadores mais inteligentes mudaram para isso.

O treinador Van Gundy, ao longo do tempo, tornou-se convencido de que era a coisa certa a fazer, embora ele nem sempre implemente isso, porque achava que a diferença entre ganhar ou perder não era grande o suficiente. Acho que ele está certo.

KI: O "Moneyball" facilitou sua vida?

DM: Sim. Acho que nosso proprietário provavelmente teria chegado a me contratar ou contratar alguém como eu sem aquele livro, mas eu acho que o livro ajudou a promover isso. Ele ajudou com o sucesso de algumas das ideias, principalmente no beisebol e agora, mais recentemente, no basquete, e ao longo do tempo, provavelmente, no futebol americano e hóquei.

KI: O que percebe agora por causa da análise de dados que você e outros em sua posição não sabiam há 10 anos?

DM: A seleção do arremesso de uma equipe mudou bastante e drasticamente ao longo do tempo para essas zonas: arremesso perto da cesta e arremesso da linha de três pontos. [O benefício disso] é algo que acredito que se conhecia, mas talvez não fosse reconhecido. As pessoas certamente não tomaram decisões muito importantes de investimento com base nisso.

Há uma grande diferença entre "eu acredito em algo" e "eu acredito em algo, estou disposto a colocar um monte de dinheiro nisso, e um monte de investimento por trás disso, e minha futura carreira depende disso".

Texto publicado com a permissão da Northwestern University (em representação daKellogg School of Management). Publicado primeiramente no Kellogg Insight.

Daryl Morey adora dados de boa qualidade, aos montes. Como gerente geral do Houston Rockets, o graduado pela Northwestern ficou famoso pela sua devoção à utilização de análise de dados para tomar decisões pela equipe. Tudo, desde onde parar para arremessar na quadra até quem deve ser negociado no meio da temporada.

Morey conversa com a Kellogg Insight sobre a importância de montar uma equipe que entende as análises, como garantir que se está usando os dados de forma inteligente e a necessidade de sempre manter o a mira no alvo ao destrinchar os números.

Kellogg Insight: Ao coletar dados, você já sabe as perguntas que deseja fazer com antecedência ou elas surgem a partir dos dados que consegue coletar?

Daryl Morey: Para nós, as perguntas são muito simples. Tudo é julgado com base na probabilidade de ganhar um campeonato ao longo de um horizonte de tempo de três a cinco anos. Se os dados que coletamos ou decisões que tomamos puderem afetar essa probabilidade, iremos usá-los.

Para nós, a função do sucesso é bastante fácil de decifrar. Infelizmente, é uma equação muito difícil porque suas chances são bem terríveis em um campeonato de 30 times, onde apenas um ganha a cada ano.

KI: Na Kellogg, temos um novo programa de análise de dados. Adotamos a perspectiva de que a análise de dados é um problema de liderança, e não um desafio estatístico . Quais são os principais desafios que os líderes empresariais enfrentam ao integrar a análise de dados ao resto da organização?

DM: No Rockets, temos um proprietário que é um visionário, e tem sido ao longo de toda a sua carreira. Ele acredita absolutamente no valor da análise de dados para ajudar a direcionar a tomada de decisão. Notou que isso funciona em seus outros negócios e foi o pioneiro no basquete ao dizer "Ei, eu estou assumindo um compromisso total aqui".

Em outras equipes, eu ouço muita frustração. Os tomadores de decisão vão em outras direções e, muitas vezes, de maneiras que não funcionam, porque não são versados no uso da informação.

KI: Como você cria este bem estar em uma organização?

DM: Acredito que em grande parte tem a ver com o motivo pelo qual você contrata e qual é a recompensa. Queremos ter certeza de que as pessoas entendam o valor da informação.

Nem sempre é necessário usar os dados para ajudar a orientar uma decisão, mas você sempre precisa ver se pode fazer isso. Eu vivo isso, incorporo isso, e contratamos para isso. As pessoas que seguem em frente são as que tomam as melhores decisões.

KI: Com relação à análise de dados, quais percepções de outros setores acabam entrando na sua alçada?

DM: O esporte realmente é um adotante tardio da utilização dos dados para orientar a tomada de decisão. Se analisarmos a Wall Street, ou as empresas de bens de consumo ou de cartão de crédito, ou mesmo a Procter & Gamble, todas elas estão de fato um pouco à frente em termos de uso de dados como modo de orientar suas decisões.

O esporte chegou atrasado na festa. Temos um grupo de contatos trabalhando em fundos quant. Eles lidam com conjuntos de dados muito semelhantes aos nossos, no sentido de que têm dados que mudam muito rapidamente ao longo do tempo. Tentamos prever jogadores; eles tentam prever empresas.

KI: Como algo tão intangível quanto estilo de jogo pode ser capturado com análise?

DM: Bom, acontece que não é tão intangível assim. Você pode vê-lo no quadra. Os dados mais avançados que estão lá — dados de posição em 25 quadros por segundo de todos os jogadores e dos árbitros em quadra — são muito granulares, mas muito ricos.

Se quiser analisar o estilo de jogo, ou seja, a rapidez com que os jogadores se movem, o quanto eles pulam do chão, quantas vezes eles estão espaçados, quantas vezes estão aglutinados — este tipo de dados pode realmente fornecer informações de diferentes estilos de jogo na NBA, tanto no nível de equipe quanto no nível individual.

Se quiser analisar todas as derivadas do movimento em termos de posição, velocidade, aceleração, puxada, pode conseguir tudo isso com os dados que temos agora.

KI: Obviamente, no basquete há certos jogadores que trabalham bem juntos. Como se usa os dados analíticos para determinar quais tipos de jogadores são assim?

DM: Isso é bastante difícil. Assim como qualquer outra coisa, temos algumas perguntas que são bastante fáceis de responder, como o estilo de jogo, e perguntas que são muito difíceis de responder.

No beisebol é um pouco mais fácil. Há muito menos interação. É praticamente uma interação solitária entre lançador e batedor, com algum impacto dos árbitros, o apanhador e as posições em campo.

Considerando que, no basquete, basta pular e arremessar: Será que o arremesso entra porque o cara pode arremessar bem, porque a escolha da posição foi boa, porque a defesa era ruim, porque o passe foi bom?

Há uma centena de possibilidades que acontecem em apenas um arremesso, e isso é o fator mais fácil de ser analisado.

Tentar decompor completamente todas as interações entre os jogadores é extraordinariamente difícil e algo que estamos tentando melhorar constantemente.

Se tivéssemos jogos em que o resultado não importa para meu sustento e dos outros, e se fosse possível dizer "Ei, neste jogo vamos tentar isso com grupos diferentes de pessoas", essa provavelmente seria a única maneira de realmente isolar alguns desses efeitos.

KI: Há tempos que os treinadores assistem gravações dos jogos, e mostram aos jogadores o que estavam fazendo e o que poderiam fazer melhor. Será que o aspecto quantitativo dos dados ajuda o processo de coaching?

DM: Sim, com certeza. Gostei de você ter apontado que as informações de vídeo e a experiência de treinador são apenas outra forma de dados. Todo mundo usa dados, mesmo quando não percebem isso. É a informação do mundo que você está processando em sua própria experiência e os modelos mentais que você forma ao redor disso tudo.

Então, como separar o sinal do ruído? Como saber se está lidando com algo espúrio ou uma tendência real com a qual é necessário lidar? O cara manda bem no primeiro tempo — ele tem esse sucesso porque está realmente arremessando bem? Será que precisamos fechá-lo?

Ou será que realmente seguimos o plano de jogo à risca e simplesmente não demos sorte no primeiro tempo, e devemos apenas nos ater ao nosso plano? É nesses tipos de decisões que os dados podem ajudar, e realmente ajudam nas camadas de coaching.

KI: Você tenta usar os dados em tempo real durante o jogo?

DM: Sim. Se você já foi a um jogo, há um exército de pessoas que nos ajudam nesse sentido. Um treinador inteligente, como o treinador [Kevin] McHale utiliza toda a informação disponível. Se um cara está nos matando, definitivamente ele vira assunto. Normalmente, o treinador toma decisões sobre como podemos ajustar as coisas no intervalo do jogo.

KI: Em sua carreira, qual foi o público mais difícil de convencer a respeito das vantagens dos dados analíticos?

DM: No beisebol, as análises mostraram que as pessoas estavam fazendo tudo de forma incorreta por muitos e muitos anos. No basquete, tivemos mais sorte, mas alguns jogadores e treinadores acreditavam que algumas coisas consagradas pelo tempo eram mais corretas do que alguns dos dados simples que eram mostrados.

Tentar convencer o treinador [Jeff] Van Gundy, que é um cara analiticamente inteligente, de que o "2 por 1" — onde você faz dois arremessos rápidos no final do quarto em vez de um bom arremesso — era melhor, foi um pouco desafiador.

Os treinadores historicamente optavam por um bom arremesso. Acontece que dois arremessos rápidos ruins são definitivamente melhores do que um bom arremesso, e os treinadores mais inteligentes mudaram para isso.

O treinador Van Gundy, ao longo do tempo, tornou-se convencido de que era a coisa certa a fazer, embora ele nem sempre implemente isso, porque achava que a diferença entre ganhar ou perder não era grande o suficiente. Acho que ele está certo.

KI: O "Moneyball" facilitou sua vida?

DM: Sim. Acho que nosso proprietário provavelmente teria chegado a me contratar ou contratar alguém como eu sem aquele livro, mas eu acho que o livro ajudou a promover isso. Ele ajudou com o sucesso de algumas das ideias, principalmente no beisebol e agora, mais recentemente, no basquete, e ao longo do tempo, provavelmente, no futebol americano e hóquei.

KI: O que percebe agora por causa da análise de dados que você e outros em sua posição não sabiam há 10 anos?

DM: A seleção do arremesso de uma equipe mudou bastante e drasticamente ao longo do tempo para essas zonas: arremesso perto da cesta e arremesso da linha de três pontos. [O benefício disso] é algo que acredito que se conhecia, mas talvez não fosse reconhecido. As pessoas certamente não tomaram decisões muito importantes de investimento com base nisso.

Há uma grande diferença entre "eu acredito em algo" e "eu acredito em algo, estou disposto a colocar um monte de dinheiro nisso, e um monte de investimento por trás disso, e minha futura carreira depende disso".

Texto publicado com a permissão da Northwestern University (em representação daKellogg School of Management). Publicado primeiramente no Kellogg Insight.