Introducción

Bienvenidos al repositorio del proyecto final de SmartPro Analytics, una consultora especializada en análisis de datos.

Este proyecto ha sido desarrollado por un equipo multidisciplinario compuesto por expertos en ingeniería de datos, ciencia de datos y análisis de datos. A continuación, presentamos a los integrantes del equipo:

• - DATA SCIENTIST
• - DATA ANALYST
• - DATA ENGINEER
• - DATA SCIENTIST
• - DATA ANALYST

🔹 Contexto del Proyecto 🔹

SmartPro Analytics ha sido contratada por una agencia de representación deportiva que está incursionando en el competitivo mercado de la NBA. La agencia busca evaluar de manera objetiva el rendimiento de sus jugadores y equipos para mejorar las negociaciones de contratos y tomar decisiones estratégicas, así como ampliar su cartera de jugadores para posicionarse mejor en el mercado.

🔹 Propósito y Objetivos 🔹

El propósito principal de este proyecto es proporcionar a la agencia herramientas y análisis que le permitan optimizar el rendimiento de sus jugadores y equipos. Los objetivos específicos son:

1. Evaluación del Desempeño de Jugadores y Equipos: Mejorar la negociación de contratos y la toma de decisiones estratégicas.

2. Reconocimiento y Desarrollo de Nuevos Talentos: Identificar patrones y tendencias para descubrir jugadores con alto potencial.

3. Obtención de Estadísticas y Análisis de Rendimiento: Implementar medidas preventivas para maximizar el desempeño.

🔹 Resultados Esperados 🔹

• Dashboards Interactivos: Información detallada sobre el rendimiento de jugadores y equipos.
• Base de Datos Estructurada: Gestión simplificada y análisis accesible de datos históricos y actuales.
• Código Especializado: Análisis de datos adaptados a las necesidades específicas de la compañía.

🔹 Fuentes de Datos 🔹

Utilizamos los siguientes dataset de Kaggle:

• NBA Database
• Salaries
• Lesiones

Descripción de los Datos:

Archivos CSV

1. common_player_info.csv: Información básica y común de los jugadores.
2. draft_combine_stats.csv: Estadísticas de los jugadores durante el combine del draft.
3. draft_history.csv: Registro histórico de selecciones del draft.
4. game.csv: Detalles de los juegos individuales.
5. game_info.csv: Información general sobre los juegos.
6. game_summary.csv: Resúmenes de los juegos.
7. inactive_players.csv: Lista de jugadores inactivos.
8. injuries.csv: Información sobre lesiones de jugadores.
9. line_score.csv: Puntuaciones por línea en los juegos.
10. merged.csv: Archivo combinado con múltiples datos de otras fuentes.
11. merged_injuries_db.csv: Dataset de estadísticas y lesiones de jugadores.
12. nba_salaries.csv: Información sobre los salarios de los jugadores de la NBA.
13. officials.csv: Información sobre los oficiales del juego.
14. other_stats.csv: Otras estadísticas relevantes.
15. player.csv: Información sobre los jugadores (nombre, equipo, posición, datos demográficos).
16. team.csv: Información sobre los equipos (nombre, ciudad, estadios).
17. team_details.csv: Detalles adicionales de los equipos.
18. team_history.csv: Historia de los equipos.
19. team_info_common.csv: Información común sobre los equipos.

🔹 Plan de Análisis de Datos 🔹

Recolección de Datos:

• Estadísticas de Juego: Datos de rendimiento de jugadores en la NBA.
• Datos de Scouting: Información sobre jugadores universitarios e internacionales.
• Datos Financieros: Información fianciera.
• Datos Físicos y de lesiones: Evaluaciones físicas y de lesiones.

Limpieza y Preparación de Datos:

• Eliminación de valores atípicos, corrección de errores y tratamiento de datos faltantes.

Análisis Descriptivo:

• Cálculo de estadísticas básicas y visualización de datos para revelar el rendimiento individual y comparativo de los jugadores.

Evaluación de Talentos:

• Creación de un sistema de puntuación y predicción del potencial de nuevos talentos.

Análisis Prescriptivo:

• Generación de recomendaciones estratégicas y optimización del rendimiento.

Visualización y Comunicación de Resultados:

• Informes detallados y dashboards interactivos para la exploración de datos en tiempo real.

🔹 Tareas y Tecnologías 🔹

Fase 0: Control de Versiones

• Plataforma: GitHub para creación del repositorio y mantenimiento de control de versiones.

Fase 1: Recolección y Preparación de Datos

• Herramientas: Python (Pandas, NumPy, Jupyter Notebooks), SQL Server, Power BI.

Fase 2: Análisis Descriptivo

• Herramientas: Python (Matplotlib, Seaborn, Jupyter Notebooks).

Fase 3: Comunicación y Presentación de Resultados

• Herramientas: Power BI.

🔹 Video de presentación del Proyecto 🔹

🔹 El DASHBOARD 🔹

Portada

Al ingresar al dashboard encontramos diferentes pestañas para acceder a cada parte del análisis.

Equipos

En cuanto a la parte del análisis de equipos, encontramos algunos gráficos que representan la cantidad de partidos ganados de manera local y también los partidos ganados como visitante, así como una comparación del total de partidos ganados. También es posible segmentar la información en caso de que queramos ver únicamente la información de la conferencia Este u Oeste o por año específico.

También encontramos tres KPIs que nos dan la información más importante de manera resumida y también al seleccionar un solo equipo podemos ver información más detallada sobre cada uno de ellos. En todas las pestañas del dashboard encontramos este botón, el cual es un asistente de Inteligencia Artificial al que le podemos realizar preguntas específicas sobre los datos y él nos trae la respuesta.

Drafts

En cuanto a la pestaña de drafts, aquí podemos encontrar información sobre cuáles son las universidades que aportan más jugadores a la NBA y los aportes de cada una a lo largo del tiempo. Esta información puede ser muy valiosa a tener en cuenta a la hora de encontrar jugadores con alto potencial para representación.

Jugadores

En cuanto a la sección de jugadores, aquí encontramos a los 10 jugadores mejor pagados de la última temporada y su desempeño teniendo en cuenta diferentes aspectos. También encontramos la información sobre partidos jugados y puntos totales, y este tercer KPI que hemos llamado índice de rendimiento individual, el cual asigna un valor porcentual a cada uno de los aspectos del desempeño y los resume todos a un solo valor. Este índice nos proporciona un valor único que ofrece una visión integral del rendimiento de cada jugador. Utilizando este índice, hemos categorizado a los jugadores en cinco niveles de rendimiento, los cuales exploraremos más detalladamente más adelante.

Lesiones

Otro aspecto que nos pareció vital en el análisis de maximización de desempeño es el tema de las lesiones. Aquí podemos encontrar un diagrama corporal que nos brinda una visualización clara de las áreas más comunes de lesiones. Además, podemos filtrar por rango de edad y partes del cuerpo para entender mejor patrones existentes en las lesiones. También podemos encontrar un gráfico de dispersión que relaciona la cantidad de lesiones contra la cantidad de minutos jugados. Esto ayuda a identificar si hay un incremento en la cantidad de lesiones con más tiempo de juego.

Luego tenemos este gráfico que muestra la distribución de lesiones por tipo para identificar cuáles son las zonas del cuerpo que requieren mayor precaución, atención y fortalecimiento para prevenir incidentes, maximizar el desempeño y también cuidar mejor la salud de los jugadores.

Contratación

En cuanto al análisis de contratación, lo que hicimos fue crear este gráfico de dispersión interactivo el cual nos permite relacionar el salario respecto a diferentes variables tales como la edad, puntos por partido, asistencias, etc. A través de esta exploración de datos, notamos que si bien hay jugadores con rendimientos excelentes ganando sueldos muy altos, también hay jugadores con el mismo desempeño excelente en un rango de salario mucho menor, los cuales representan un potencial altísimo de inversión y de crecimiento económico futuro. Aquí podemos encontrar a cinco de los jugadores que cumplen con algunos parámetros que consideramos que serían los ideales para una buena inversión, los cuales son tener un desempeño excelente, estar por debajo de 25 años y que su salario sea menor a 10 millones. De esta manera, los jugadores que consideramos que podrían ser una muy buena inversión son:

• Teres Garland
• LaMelo Ball
• Teris Halberton
• Keldon Johnson
• Desmond Bain

Pero de igual manera, si en otro momento la agencia tiene otras condiciones, de pronto un mayor o menor presupuesto, el dashboard también se puede ajustar de acuerdo a condiciones diferentes. Por ejemplo, en un rango menor de presupuesto, también podemos encontrar algunos jugadores con un muy buen rendimiento, los cuales también podrían representar una muy buena inversión.

🔹 Conclusión 🔹

Este proyecto tiene como objetivo principal mejorar el posicionamiento de la agencia de representación deportiva en el mercado, mediante el uso de análisis de datos avanzados y estrategias basadas en datos. El equipo de SmartPro Analytics entregó a la agencia un Dashboard con análisis y resultados que optimizan el rendimiento de los jugadores y apoyan la toma de decisiones informadas sobre la gestión de nuevos contratos.

De esta manera, nuestro proyecto ofrece claridad y hallazgos valiosos para decisiones informadas en contratación y optimización de estrategias de representación, asegurando que la agencia de representación deportiva continúe creciendo y destacándose en el competitivo mercado de la NBA.

🔹 Agradecimientos 🔹

Agradecemos sinceramente a todos los miembros del equipo de SmartPro Analytics por su dedicación y colaboración en la ejecución de este proyecto.

También queremos expresar nuestro profundo agradecimiento a Joel Stanich, nuestro mentor, por su consejo, apoyo y guía constante durante todo el proceso. Extendemos nuestro reconocimiento a todas las personas de Henry que nos guiaron, enseñaron y ayudaron a crecer como personas, así como a los profesores Flavio Bevilacqua, Cristian Castro, Bryan Arias, y a los TAs Felipe Varela, Saul Zambrano, Daniel Hernandez, y a Valentín Martínez Biasi por su invaluable apoyo.

• - MENTOR
• - PROFESOR
• - PROFESOR
• - PROFESOR
• - TA
• - TA
• - TA
• - HA