Finales de Rutgers

El silbato final, los datos siguen fluendo

El pitido final sonó en 97-89, pero mi script de Python no se detuvo. No le importaba que el partido hubiera terminado: su trabajo era cuantificar todo: eficiencia de tiros, métricas de espacio, rotaciones defensivas. Para Dylan Harper y Ace Bailey, esto no fue solo una eliminación en la primera ronda del Torneo Big Ten. Fue un punto frío en su camino NCAA.

He analizado más de 120 partidos universitarios esta temporada con modelos de aprendizaje automático entrenados con datos del Combine de la NBA. Y aunque las estadísticas no capturan el dolor, sí reflejan potencial.

Triple-doble de Harper: una línea que habla por sí sola

Harper anotó 27 puntos con ocho rebotes y ocho asistencias —sí, un triple-doble real bajo presión en March Madness. Pero dejemos que los números hagan el trabajo:

• Porcentaje verdadero de tiros: .543 (por encima del promedio)
• Relación asistencias-perdidas: 3.2 (élite para un base)
• Rating ofensivo: 118 (nivel máximo)

Sin embargo, su uso aislado subió al 36%—una alerta roja para scouts que temen la sostenibilidad del juego sin movimiento del balón.

Esto no es fracaso: es ruido útil. El sistema nos dice que puede liderar un equipo… pero solo si está rodeado de lanzadores.

La defensa de Bailey: el motor invisible del sistema Rutgers

Ace Bailey logró siete rebotes, tres robos y dos asistencias —y cero faltas en 34 minutos. No mal para un novato jugando contra las mejores alas.

Mis mapas térmicos muestran que defendió constantemente a los principales anotadores con mínima dependencia del apoyo defensivo —una cualidad ideal en esquemas modernos de la NBA.

Pero aquí viene lo complicado: su porcentaje de tiros fue solo .410 cuando fueron contestados (por debajo del promedio). Eso sugiere que aún no ha convertido su velocidad bruta en finiquitos refinados.

Aun así —sus +6 win shares defensivos? Eso no es casualidad; es impacto real.

¿Qué significa esto para la noche del draft?

Los scouts aman el potencial… pero también temen la volatilidad cuando se trata de freshmen con alto techo provenientes de programas no tradicionales como Rutgers.

Harper entra al draft como candidato al #2 general según modelos predictivos… pero esta derrota muestra que aún no ha demostrado ser superior ante competencia elite.

cuando alguien dice “le falta experiencia”, respondo: ¿acaso Luka Dončić no sufrió pérdidas en EuroLeague? Lo importante no es si perdiste una vez… sino cómo reaccionas tras caer.

Y sí —el modelo dice que ambos jugadores merecen ser seleccionados antes del segundo round… siempre y cuando permanezcan sanos y mejoren sus decisiones bajo presión.

Reflexiones desde mi consola modo oscuro — #DatosSobreDrama —

every loss has its algorithmic fingerprint. This one? It whispers “potential” louder than it shouts “failure”.