Rutgers en chute libre

La dernière sifflet, les données continuent

La sirène a retenti sur un score de 97-89, mais mon script Python ne s’est pas arrêté. Il mesurait tout : efficacité des tirs, espaces, rotations défensives. Pour Dylan Harper et Ace Bailey, ce n’était pas seulement une élimination en première ronde du Big Ten Tournament — c’était une marque temporelle froide sur leur parcours NCAA.

J’ai analysé plus de 120 matchs universitaires cette saison avec des modèles d’apprentissage automatique formés sur les données du NBA Draft Combine. Les statistiques ne capturent pas la peine… mais elles reflètent le potentiel.

Le triple-double de Harper : un signal fort

Harper a inscrit 27 points, 8 rebonds et 8 passes décisives — un véritable triple-double sous pression en March Madness. Mais examinons les chiffres :

• Taux de tir effectif : .543 (au-dessus de la moyenne)
• Ratio passes/erreurs : 3.2 (élite pour un meneur)
• Évaluation offensive : 118 (haut niveau)

Son utilisation en isolation est montée à 36 % — un signal d’alerte pour les recruteurs NBA inquiets face à sa durabilité sans mouvement du ballon.

Ce n’est pas un échec — c’est du bruit dans le signal. Le système nous dit qu’il peut porter une équipe… mais seulement si entouré de tireurs.

La défense de Bailey : le moteur silencieux

Ace Bailey a récolté 7 rebonds, 3 interceptions, 2 passes décisives… et zéro faute en 34 minutes. Pas mal pour un vrai débutant affrontant des gardiens élite.

Mes cartes thermiques montrent qu’il a régulièrement couvert les principaux tireurs avec peu d’aide défensive — trait idéal dans les schémas NBA modernes.

Mais voilà le dilemme : son taux au tir sur tirs contestés était à .410 (en dessous de la moyenne). Cela signifie que son athlétisme n’a pas encore été transformé en finition précise.

Malgré cela — ses +6 parts défensives ? Ce n’est pas du hasard ; c’est l’impact.