Profesora Saber y la evolución de Moneyball
– por Mario Crescibene
¡Cómo nevaba! Estaba tumbado perezosamente en mi sofá, con las piernas colgando sobre el respaldo, la computadora apoyada en la mesa de centro, y Moneyball en la tele como ruido de fondo. Cualquier cosa para saciar ese antojo de béisbol y escapar del frío y desolado invierno de enero que solo Cleveland puede ofrecer. ¿Por qué Cleveland tiene que ser tan frío?
Miraba fijamente la página de Fangraphs mientras Jonah Hill explicaba cómo las sabermétricas le darían a Billy Beane una
ventaja sobre todos los demás equipos de béisbol. “Se embasa.” La idea revolucionaria que lo cambió todo.
Volví la mirada a mi pantalla. WAR. wRC+. xwOBA. Velocidad de salida. Tasa de barriles. Cada sabermétrica que ayudó a darle ventaja a los A’s ahora estaba aquí frente a mí, pública para cualquiera desde oficinas de la MLB hasta aficionados casuales.
“Espera,” me dije mientras mi idea tomaba forma.
Si todos están mirando los mismos números… ¿dónde está la ventaja? Las sabermétricas fueron el arma secreta de Billy Beane porque tenía estadísticas que nadie más estaba usando. ¿Pero ahora? Ahora son estándar. Entonces, ¿qué estaban haciendo los equipos para diferenciarse?
Necesitaba hablar esto con alguien que supiera más de estadística que yo. Y necesitaba algo de color en mi vida. Literalmente. Todo afuera era blanco y gris – pura monotonía. Pero con la necesidad de energía positiva y una pregunta sobre estadísticas, sabía exactamente a dónde ir. Tomé mi abrigo y me dirigí a Case para hablar con la Profesora Saber.
El campus estaba vacío. Recorrí los pasillos del departamento de matemáticas: alfombra gris, paredes blancas, luces fluorescentes zumbando en el silencio. Se sentía como un episodio de Black Mirror. Mis pasos hacían eco por el pasillo mientras me dirigía a la oficina de la Profesora Saber. Toqué y desde adentro salió una voz entusiasta que prácticamente brillaba:
“¡Paaaasa!”
La puerta se abrió y hubo una ¡EXPLOSIÓN de color!
Las paredes de la oficina de la Profesora Saber estaban pintadas de un azul marino profundo, salpicadas de estrellas, planetas y cometas… como el techo de la habitación de un niño. Una pizarra blanca enorme cubría una pared entera, con ecuaciones garabateadas en cada color de marcador imaginable: derivadas rojas, integrales púrpuras, distribuciones de probabilidad naranjas, todas enredadas juntas como una especie de arcoíris matemático. Los estantes desbordaban de libros de texto, creando su propio espectro desde matemáticas hasta estadística y ciencia de datos.
Y ahí, sentada en su escritorio en medio de todo, estaba la Profesora Saber.
Tenía cabello rubio, rizado y salvaje que parecía desafiar tanto la gravedad como cualquier intento razonable de organización, y llevaba un suéter negro cubierto de pequeñas curvas de distribución normal bordadas en todos los colores imaginables. Su escritorio era un caos organizado: exámenes dispersos, revistas científicas, una laptop ejecutando algún tipo de simulación estadística, pilas que solo tenían sentido para ella.
“¡Mario!” exclamó, levantando ambos brazos al aire con genuino deleite. “¡Perfecto! Las vacaciones de invierno son tan aburridas sin estudiantes que enseñar. ¡Entra, entra! ¿Qué aventura estadística te trae a mi salón de clases hoy?”
Me dejé caer en la silla puf al otro lado de su escritorio. Era azul turquesa e hizo un satisfactorio sonido whoosh mientras me hundía en ella.
“Entonces,” comencé, tratando de organizar mis pensamientos, “he estado pensando sobre las sabermétricas. Son objetivamente mejores que las estadísticas tradicionales, ¿verdad? wRC+ es más útil que las carreras, WHIP es mejor que los hits para los lanzadores – todas esas cosas realmente miden lo que importa.”
“¡Absolutamente!” Asintió con entusiasmo, sus rizos rebotando.
“Pero aquí está la cosa,” continué. “En Moneyball, Billy Beane tenía una ventaja porque solo los A’s estaban usando estas métricas. Podían encontrar jugadores infravalorados que otros equipos pasaban por alto. ¿Pero ahora? Todos están viendo las mismas tablas de clasificación de FanGraphs. Cada equipo tiene los mismos datos de Statcast. Si todos estamos usando los mismos números para tomar decisiones, entonces—”
“—¡entonces no hay ventaja competitiva!” interrumpió emocionada, prácticamente saltando de su asiento. “¡Exactamente, Mario. Muy bien!”
Giró hacia su pizarra y agarró un marcador verde. Dibujó un gran signo de igual en el medio de la pizarra, luego comenzó a escribir nombres de equipos en ambos lados: “Guardians = Dodgers = Yankees = Rays = Los 30 Equipos” con flechas apuntando a una caja etiquetada “Mismos Datos Públicos.”
“Has identificado la paradoja perfectamente, Mario. Las sabermétricas tuvieron tanto éxito que se volvieron universales. Y cuando todos tienen la misma información, el campo de juego se nivela.”
“¿Entonces qué pasó después?” pregunté.
“Bueno,” dijo, tapando el marcador azul y agarrando otro azul, “déjame contarte una historia sobre tus propios Cleveland Guardians… cuando todavía eran los Indians. ¿Sabías que Cleveland tuvo su propia versión de Moneyball antes de que Moneyball siquiera existiera?”
Me enderecé en la silla puf. “Espera, ¿en serio?”
“¡En serio! En la primavera de 2000 – tres años completos antes de que Michael Lewis publicara Moneyball – los Indians desarrollaron algo llamado DiamondView.” Escribió el nombre en la pizarra con grandes letras azules y con un floreo.
“Era una base de datos propietaria que integraba estadísticas de rendimiento, informes de scouting, información médica, contratos, datos salariales y proyecciones de jugadores, todo en un sistema que se actualizaba diariamente.” Mientras hablaba, dibujó un diamante alrededor del nombre y comenzó a agregar flechas apuntando hacia él desde diferentes fuentes de datos: “Estadísticas,” “Scouting,” “Médico,” “Contratos,” “Proyecciones.”
Se volvió hacia mí, los ojos brillantes con ese entusiasmo clásico de Saber. “La oficina central quería digitalizar todos esos enormes archivadores de informes de scouting y convertir datos en bruto en inteligencia accionable.”
“Eso es realmente genial,” admití.
“¡Fue revolucionario!” Dibujó una estrella junto a “DiamondView” en la pizarra. “Pero aquí está la clave, Mario – esta fue la primera ola de la carrera armamentista analítica. Equipos como Cleveland y Oakland ganaron una ventaja al tener mejores datos y mejores métricas. Pero una vez que las sabermétricas se hicieron públicas, esa ventaja desapareció… y los análisis tuvieron que evolucionar.”
“Entonces, si DiamondView y Moneyball fueron la primera ola,” dije, “¿qué está pasando ahora?”
Los ojos de la Profesora Saber se iluminaron aún más… si eso era posible. Agarró un marcador naranja y comenzó a dibujar furiosamente en la pizarra.
“¿Qué está pasando ahora? ¡Ahora se pone realmente interesante!” Dibujó una caja grande en la parte superior etiquetada “DATOS PÚBLICOS – Disponibles para los 30 Equipos” con flechas apuntando hacia abajo a todos los nombres de equipos debajo. “Hoy, cada equipo de la MLB tiene igual acceso a los mismos datos en bruto. Statcast, seguimiento biomecánico, todo disponible a través de plataformas como BigQuery. El campo de juego está completamente nivelado cuando se trata de acceso.”
“Entonces, como dijimos, todos vuelven a la casilla uno,” confirmé.
“¡No del todo!” respondió rápidamente. “Porque la nueva carrera armamentista no se trata de tener los datos; se trata de lo que construyes con ellos. Los equipos están desarrollando algoritmos propietarios y modelos personalizados que ningún otro equipo tiene.”
Dibujó otra capa debajo de los nombres de los equipos. “Los Red Sox tienen algo llamado ‘Beacon’ – un sistema de información de béisbol propietario que les permite combinar varias fuentes de datos y crear proyecciones personalizadas. Otros equipos están integrando datos biomecánicos con métricas de rendimiento de formas que el público nunca ve. Están construyendo modelos que ponderan variables de manera diferente, hacen preguntas que nadie más está haciendo y encuentran patrones en el ruido.”
“¿Como qué tipo de preguntas?” dije, inclinándome hacia adelante en la silla puf.
“¡Esa es la parte hermosa – no lo sabemos!” Se rió de manera complacida antes de continuar. “Por definición, el mejor trabajo es invisible. Si puedes verlo, ya es demasiado tarde: la ventaja se ha ido. Pero podemos ver los resultados – equipos como los Rays superando consistentemente su nómina, o los Dodgers convirtiendo un establo de prospectos de alto valor en eventuales All-Stars. No es solo scouting avanzado… son análisis estadísticos avanzados que superan los intentos analíticos de otros equipos.”
Se alejó de la pizarra, contemplando su diagrama colorido. “Ya no se trata de acceso a datos, Mario. Se trata de las preguntas que estás haciendo y cómo los equipos usan únicamente modelos estadísticos para responder esas preguntas.”
Golpeó la pizarra con su marcador para enfatizar. “Ahí es donde radica la nueva ventaja competitiva. Y esa es la carrera armamentista que está ocurriendo ahora mismo mientras los equipos se apresuran a analizar los números y encontrar esas ventajas analíticas cruciales para ganar.”
Me recosté en la silla puf, procesando todo lo que acababa de explicar. La pizarra detrás de ella era un tumulto de colores – verdes, azules, naranjas – todo mapeando la evolución de la analítica del béisbol como una especie de hermoso tapiz matemático.
“Entonces básicamente,” dije lentamente, “aficionados como yo están discutiendo sobre qué sabermétrica es mejor… pero todo ese debate es…”
“¡Ya obsoleto!” terminó la Profesora Saber, sonriendo. “¡Exactamente! Esos argumentos son meros ejercicios académicos ahora. El juego real avanzó hace años. Mientras los aficionados debaten tablas de clasificación de FanGraphs, las oficinas centrales están haciendo preguntas completamente diferentes usando herramientas completamente diferentes.”
Dejó su marcador y se recostó contra su escritorio con ese entusiasmo característico aún irradiando de ella. Me levanté de la silla puf – lo cual tomó considerablemente más esfuerzo que sentarme – y miré el caos colorido en la pizarra una vez más con DiamondView en el centro: la evolución de la escasez de datos a la abundancia de datos, y la carrera armamentista invisible que está ocurriendo en departamentos de analítica por todo el béisbol.
“Gracias, Profesora,” dije. “Esto fue exactamente lo que necesitaba.”
Mientras me volteaba para irme, una foto llamó mi atención en el escritorio de la Profesora Saber. En ella estaba la Profesora Saber de pie junto a otra mujer con cabello naranja igualmente salvaje que el de la profesora.
“Esa mujer junto a ti se parece mucho a la Señorita Rizos de El Autobús Mágico,” comenté.
La profesora se rió con alegría, “Bueno, puede que sea la Señorita Risos para ti, pero para mí es solo la Tía Valeria.”
“¿Espera, la Señorita Rizos es tu tía?”, exclamé.
“Bueno, ¿de dónde crees que saqué mi cabello?” respondió juguetonamente. “¡Viene de familia!”
