Publicación: Predicción de puntuaciones de jugadores de baloncesto en Sorare a través de análisis de aprendizaje automático y series temporales
Cargando...
Fecha
2025-02
Autores
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática
Resumen
Sorare es una plataforma de deportes fantasy que permite a los usuarios gestionar equipos virtuales con tarjetas digitales de jugadores, representadas como Tokens No Fungibles (NFTs). Estas tarjetas pueden comprarse, venderse, intercambiarse y usarse en competiciones, donde las puntuaciones se basan en estadísticas reales de los jugadores. En el baloncesto, Sorare ofrece ligas fantasy de la NBA, donde los jugadores disputan un calendario de 82 partidos en la fase regular, seguido de playoffs. La distribución de los encuentros y los viajes constantes afectan el rendimiento de los jugadores, haciendo que el análisis predictivo sea una herramienta clave para optimizar estrategias dentro del juego. El incipiente interés en la aplicación de análisis predictivo en el rendimiento deportivo ha impulsado la exploración e investigación de métodos avanzados de aprendizaje profundo, los cuales pueden ser muy útiles para analizar y predecir datos de series temporales en los deportes. La precisión obtenida en estas predicciones puede permitir a los usuarios tomar decisiones que optimicen aún más sus opciones de conseguir recompensas y mejorar las diferentes estrategias escogidas dentro del juego, contribuyendo esto al crecimiento de la experiencia de juego, tanto en plataformas basadas en blockchain como Sorare o en deportes fantasy más tradicionales. Así, en este trabajo se diseña y desarrolla una serie de herramientas que sientan las bases para realizar un procesamiento y análisis de datos relacionados con el rendimiento de los jugadores de la NBA en Sorare, a través de la estructuración y limpieza de los mismos y explorando patrones relevantes en el rendimiento de dichos jugadores a través de diferentes métricas clave. Este apartado del trabajo viene acompañado por gráficos detallados que permiten el análisis de la distribución de dichas estadísticas, permitiendo identificar valores atípicos y explorar correlaciones entre diferentes variables. Todos estos datos se dividen en diferentes conjuntos, a través del enfoque propuesto de clasificar a los jugadores de baloncesto mediante su rol en sus equipos: titulares, jugadores de rotación y jugadores de banquillo Palmer et al. (2021), lo cual se determina a través de su promedio de minutos jugados por partido y el porcentaje de partidos disputados a lo largo de la temporada, permitiendo obtener un entendimiento aún mayor de cómo el rol de cada jugador afecta a su rendimiento y a su predicción futura de puntuación en Sorare. Sobre estos conjuntos de datos se implementan y evalúan diferentes algoritmos de aprendizaje automático para intentar predecir de la manera más precisa los Fantasy Points de los jugadores en Sorare, incluyendo el uso de métricas de evaluación para asegurar la fiabilidad de los modelos empleados. Las herramientas y modelos desarrollados ofrecen un soporte para que los usuarios de Sorare puedan tomar decisiones informadas al seleccionar alineaciones, basándose en predicciones precisas y análisis detallados de los jugadores. Este enfoque proporciona un marco replicable para optimizar estrategias en juegos fantasy basados en tecnologías blockchain.
Sorare is an innovative fantasy sports platform offering licensed products for football, baseball, and basketball. Users manage virtual teams using digital player cards, represented as Non-Fungible Tokens (NFTs), which correspond to real-world athletes. These cards can be bought, sold, traded, or used in competitions, where player performance in actual games determines rewards. In basketball, Sorare features NBA fantasy leagues, where the league’s demanding 82-game regular season and playoffs significantly influence player performance due to travel schedules, limited recovery time, and varying match intensities. This study structures and analyzes NBA player data from Sorare using advanced data processing techniques to explore performance metrics such as points scored, assists, rebounds, and playing time. Through data visualization, we examine the distribution of these metrics, identify outliers, and investigate variable correlations to uncover patterns in player performance. We propose a classification system for NBA players based on their roles within their teams—starters, rotation players, and bench players—derived from their average minutes played per game and participation rates throughout the season. This classification enhances our understanding of how player roles influence performance and informs predictive modeling for Sorare’s fantasy scoring system. To forecast player performance, we develop and evaluate machine learning models using evaluation metrics such as Weighted Absolute Percentage Error (WAPE) and Root Mean Square Error (RMSE). These models enable accurate Fantasy Points predictions, helping Sorare users optimize lineups and improve their chances of success. The tools and models developed in this study offer a replicable framework for optimizing strategies in blockchain-based fantasy sports platforms and contribute to the broader field of predictive analytics in sports performance.
Sorare is an innovative fantasy sports platform offering licensed products for football, baseball, and basketball. Users manage virtual teams using digital player cards, represented as Non-Fungible Tokens (NFTs), which correspond to real-world athletes. These cards can be bought, sold, traded, or used in competitions, where player performance in actual games determines rewards. In basketball, Sorare features NBA fantasy leagues, where the league’s demanding 82-game regular season and playoffs significantly influence player performance due to travel schedules, limited recovery time, and varying match intensities. This study structures and analyzes NBA player data from Sorare using advanced data processing techniques to explore performance metrics such as points scored, assists, rebounds, and playing time. Through data visualization, we examine the distribution of these metrics, identify outliers, and investigate variable correlations to uncover patterns in player performance. We propose a classification system for NBA players based on their roles within their teams—starters, rotation players, and bench players—derived from their average minutes played per game and participation rates throughout the season. This classification enhances our understanding of how player roles influence performance and informs predictive modeling for Sorare’s fantasy scoring system. To forecast player performance, we develop and evaluate machine learning models using evaluation metrics such as Weighted Absolute Percentage Error (WAPE) and Root Mean Square Error (RMSE). These models enable accurate Fantasy Points predictions, helping Sorare users optimize lineups and improve their chances of success. The tools and models developed in this study offer a replicable framework for optimizing strategies in blockchain-based fantasy sports platforms and contribute to the broader field of predictive analytics in sports performance.
Descripción
Categorías UNESCO
Palabras clave
Sorare, Fantasy Sports, NBA, Player Performance Prediction, Time Series Analysis, Sports Analytics
Citación
Silguero Santos, Raúl. Trabajo Fin de Máster: Predicción de puntuaciones de jugadores de baloncesto en Sorare a través de análisis de aprendizaje automático y series temporales. Universidad Nacional de Educación a Distancia (UNED) 2025
Centro
E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial