Si bien hay cientos de combinaciones de formas de analizar a los bateadores, hay buenas formas y hay formas menos buenas. Algunos métodos de análisis son más predictivos y fiables que otros. Para evitar llover sobre mojado, lo remito a lo escrito por Colin Charles y Scott Chu en su artículo de estadísticas avanzadas, pero repasaremos varias de las estadísticas que describieron. En aras de la brevedad, daremos razones rápidas y sencillas para usar algunas estadísticas en lugar de otras, pero si desea una explicación más completa para ellas, no dude en consultar su artículo o dejar un comentario.

 

Punto de partida

 

A menudo, lo primero que hay que tener en cuenta es qué tan bueno es el jugador en la superficie. Para empezar, eso debería requerir un vistazo rápido a FanGraphs y Baseball Savant. Para el primero, puede comenzar con información muy en la superficie: ¿Cuál es el porcentaje de boletos del jugador, el porcentaje de ponches, ISO, wRC+ y BABIP? Eso aporta cierta información muy rápidamente; de manera muy general, ¿cuál es su nivel de disciplina en el plato? ¿Cuánta potencia bruta están mostrando? ¿Cómo se comparan cuando se ajustan a los factores del parque y a la liga? ¿Hay algo extraño en el departamento de la suerte (es decir, ¿es sostenible?).

En Baseball Savant, la idea es similar, pero hay más opciones. Veremos los controles deslizantes de Statcast que aparecen de inmediato en las páginas de jugadores. Echemos un vistazo a los controles deslizantes de Mike Trout, que siempre son obscenos:

Aquí, podemos ver que Trout califica extremadamente bien como bateador y corredor de base. Si pasa el cursor sobre los controles deslizantes, encontrará que se ubica en el percentil 100 en xwOBA y xSLG, y en el 95 y 98, respectivamente, en velocidad de sprint y xBA. En cuanto a la velocidad de salida (EV) y el porcentaje de golpes fuertes (HH%), hay menos llamativos en los percentiles 80 y 81, pero estos le dicen de inmediato que Trout es tan bueno como parece.

Pero no todo el mundo es Trout. Echemos un vistazo a un jugador destacado en Marcus Semien:

Como puede ver, la velocidad de salida de Semien y sus números de golpes fuertes (Hard Hit%) están un poco por debajo del percentil 50 (es decir, el promedio), pero sus estadísticas esperadas están muy por encima del promedio, no obstante. Su wOBA (.373) y xwOBA (.362) son relativamente congruentes, por lo que si hablamos de manera amplia, recuerde, estamos tratando de ver a los jugadores a nivel superficial hasta ahora, nos sentimos bien con Semien como un candidato de sobresalir legítimo.

 

Usando Statcast sabiamente

 

Hay buenas formas de usar Statcast y hay formas engañosas de usar Statcast. Primero, es importante saber que las métricas de Statcast son más descriptivas (o reflexivas, como nuestro propio Dan Richards dice) que predictivas. En otras palabras, muchas estadísticas esperadas son buenas para describir lo que sucedió, pero no son tan buenas como para predecir lo que sucederá. Sin embargo, es importante señalar que xwOBA es significativamente más descriptivo y predictivo para los bateadores que para los lanzadores, incluso en muestras más pequeñas. Esto es algo intuitivo, ya que es más fácil para los bateadores dar consistentemente batazos fuertes que para los lanzadores suprimir el contacto fuerte. En cualquier caso, dado que xwOBA se basa en el ángulo de salida (LA) y la velocidad de salida (EV), tiene sentido que sea descriptivo (es decir, observa lo que sucedió) en lugar de predictivo (es decir, observa lo que sucederá).

Entonces, algunas estadísticas son mejores que otras. Por ejemplo, el porcentaje de barril es bueno; sin embargo, es importante señalar que Brls/BBE% parece ser un poco más repetible de un año a otro que el Brls/PA% en la predicción de poder. Quizás infrautilizado, xwOBAcon (promedio ponderado esperado en embasado en el contacto) predice wOBA mejor para los bateadores de año en año que wOBA y xwOBA. Esto se debe a que xwOBA tiene en cuenta los ponches y las bases por bolas (que no siempre son estables de un año a otro), mientras que xwOBAcon solo tiene en cuenta las bolas bateadas.

¡Manténgase alejado de los promedios! En términos de velocidad de salida promedio, si tengo un bateador que golpea una pelota a 110 mph y 70 mph, y otro que golpea a 90 mph y 90 mph, dame el primer jugador. A diferencia de la velocidad de salida promedio, la velocidad de salida promedio en las bolas de elevado y los batazaos de línea (velocidad de salida FB/LD) en realidad puede ser muy útil. Esto se puede encontrar en las tablas de clasificación de Baseball Savant, que son fáciles de encontrar. Sin embargo, estos no se pueden ordenar por dirección del batazo (por ejemplo, velocidad de salida de FB/LD “halando la bola”). Afortunadamente, esto se puede hacer con la herramienta de búsqueda de Baseball Savant, que es una herramienta más versátil. Aunque no puedo encontrar un gráfico más actual, la velocidad de salida de FB/LD se correlaciona bien con el poder, ya que filtra los roletazos y los elevados cortos (lo que reduce el ruido) y busca ver si los bateadores están haciendo un fuerte contacto con la pelota cuando la están levantando en el aire.

La velocidad máxima de salida también puede ser útil, especialmente para jugadores jóvenes o prospectos con tamaños de muestra limitados. No es tan predictivo de HR/FB, ISO o porcentaje de golpes fuertes en la misma temporada como la velocidad de salida promedio, pero es una forma agradable y barata de ver el potencial de un jugador en términos de contacto duro. Esta es una buena herramienta para los jugadores que solo subieron a tomar una taza de café antes de fin de año. Para ejemplos de esta temporada, piense en Kyle Lewis, Gavin Lux o Kyle Tucker. Sin embargo, puede notar que la velocidad de salida de FB/LD es superior en las tres categorías a la velocidad de salida promedio, así que si cree que tiene una muestra suficiente (tal vez 100 eventos de bola bateada bastarán), ¡utilícelo!

Siguiendo con el tema de evitar los promedios, el ángulo de salida promedio es incluso menos útil, en mi opinión, que la velocidad de salida promedio. Similar a la velocidad de salida promedio, piénselo así: el jugador A golpea dos bolas a 50 grados y -10 grados, mientras que el jugador B golpea dos bolas a 30 grados y 10 grados; ambos tienen el mismo ángulo de salida promedio. Por supuesto, la mayoría de los jugadores no son tan extremos como el jugador A, pero con o sin tener en cuenta la velocidad de salida, dame el jugador B cada vez.

En cambio, hay algunas opciones. En primer lugar, observe la combinación entre la tasa de rodado y la tasa de elevado. No hay una combinación única que queramos que todos los jugadores tengan, pero demasiados fly balls (es decir,> 50%) y demasiados rodados (es decir,> 45%) es algo malo. (Además, ¿están bateando muchos elevados cortos?). En segundo lugar, observar visualmente la distribución del ángulo de salida puede resultar útil. Esto también llega al punto que acabo de mencionar; esencialmente, lo que estamos buscando es: ¿Los jugadores están golpeando muchos pop-ups (elevados cortos) o rodados, o están consolidando sus bolas bateadas en ángulos de lanzamiento menos polares?

Hasta este punto, aquí hay un GIF de  Corey Seager, Teoscar Hernandezy Christian Yelich de las distribuciones de ángulo de salida en el mismo punto la temporada pasada:

Si bien hay similitudes, utilicé este gráfico como una forma de mostrar que son tres jugadores muy diferentes, y aunque su ángulo de salida promedio era el mismo, sus distribuciones mostraron diferencias que sus promedios no pueden. Puede encontrar estos gráficos en la herramienta de búsqueda de Baseball Savant, o yendo a la página de un jugador específico, haciendo clic en la pestaña Statcast y haciendo clic en cualquier ángulo de salida anual.

Otro ejemplo:

 

Como puede ver, por ángulo de salida, estos jugadores eran exactamente iguales, pero aparte de eso, no eran jugadores muy similares. Tenemos un jugador de 50 jonrones, un tipo de velocidad con poder furtivo y un toletero envejecido cuyos mejores días están muy atrás. Notará que todas sus mezclas GB/FB difieren en aproximadamente 10 puntos, ISO muestra que varían significativamente en potencia bruta, y por wOBA y xwOBA todas difieren en la producción general. Si hay algo que se extrae de esta sección, es que el ángulo de salida promedio y la velocidad de salida promedio, mientras tienen sus usos, son muy burdos. No es una comparación de manzanas con manzanas, pero imagínense si usáramos la velocidad de lanzamiento promedio para analizar a los lanzadores. ¡No lo haríamos!

 

Cambios sustantivos

 

Después de ver estas métricas, queremos hacernos una pregunta muy simple: ¿Está cambiando este jugador? ¿Son sus habilidades sustancialmente diferentes a las de antes o es un espejismo?

Una cosa que podemos hacer es mirar los gráficos móviles de FanGraphs. Hay varias cuentas en Twitter que hacen esto constantemente, y es una buena forma de ver visualmente cómo está la tendencia de un jugador en diferentes áreas a lo largo del tiempo. Baseball Savant también tiene su propia versión, pero es mucho más limitada (es decir, no puede usar múltiples estadísticas a la vez), aunque ofrece varias estadísticas que FanGraphs no ofrece. Una cosa a tener en cuenta aquí es que podemos caer en la trampa de creer que los cambios son reales, incluso cuando el período de cambio ha sido corto. Tenga en cuenta que la regresión y la reversión siempre son factibles: ¡optimismo cauteloso, amigos!

Mirando a Dan Vogelbach, podemos observar rápidamente algunos cambios, a través de Baseball Savant. Primero, la mezcla de lanzamientos de la oposición:

Podemos ver que los lanzadores comenzaron a lanzar a Vogelbach más bolas curvas, mientras modificaban ligeramente el uso del slider y el cambio. Durante este mismo período de tiempo, también comenzó a tener problemas grandes contra las rectas por primera vez en todo el año:

Otra forma de ver los cambios a lo largo del tiempo es utilizando los registros de juegos de FanGraphs (¡o la herramienta de búsqueda de Baseball Savant!). Comparando entre marzo a julio y agosto a septiembre, vemos que los porcentajes de swing de Vogelbach se mantienen estables, sus porcentajes de contacto caen en picado y su porcentaje de swinging strike aumenta. Al comparar sus bolas bateadas en los mismos períodos de tiempo aquí y aquí, vemos cambios más grandes. Los rodados suben, los batazos de línea y elevados hacia abajo, y porcentaje de pelotas haladas hacia abajo, todo lo cual es muy malo.

 

Enfoque opuesto

 

Después de identificar algunos cambios (o la falta de ellos), podemos ver si los cambios no provienen del jugador, sino de la liga. Una cosa que me gusta hacer es mirar mapas de calor.

Así es como Vogelbach recibió las rectas hasta julio:

Y así es como Vogelbach recibió rectas desde agosto hasta fin de año:

Este enfoque es propenso al sesgo y la subjetividad, pero para mí, lo interpretaría como que los equipos contrarios lanzan cada vez más abajo y afuera a Vogelbach. Esto tiene sentido, ya que abajo y afuera es el área en la que Vogelbach falla estrepitosamente. Entonces, aunque solo estoy usando esto como un ejemplo de lo que buscaría, tal vez tengamos algunos hallazgos interesantes. A menos que Vogelbach estuviera jugando con una lesión, el cambio en el enfoque de lanzamiento (es decir, lanzar bajo y lejos) podría ser una causa de que Vogelbach golpeara más rodados y también para el otro lado.

 

Sustentabilidad

 

Aquí es donde empezamos a mirar hacia adelante. Podemos tener una idea de quién es el jugador, y ahora nos preguntamos: ¿Es este un enfoque sostenible? En mi perfil de bateadores de los Seattle Mariners de 2020, esto es algo que mencioné con varios jugadores. Omar Narvaez, Austin Nolay Tom Murphy tuvieron campañas de 2019 muy sólidas, pero soy escéptico sobre la sostenibilidad de todos sus perfiles. Cada jugador colgó su sombrero en un enfoque que se apoyó en jonrones baratos hacia su lado fuerte que apenas rebasaron la cerca: superaron sus xwOBA en .021, .041 y .054, respectivamente, y eso simplemente no va a persistir.

Soy un gran admirador de usar las estadísticas esperadas cuando se usan correctamente. Por ejemplo, en 2019, Alex Bregman tenía un .378 xwOBA y .418 wOBA, por lo que algunos podrían verlo como un candidato de regresión. Eso es apropiado, ¿verdad? ¡No! Como escribió Dan Richards, Minute Maid Park es más un parque de bateadores de lo que se pensaba anteriormente, y Bregman prospera bateando jonrones sin barril al jardín izquierdo. Aparte de Brett Gardner, Eric Sogard, Xander Bogaertsy Eric Thames, el .316 wOBA-xwOBA de Bregman en  elevados / líneas haladas es el más extremo en las Grandes Ligas. En otras palabras, su enfoque encaja perfectamente en Minute Maid Park, por lo que, si bien puede que no funcione en todos los lugares, seguirá funcionando bien para él mientras sea un Astro. Este es un excelente ejemplo de por qué puede ser peligroso tomar las estadísticas esperadas como un evangelio.

Como se indicó anteriormente, hay algunos números que me gusta vigilar. Algunos de estos incluyen métricas como HR/FB e IFFB%. (Si está dispuesto a dedicar un minuto extra de trabajo, el porcentaje de elevados cortos, pop-ups,  (PU%) es superior al IFFB%, y el escritor del The Athletic Eno Sarris ha estado defendiendo esto durante años. Simplemente tome IFFB% y multiplíquelo por FB%. El promedio de la liga es de aproximadamente 3.5%. PU% es una más constante que IFFB%, ya que IFFB% es más inestable debido a que tiene un porcentaje de fly-ball en su denominador (es decir, FB% lo hace más ruidoso). Estas métricas pueden ayudarnos a identificar ambos candidatos para la regresión a la media, así como los jugadores en los extremos de la métrica respectiva. Es decir, algunos jugadores dan muchos elevaditos y algunos muy pocos, ¡estos se suman! En cuanto a HR/FB, la mayoría de los jugadores no tendrán un 32.8% HR/FB como Yelich, ni tendrán un 5.5% HR/FB como Mallex Smith. La mayoría de los jugadores estarán dentro de una desviación estándar del promedio. En 2019, los promedios de la liga para estos fueron 15.3 % HR/FB, 9.8% IFFB% y 3.5% PU%. (Además, estos pueden sesgar el ángulo de salida promedio, como anteriormente comenté).

En segundo lugar, sí, las xStats de Andrew Perpetua ya no se usan, ¡pero aún podemos calcular xBABIP! A partir de ahí, comparamos BABIP con xBABIP, pero debemos tener en cuenta la velocidad de sprint del jugador respectivo, el porcentaje de shifts o variaciones defensivas opuesto, los factores de parque, entre otras cosas. Puedes ver que la consulta vinculada arriba confirma algunas de mis dudas con Tom Murphy y Austin Nola. También muestra que quizás Fernando Tatis Jr. y Tim Anderson obtuvieron mejores resultados, pero es más probable que los dos últimos mantengan su desempeño de alguna manera debido a sus perfiles de bateo y velocidad.

 

Las Notas Rápidas

 

• Manténgase alejado de los promedios 
• ¡Los barriles son buenos para predecir el poder!
• No solo mire xwOBA y déjelo así.
• Mire al bateador y los enfoques opuestos.
• Aproveche FanGraphs y Baseball Savant.
• Piense en todos los factores involucrados; ninguna métrica es el evangelio.

 

Conclusión

 

Si hay algo que se puede extraer de este artículo, es que hay muchas formas en las que las estadísticas pueden desviarlo, tanto las avanzadas como las convencionales. Todavía soy presa de ver ciertas estadísticas y limitar la cantidad de investigación que debo hacer sobre un jugador. Creo que el objetivo es limitar la cantidad de susceptibilidad a esto. Hay varias formas de despellejar a un gato, pero no se deje sorprender haciéndolo sin cuidado. Podría costarte.

Imagen destacada de Justin Paradis (@freshmeatcomm en Twitter)

Originalmente por: Michael Ajeto

Traducido por: Carlos Marcano