De box scores a coordenadas: a história do SportVU

Durante quase um século, as estatísticas de basquete viveram no "box score" — pontos, rebotes, assistências, roubadas, bloqueios e erros. Esses dados capturam resultados de ações, mas nada sobre como as ações aconteceram. Um rebote de Draymond Green em situação de desvantagem numérica tem o mesmo peso que um rebote fácil de garbage time.

O sistema SportVU (desenvolvido pela empresa israelense STATS LLC) foi adotado pela NBA em 2013 em todas as 29 arenas da liga ^[4]. O sistema instalava 6 câmeras no teto de cada arena que registravam, a 25 quadros por segundo, as coordenadas XY de cada jogador e XYZ da bola. Cada partida gerava aproximadamente 2 milhões de pontos de dado — mais do que todas as estatísticas acumuladas da história de uma franquia em uma única noite.

Second Spectrum: quando o ML entrou na equação

Em 2017, a NBA migrou do SportVU para o Second Spectrum — empresa fundada por ex-pesquisadores do MIT e USC, adquirida pela Genius Sports em 2021 ^[1]. A diferença não era apenas no número de câmeras (de 6 para 29), mas na capacidade de processamento: o Second Spectrum usa modelos de visão computacional e machine learning para:

• Identificar e etiquetar automaticamente ações: pick-and-roll, corte, drives, arremessos contestados vs. abertos.
• Calcular defender distance — a distância exata entre o arremessador e o defensor mais próximo no momento do arremesso.
• Medir transition speed — a velocidade com que um time transita do ataque para a defesa.
• Gerar play diagrams automáticos — visualizações animadas de jogadas para uso em análise de adversários.

O que o tracking revelou que o box score escondia

Goldsberry e Weiss foram pioneiros em usar tracking data para medir defesa individual no MIT Sloan de 2012 ^[2]. O box score nunca capturou defesa adequadamente — bloqueios e roubadas são eventos raros que ocorrem em menos de 5% das posses. O tracking revelou:

• Opponent FG% when guarding: Percentual de conversão dos oponentes quando marcados por determinado jogador — a métrica de defesa individual mais pura.
• Rim protection: Quantos arremessos próximos à cesta o jogador contesta e qual o impacto na taxa de conversão adversária.
• Help defense positioning: Com que frequência o jogador está no lugar certo da defesa quando a bola está em outro lado da quadra.

Cervone e colaboradores publicaram no Journal of the American Statistical Association (JASA, 2016) um modelo que usa tracking data para calcular o valor de cada posse em tempo real — atribuindo mérito a cada movimento de cada jogador, com ou sem a bola ^[3]. Este paper é considerado um dos mais influentes na literatura de sports analytics.

Player tracking e a revolução da análise defensiva

O principal subproduto do player tracking foi a possibilidade de medir defesa de forma rigorosa pela primeira vez. Franks e colaboradores (MIT Sloan, 2015) desenvolveram modelos que estimam a contribuição defensiva de cada jogador usando dados de posicionamento ^[5]. O modelo, chamado de "Deconstructing the Rebound" para rebotes e posteriormente adaptado para defesa, separa a contribuição individual do contexto do esquema tático coletivo.

Na prática, times como Golden State Warriors (2015–2019) usaram dados de tracking para identificar jogadores defensivos que impactavam o jogo de forma invisível nas estatísticas tradicionais — Draymond Green sendo o exemplo mais celebrado. Seu impacto defensivo no tracking era consistentemente top-5 da liga mesmo com estatísticas de box score modestas.

O futuro: tracking em tempo real e análise preditiva durante o jogo

A próxima fronteira é o uso de tracking em tempo real para análise e recomendação durante a partida. Times já usam dashboards ao vivo com dados do Second Spectrum para ajustar rotações e esquemas durante o jogo. A NBA Hackathon anual incentiva equipes de dados a desenvolver modelos preditivos — como prever quem vai ganhar uma disputa de rebote antes de a bola pousar, ou calcular a probabilidade de uma posse terminar em cesta dado o posicionamento atual.

A integração entre tracking, modelos de linguagem natural (para análise de sequências táticas) e visualização em realidade aumentada representa o horizonte próximo — o basquete como esporte onde cada decisão, de cada jogador, em cada segundo, pode ser quantificada e otimizada.

From box scores to coordinates: the history of SportVU

For nearly a century, basketball statistics lived in the box score — points, rebounds, assists, steals, blocks, turnovers. These capture outcomes but nothing about how actions happened. The SportVU system (developed by STATS LLC) was adopted by the NBA in 2013 across all 29 arenas ^[4]. Six ceiling cameras per arena recorded every player's XY coordinates and the ball's XYZ at 25 frames per second — generating approximately 2 million data points per game.

Second Spectrum: when ML entered the equation

In 2017, the NBA migrated to Second Spectrum — founded by ex-MIT and USC researchers, acquired by Genius Sports in 2021 ^[1]. Beyond 29 cameras, Second Spectrum uses computer vision and ML to:

• Automatically identify and tag actions: pick-and-roll, cuts, drives, contested vs. open shots.
• Calculate defender distance — exact distance between shooter and nearest defender at shot moment.
• Measure transition speed — how quickly a team moves from offense to defense.
• Generate automatic play diagrams — animated visualizations for opponent analysis.

What tracking revealed that box scores hid

Goldsberry and Weiss pioneered tracking data for individual defense measurement at MIT Sloan 2012 ^[2]. The box score never adequately captured defense. Tracking revealed: opponent FG% when guarded, rim protection metrics, and help defense positioning. Cervone et al. published in the Journal of the American Statistical Association (2016) a model calculating real-time possession value — attributing credit to every player movement, with or without the ball ^[3].

Player tracking and the defensive analytics revolution

Franks et al. (MIT Sloan, 2015) developed models estimating each player's defensive contribution from positioning data ^[5]. Teams like the Golden State Warriors (2015–2019) used tracking to identify defensively impactful players invisible to traditional stats — Draymond Green being the most celebrated example, consistently top-5 in defensive tracking metrics despite modest box score numbers.

The future: real-time tracking and in-game predictive analytics

Teams already use live Second Spectrum dashboards to adjust rotations mid-game. The NBA Hackathon encourages teams to develop predictive models — such as predicting who wins a rebound battle before the ball lands, or calculating the probability of a possession ending in a basket given current player positioning. The integration of tracking, language models for tactical sequence analysis, and augmented reality visualization represents the near horizon.

De las estadísticas tradicionales a las coordenadas: la historia del SportVU

Durante casi un siglo, las estadísticas del baloncesto vivieron en el "box score". El sistema SportVU fue adoptado por la NBA en 2013 en todas las arenas ^[4]. Seis cámaras en el techo de cada arena registraban las coordenadas de cada jugador y la bola a 25 fotogramas por segundo — generando aproximadamente 2 millones de puntos de dato por partido.

Second Spectrum: cuando el ML entró en la ecuación

En 2017, la NBA migró al Second Spectrum — fundado por ex-investigadores del MIT y USC ^[1]. Con 29 cámaras y visión computacional, puede: identificar y etiquetar acciones automáticamente, calcular la distancia al defensor en el momento del tiro, medir la velocidad de transición y generar diagramas de jugadas automáticos.

Lo que el tracking reveló que el box score ocultaba

Goldsberry y Weiss fueron pioneros en usar tracking data para medir defensa individual en el MIT Sloan 2012 ^[2]. Cervone et al. publicaron en el Journal of the American Statistical Association (2016) un modelo que calcula el valor de cada posesión en tiempo real ^[3] — atribuyendo mérito a cada movimiento de cada jugador, con o sin balón.

Player tracking y la revolución del análisis defensivo

Franks et al. (MIT Sloan, 2015) desarrollaron modelos que estiman la contribución defensiva de cada jugador usando datos de posicionamiento ^[5]. Equipos como los Golden State Warriors (2015–2019) usaron tracking para identificar jugadores defensivos con impacto invisible en las estadísticas tradicionales — Draymond Green siendo el ejemplo más célebre.

El futuro: tracking en tiempo real y análisis predictivo durante el partido

Los equipos ya usan dashboards en vivo del Second Spectrum para ajustar rotaciones durante el partido. El NBA Hackathon incentiva el desarrollo de modelos predictivos. La integración entre tracking, modelos de lenguaje para análisis táctico y visualización en realidad aumentada representa el horizonte próximo del baloncesto como deporte completamente cuantificado.