Prepararse para el draft anual de las Grandes Ligas es difícil: con alrededor de 1500 jugadores seleccionados cada año, los equipos deben evaluar y clasificar a cientos de prospectos. Los ojeadores presentan informes cualitativos y cuantitativos, pero sus opiniones a menudo discrepan marcadamente.
Investigadores de Georgia Tech trabajaron con un equipo de las Grandes Ligas para modelar el problema: proponer una clasificación consensuada de todos los jugadores observados por los representantes del equipo. La misma metodología recomienda la programación de los ojeadores durante la temporada en función de cuánta información aportaría cada ojeador y de la incertidumbre en la clasificación real de cada jugador.
El equipo utilizó la herramienta de optimización durante dos años, y posteriormente un segundo equipo de las Grandes Ligas pidió a los investigadores que evaluaran sus datos de clasificación.
Convertir a ojeadores en desacuerdo en una única clasificación consensuada para el draft.
El consenso a partir de muchas opiniones expertas ruidosas es exactamente lo que la optimización hace bien.
La programación de los ojeadores se deriva naturalmente del mismo modelo, apuntando a la incertidumbre.
Que dos equipos adoptaran la herramienta demuestra que resistió su uso real en la sala del draft.
Cuando los expertos discrepan, no promedie sus listas a mano: modele la agregación de forma explícita y obtendrá una clasificación además de información sobre dónde sería más valiosa la siguiente observación.
El caso se publicó en Interfaces en 2012; la herramienta siguió en uso y un segundo equipo solicitó la evaluación.
CONSULTA LAS PRUEBAS
Las fuentes
- A Major League Baseball Team Uses Operations Research to Improve Draft Preparation EconPapers (RePEc) · econpapers.repec.org
- A Major League Baseball Team Uses Operations Research to Improve Draft Preparation Semantic Scholar · semanticscholar.org
- A Major League Baseball Team Uses Operations Research to Improve Draft Preparation INFORMS Interfaces · pubsonline.informs.org