Preparar-se para o draft anual da Major League Baseball é difícil: com cerca de 1.500 jogadores selecionados a cada ano, as equipes precisam avaliar e classificar centenas de prospectos. Os olheiros entregam relatórios qualitativos e quantitativos, mas suas opiniões frequentemente divergem de forma acentuada.
Pesquisadores do Georgia Tech trabalharam com uma equipe da major league para modelar o problema: sugerir uma classificação consensual de todos os jogadores observados pelos representantes da equipe. A mesma metodologia recomenda o escalonamento dos olheiros durante a temporada com base em quanta informação cada olheiro acrescentaria e na incerteza quanto à verdadeira classificação de cada jogador.
A equipe usou a ferramenta de otimização por dois anos, e uma segunda equipe da major league posteriormente pediu aos pesquisadores que avaliassem seus dados de classificação.
Transformar olheiros divergentes em uma única classificação consensual de draft.
O consenso a partir de muitas opiniões ruidosas de especialistas é exatamente aquilo que a otimização faz bem.
O escalonamento dos olheiros decorre naturalmente do mesmo modelo, visando a incerteza.
A adoção da ferramenta por duas equipes mostra que ela resistiu ao uso real na sala de draft.
Quando especialistas divergem, não faça a média das listas deles manualmente — modele a agregação de forma explícita, e você obtém uma classificação além de uma percepção de onde a próxima observação seria mais valiosa.
O caso foi publicado na Interfaces em 2012; a ferramenta permaneceu em uso e uma segunda equipe solicitou a avaliação.
CONFIRA AS EVIDÊNCIAS
As fontes
- 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