The Value of Graph-based Encoding in NBA Salary Prediction

Este artículo demuestra que integrar representaciones vectoriales de un grafo de conocimiento, construido con datos dentro y fuera de la cancha, mejora significativamente la precisión de los modelos de aprendizaje automático para predecir los salarios de los jugadores de la NBA, especialmente en casos donde los enfoques tabulares tradicionales fallan.

Lo esencial

¡Claro que sí! Imagina que el mundo de los salarios en la NBA es como un mercado de casas muy especial.

Normalmente, para saber cuánto vale una casa, miramos sus características obvias: ¿cuántos cuartos tiene? ¿Es nueva? ¿Qué tan grande es el jardín? En el baloncesto, esto sería mirar las estadísticas del jugador: ¿cuántos puntos anota? ¿Cuántos rebotes hace? ¿Cuántos años tiene?

Los expertos (los "analistas") siempre han usado una lista de datos (una tabla) para predecir cuánto dinero ganará un jugador el próximo año. Funciona bien para la mayoría, pero falla estrepitosamente con dos tipos de jugadores:

1. Las estrellas veteranas: A veces su rendimiento baja un poco, pero siguen ganando millones porque son "leyendas" o tienen agentes muy poderosos. La lista de datos no ve esto.
2. Los novatos: A veces la lista de datos adivina mal porque no tienen historial.

Este paper de la Universidad Brigham Young propone una solución genial: en lugar de mirar solo la lista de datos, dibujamos un mapa de conexiones (un "grafo").

La Analogía del "Mapa de Amistades"

Imagina que en lugar de mirar solo la casa, miramos con quién vive el dueño y a quién conoce.

• El enfoque antiguo (Tablas): Mira solo al jugador. "Este jugador anotó 20 puntos, así que vale $10 millones".
• El enfoque nuevo (Grafos): Mira al jugador y su red. "Este jugador anotó 20 puntos, PERO su agente es el mismo que maneja a las superestrellas, su equipo lo ha amado por 10 años y su estilo encaja perfectamente con el entrenador".

El equipo creó un mapa gigante donde los jugadores están conectados a sus equipos, sus agentes, sus premios y sus lesiones. Luego, usaron una inteligencia artificial para convertir ese mapa en un "código secreto" (un vector) que resume toda esa información social.

¿Qué descubrieron? (Las 3 Reglas de Oro)

El paper tiene tres hallazgos principales que cambian la forma de ver el dinero en el deporte:

1. El "Efecto Novato" vs. El "Efecto Veterano"

• Para los Novatos (El Vacío Estructural): Imagina a un recién llegado que acaba de aterrizar en la ciudad. No conoce a nadie, no tiene amigos en la industria. Si intentas predecir su salario mirando sus "amistades" (el mapa), solo obtienes ruido y confusión.
  • La lección: Para los novatos, la lista de datos simple es mejor. Su salario se basa en reglas fijas (dónde fueron elegidos en el draft, su edad), no en quién conocen.
• Para los Veteranos (El Capital Social): Imagina a un jugador que lleva 15 años en la liga. Aunque este año jugó mal, sigue siendo valioso porque tiene "amigos poderosos", es leal a su equipo y tiene un estatus de leyenda. La lista de datos dice: "Jugó mal, gánale menos". El mapa de conexiones dice: "Es una leyenda, gánale más".
  • La lección: Para los veteranos, el mapa de conexiones es un salvavidas. Detecta ese "capital social" invisible que las estadísticas no ven y corrige errores de millones de dólares.

2. No es "Más es Mejor", es "Calidad sobre Cantidad"

El equipo probó hacer mapas súper complejos con miles de datos (lesiones, premios, eventos históricos). Resultó que los mapas más simples funcionaron mejor.

• La analogía: Es como intentar adivinar el precio de una casa. No necesitas saber el nombre de cada vecino que visitó la casa en los últimos 20 años (ruido). Solo necesitas saber a qué escuela de negocios asistió el dueño y qué banco le dio el préstamo (conexiones clave). Demasiada información confunde a la inteligencia artificial.

3. El "Truco del Oráculo"

Hubo un experimento interesante. Crearon un modelo que sabía exactamente el nombre del agente y del equipo (como si tuviera una lista de respuestas). Este modelo fue el mejor.
Luego, quitaron esos nombres y solo dejaron el mapa de conexiones. ¡Sorprendentemente! El mapa de conexiones logró casi el mismo resultado que el que tenía los nombres.

• ¿Qué significa? Que el mapa de conexiones aprendió a entender la "fama" y el "prestigio" sin necesidad de leer los nombres. Es como si el mapa supiera que "estar conectado a este agente" significa "ser muy valioso", sin que nadie le dijera explícitamente quién es el agente.

En Resumen

Este paper nos dice que para predecir el dinero en la NBA, no podemos usar una sola herramienta para todos:

• Si es un novato, usa una calculadora simple (estadísticas y reglas).
• Si es un veterano, usa un detective social (mapa de conexiones) para entender su valor oculto y evitar pagarle de menos (o de más) solo por sus estadísticas recientes.

Es como decir: "Para los nuevos, mira lo que hacen. Para los viejos, mira a quién conocen y cuánto han construido". ¡Y así es como se evita perder millones de dólares en contratos!

Resumen técnico

Resumen Técnico: El Valor de la Codificación Basada en Grafos en la Predicción de Salarios de la NBA

1. Planteamiento del Problema

La valoración de atletas profesionales es un desafío complejo debido a la alta variabilidad en el rendimiento y la ubicación año tras año. En la NBA, el enfoque estándar consiste en crear conjuntos de datos tabulares y utilizar aprendizaje supervisado (como XGBoost) para predecir el salario basándose en estadísticas del año anterior.

• Limitación actual: Este enfoque funciona bien para jugadores jóvenes (cuyos contratos dependen principalmente de su posición en el draft), pero falla sistemáticamente con veteranos o aquellos en la cola superior de la distribución salarial.
• La brecha: Los modelos tabulares tratan a los jugadores como filas aisladas, ignorando el "capital relacional" (redes de agentes, ajuste estilístico con el equipo, prestigio dentro de la red de talento) que influye profundamente en la valoración de mercado. Además, existe el riesgo de que las mejoras en modelos de grafos sean meros artefactos experimentales o fugas de información temporal, en lugar de razonamiento estructural genuino.

2. Metodología

Los autores proponen un marco riguroso para aislar el poder predictivo independiente de la topología de red.

• Fuentes de Datos: Se utilizaron 5 temporadas de la NBA (2020-21 a 2024-25). Los datos incluyen estadísticas en la cancha, valoraciones de equipos (Forbes), agencias, premios y registros de lesiones.
• Construcción del Grafo de Conocimiento:
  • Se construye un grafo heterogéneo donde los nodos centrales son PlayerSeason (Jugador-Temporada).
  • Estos se conectan a entidades institucionales y de eventos: Equipos, Agentes, Premios e Historial de Lesiones.
  • Restricción Crítica: Las aristas temporales están estrictamente enmascaradas para evitar el "sesgo de visión hacia el futuro" (look-ahead bias). No se incluyen valores históricos de salarios.
• Modelos Comparados:
  1. Línea Base Débil (Weak Baseline): Predice solo con estadísticas y controles de carrera (edad, draft).
  2. Línea Base Fuerte (Strong Baseline): Incluye IDs explícitos de Equipo y Agente (el límite superior teórico).
  3. Modelos de Grafos: Se evalúan varias técnicas de incrustación (embedding) que son "ciegas" a los IDs explícitos:
     • Estáticos: Node2Vec, RotatE.
     • GNNs Estáticos y Dinámicos: GraphSAGE (V1), variantes inductivas y transductivas (V2-Base, V2-Ind, V2-Trans).
     • Grafos Heterogéneos: V2-Full (incluye eventos densos como premios y lesiones).
• Protocolo de Evaluación "Tri-State":
  • En lugar de solo medir el error global (RMSE), se analiza el impacto en valores atípicos (outliers).
  • Se define una "Margen de Corrección" ($\Delta E$) para clasificar los resultados en tres estados:
    1. Rescate Exitoso: El modelo de grafo reduce el error significativamente (> $0.5M).
    2. Margen Neutral: Sin cambio significativo.
    3. Desviación Estructural: El modelo de grafo empeora la predicción respecto a la línea base.
• Perfiles de Características: Se utiliza la prueba U de Mann-Whitney y el Delta de Cliff para identificar qué características demográficas o estadísticas diferencian a los jugadores "rescatados" de los "desviados".

3. Contribuciones Clave

El artículo presenta tres hallazgos principales que desafían la intuición común en la analítica deportiva:

1. Proxies de Alta Fidelidad: Las incrustaciones estáticas del grafo, sin conocer los IDs de equipo o agente, recuperan una fracción sustancial del poder predictivo de los modelos con IDs explícitos. Esto demuestra que la topología de la red codifica representaciones institucionales latentes (quién conoce a quién) de manera efectiva.
2. La Hipótesis de la Madurez Estructural (Veteranos vs. Novatos):
   • Veteranos: Los modelos de grafo actúan como una "red de seguridad" para jugadores establecidos, capturando el capital social acumulado que los modelos tabulares (basados puramente en métricas recientes) pasan por alto.
   • Novatos (Cold-Start): En un "vacío estructural" (jugadores sin historial de conexiones), los grafos introducen ruido y degradan el rendimiento. Para novatos, los modelos tabulares puros siguen siendo óptimos.
3. Dilución de Señal (Calidad sobre Cantidad): Contrario a la creencia de que "más datos es mejor", los grafos heterogéneos densos (con muchos eventos históricos) no superan consistentemente a topologías más simples. Las aristas de afiliación específicas tienen más peso que el volumen bruto de registros de eventos ruidosos.

4. Resultados Cuantitativos y Cualitativos

• Rendimiento Global: En términos de error global (RMSE), los modelos tabulares con IDs explícitos (Strong Baseline) siguen siendo los mejores. Los modelos de grafo ofrecen mejoras marginales en el error promedio global cuando se comparan con la línea base débil, pero su valor real es localizado.
• Análisis de Cold-Start: Los modelos de grafo colapsan en la predicción de novatos (R² ≈ -0.31), mientras que los modelos tabulares mantienen una viabilidad predictiva (R² ≈ 0.53).
• Casos de Éxito y Fracaso:
  • Éxito: El modelo RotatE mejoró la predicción del salario de Fred VanVleet en más de $10M, capturando su prestigio estructural y red de agentes a pesar de estadísticas fluctuantes.
  • Fracaso: El mismo modelo sobreestimó el salario de Chris Paul en $9.4M, anclándose demasiado en su estatus histórico y subestimando su declive físico actual (riesgo de "legacy hangover").
  • Fallo en Estrellas: Los GNNs inductivos sufrieron de "suavizado excesivo" (over-smoothing) en superestrellas como Giannis Antetokounmpo, diluyendo su prima salarial única al promediarla con compañeros de equipo con salarios más bajos.

5. Significado e Implicaciones

Este trabajo redefine cómo se debe abordar la valoración económica en deportes:

• Hibridez Inteligente: Los sistemas de valoración óptimos no deben ser puramente tabulares ni puramente basados en grafos. Deben ser conscientes de la madurez: usar modelos tabulares para novatos (donde las reglas del draft dominan) y activar módulos de grafos para veteranos (donde el capital relacional y el prestigio importan más).
• Validación Metodológica: Introduce un marco de evaluación estricto que separa la señal estructural genuina de las fugas de información, demostrando que la topología de red es una variable predictiva válida y ortogonal a los metadatos explícitos.
• Gestión de Riesgo: Los modelos de grafo son herramientas vitales para la gestión de riesgos de cola (tail-risk), ayudando a evitar la subvaloración masiva de jugadores veteranos clave, aunque requieren mecanismos para evitar la sobrevaloración basada en la inercia histórica.

En conclusión, la codificación basada en grafos no es una solución mágica para todos los casos, sino una herramienta especializada que revela la dimensión sociológica y relacional de la economía deportiva, complementando eficazmente los enfoques estadísticos tradicionales.