The Value of Graph-based Encoding in NBA Salary Prediction

Questo articolo dimostra che l'integrazione di embedding di un grafo della conoscenza, derivato da dati on e off-court, nei modelli di apprendimento supervisionato migliora significativamente la previsione degli stipendi dei giocatori NBA, superando i limiti degli approcci basati esclusivamente su dati tabellari, specialmente per i veterani.

L'essenziale

🏀 Il Prezzo della Stella: Perché i Dati da soli non bastano (e perché i "contatti" contano)

Immagina di dover decidere quanto pagare un giocatore di basket per la prossima stagione. È come cercare di mettere un prezzo su una persona: è difficile perché le prestazioni cambiano ogni anno, gli infortuni arrivano all'improvviso e il mercato è folle.

Fino a poco tempo fa, gli analisti usavano un approccio molto "matematico": guardavano le statistiche del giocatore (punti fatti, assist, rimbalzi) e dicevano: "Ok, hai fatto 20 punti a partita, quindi ti paghiamo X milioni". Questo funziona bene per i novellini (i rookie), il cui contratto è quasi sempre basato su una formula rigida: "Se sei stato scelto al 1° posto nel draft, prendi Y milioni".

Ma per i veterani (i giocatori esperti), questa formula fallisce. Perché? Perché il valore di un giocatore non è solo ciò che fa in campo, ma anche chi conosce e dove si trova.

🕸️ L'Idea Geniale: La Mappa dei Contatti

Gli autori di questo studio hanno pensato: "E se invece di guardare solo il foglio Excel con le statistiche, guardassimo la rete di relazioni del giocatore?".

Hanno costruito una Mappa dei Contatti (chiamata "Grafo della Conoscenza"). Immagina questa mappa come un grande albero genealogico o una mappa di amicizie su Facebook, ma per il basket:

• Chi è il suo agente?
• Con chi ha giocato negli anni scorsi?
• Ha vinto premi?
• È stato infortunato?
• In quale squadra gioca?

Invece di leggere i dati come una lista piatta, hanno trasformato queste connessioni in una "fotografia digitale" (un vettore) che cattura la "personalità" del giocatore nel mondo del basket.

🧪 L'Esperimento: Chi vince?

Hanno messo alla prova due metodi per prevedere gli stipendi:

1. Il Metodo "Semplice" (Tabellare): Guarda solo le statistiche e l'età.
2. Il Metodo "Intelligente" (Grafico): Guarda le statistiche + la mappa dei contatti.

Ecco cosa hanno scoperto, usando delle metafore semplici:

1. Il Paradosso del Novellino vs. Il Veterano

• I Novellini sono nel "Vuoto": Un giocatore che entra per la prima volta nella lega non ha ancora una "rete". Non ha agenti famosi, non ha una storia di infortuni lunga, non ha un passato di squadre. Se provi a usare la mappa dei contatti per lui, è come cercare di navigare in un oceano senza bussola: la mappa ti dà solo rumore e confusione. Per i rookie, il metodo semplice (statistiche + draft) funziona meglio.
• I Veterani hanno "Capital Sociale": Un giocatore di 35 anni, anche se gioca male quest'anno, ha una rete solida: un agente potente, anni di fedeltà alla squadra, una reputazione. Il metodo "Grafico" vede questa rete invisibile e dice: "Ehi, anche se ha fatto pochi punti, la sua 'reputazione' vale ancora molto!". Qui il metodo grafico salva la previsione, evitando di sottostimare il giocatore.

2. La Trappola della "Fama Passata"

A volte la mappa dei contatti può ingannare.

• Esempio: Chris Paul è un veterano famoso. La sua "rete" è enorme. Il modello grafico, vedendo la sua fama passata, potrebbe dire: "Deve guadagnare tantissimo!". Ma se Chris Paul è invecchiato e non gioca più come un tempo, il modello si sbaglia e lo valuta troppo alto. È come se un attore di Hollywood famoso 20 anni fa venisse pagato come se fosse ancora al picco della carriera, solo perché ha ancora molti amici nel settore.

3. Più Dati non Significa Sempre Meglio

Hanno provato a mettere tutti i dati possibili (infortuni, premi, squadre, agenti) nella mappa. Risultato? Peggio.
È come cercare di ascoltare una conversazione in una stanza piena di gente che urla. Se aggiungi troppi dettagli confusi, il modello non riesce a sentire il messaggio importante. Meglio una mappa semplice e pulita che una mappa caotica.

💡 La Conclusione in Pillole

Il paper ci insegna che per valutare i giocatori di basket (e forse anche le persone nel lavoro o nella vita) serve un approccio ibrido:

1. Per i nuovi arrivati: Usa la matematica fredda. Guarda i numeri e le regole. Non cercare di analizzare la loro "rete sociale" perché non esiste ancora.
2. Per i veterani: Usa l'intelligenza delle relazioni. Guarda chi conoscono, la loro storia e la loro reputazione. I numeri da soli non bastano perché non vedono il "valore nascosto" che deriva dagli anni passati.

In sintesi: La tecnologia non deve sostituire l'occhio umano, ma deve capire quando guardare i numeri e quando guardare le connessioni tra le persone. È come avere due strumenti diversi: un righello per i principianti e una bussola per i viaggiatori esperti.

Sommario tecnico

Titolo: Il Valore della Codifica Basata su Grafi nella Previsione degli Stipendi NBA

1. Il Problema

La valutazione economica degli atleti professionisti è un compito complesso a causa dell'elevata variabilità delle prestazioni e della posizione di mercato anno su anno. Nel contesto della National Basketball Association (NBA), l'approccio standard consiste nell'utilizzare modelli di apprendimento supervisionato su dati tabellari (es. XGBoost) per prevedere lo stipendio basandosi sulle statistiche della stagione precedente.
Tuttavia, questo approccio presenta limiti significativi:

• Trattamento isolato: I modelli tabellari trattano i giocatori come righe isolate, ignorando le dipendenze strutturali e il "capitale sociale" (es. legami con agenti, adattamento allo stile della squadra, scarsità nella rete di talenti).
• Fallimento sui veterani: Mentre funziona bene per i giovani giocatori (dove lo stipendio è legato alla posizione nel draft), fallisce spesso con i veterani o con gli stipendi nella coda superiore della distribuzione, dove fattori relazionali e di prestigio influenzano il mercato più delle sole statistiche recenti.
• Rischio di leakage: Studi precedenti spesso confondono i segnali strutturali con metadati espliciti (come ID della squadra o dell'agente) o soffrono di "temporal leakage" (uso di informazioni future), rendendo difficile isolare il vero valore del grafo.

2. Metodologia

Gli autori propongono un framework innovativo che integra dati tabellari con rappresentazioni vettoriali derivate da un Grafo della Conoscenza (Knowledge Graph).

• Costruzione del Grafo della Conoscenza:

  • Viene costruito un grafo eterogeneo per ogni stagione (2020-2025) collegando nodi "PlayerSeason" a entità come Squadre, Agenti, Premi e Infortuni.
  • Vincolo di Admissibilità: Gli archi sono rigorosamente mascherati per prevenire il look-ahead bias (uso di informazioni future). Non vengono inclusi valori storici di stipendi o contratti.
  • Il grafo cattura solo l'esistenza delle relazioni e la storia degli eventi, non i valori monetari diretti.

• Embedding del Grafo:

  • Vengono testati diversi algoritmi di embedding per convertire i nodi del grafo in vettori ($z_{p,s}$):
    • Statici: Node2Vec (camminate casuali) e RotatE (rotazioni nello spazio complesso).
    • GNN Dinamici: Varianti di GraphSAGE e R-GCN (V1, V2-Base, V2-Full) che operano su nodi PlayerSeason, sia in modo transduttivo che induttivo.
  • I vettori risultanti vengono concatenati alle feature tabellari (statistiche on-court, controlli di carriera) prima di essere passati al regressore finale.

• Protocollo di Valutazione Rigoroso:

  • Baseline:
    • Weak Baseline: Solo statistiche e controlli temporali (senza ID espliciti di squadra/agente).
    • Strong Baseline: Include ID espliciti di squadra e agente (Upper Bound).
  • Tri-State Evaluation Protocol: Invece di guardare solo l'errore medio, il paper analizza gli "Outlier Eligibili" (dove il modello base sbaglia di oltre 1 milione di dollari). Si misura se il modello basato su grafo:
    1. Salva (Rescue): Riduce l'errore di >$0.5M.
    2. Neutro: Nessun cambiamento significativo.
    3. Disorienta (Misguidance): Peggiora l'errore di >$0.5M.
  • Profilazione Quantitativa: Analisi statistica (test di Mann-Whitney U e Cliff's Delta) per capire quali caratteristiche (es. draft pick, età) distinguono i casi "salvati" da quelli "disorientati".

3. Contributi Chiave

Il paper introduce tre intuizioni fondamentali:

1. Proxy ad Alta Fedeltà: Gli embedding statici, privi di ID espliciti, riescono a recuperare una frazione significativa del potere predittivo del modello "Oracle" (Strong Baseline). Questo dimostra che la topologia del grafo codifica implicitamente rappresentazioni istituzionali latenti.
2. Dichotomia della Maturità Strutturale:
   • Veterani: I modelli basati su grafo agiscono come "reti di sicurezza" per i giocatori affermati, catturando il capitale sociale accumulato che i modelli tabellari perdono (riducendo errori di oltre 10M$).
   • Rookie: Per i nuovi entranti, il grafo crea un "vuoto strutturale". Poiché mancano di connessioni storiche dense, gli embedding introducono rumore, rendendo i modelli tabellari puri superiori.
3. Diluizione del Segnale: Contrariamente al mito "più è meglio", i grafi eterogenei densi (con molti eventi storici) non superano costantemente le topologie più semplici. La specificità delle connessioni (es. affiliazione) è più importante del volume grezzo dei dati.

4. Risultati

• Performance Globale: In termini di errore medio (RMSE) su tutto il set di test, i modelli tabellari con ID espliciti (Strong Baseline) rimangono superiori. Tuttavia, gli embedding statici (es. RotatE + Stats) migliorano significativamente le prestazioni rispetto alla Weak Baseline.
• Analisi Cold-Start: Quando si valutano esclusivamente i nuovi giocatori (assenti nelle stagioni di training), i modelli GNN crollano (R² ≈ -0.31), confermando che senza una rete storica, la struttura del grafo è dannosa.
• Valutazione Tri-Stato:
  • Rispetto alla Weak Baseline, gli embedding statici offrono un ottimo compromesso tra salvataggi e disorientamenti (es. RotatE: 44.8% salvataggi vs 20.5% errori).
  • Rispetto alla Strong Baseline, l'utilità marginale del grafo diminuisce (effetto di "crowding-out" dei metadati espliciti), ma rimane cruciale per correggere gli outlier estremi.
• Casi Studio:
  • Salvataggi: Il modello ha corretto positivamente lo stipendio di Fred VanVleet (+$9.4M) e Khris Middleton (+$12.1M), catturando il loro prestigio strutturale nonostante le statistiche recenti in calo.
  • Errori: Il modello ha sovrastimato Chris Paul (-$9.4M) basandosi troppo sul prestigio storico e non sul declino fisico, e ha sottostimato Desmond Bane (-$22.2M) a causa dell'omogeneizzazione eccessiva (over-smoothing) con compagni di squadra meno pagati.

5. Significato e Conclusioni

Lo studio dimostra che la valutazione economica nello sport non è puramente meritocratica ma profondamente relazionale.

• Ibridazione Maturità-Aware: I sistemi di valutazione ottimali non dovrebbero essere monolitici. Dovrebbero utilizzare modelli tabellari per i rookie (dove il prezzo è basato su regole demografiche) e attivare moduli basati su grafi per i veterani (dove il prezzo è influenzato dal capitale sociale e dalla rete).
• Validazione Strutturale: La topologia del grafo fornisce segnali economici reali e ortogonali rispetto ai metadati espliciti, ma solo quando esiste una "maturità strutturale" sufficiente nel giocatore.
• Implicazioni Future: Suggerisce l'uso di tecniche di Graph Structure Learning (GSL) per filtrare il rumore topologico e l'integrazione di nodi di contesto macroeconomico per ancorare le previsioni alla realtà finanziaria della lega.

In sintesi, il paper valida l'uso dei grafi non come sostituto dei dati tabellari, ma come un componente specializzato essenziale per gestire il rischio di coda e la valutazione degli atleti affermati, superando i limiti dei modelli puramente statistici.