Players Movements and Team Shooting Performance: a Data Mining approach for Basketball

In the domain of Sport Analytics, Global Positioning Systems devices are intensively used as they permit to retrieve players’ movements. Team sports’ managers and coaches are interested on the relation between players’ patterns of movements and team performance, in order to better manage their team. In this paper we propose a Cluster Analysis and Multidimensional Scaling approach to find and describe separate patterns of players movements. Using real data of multiple professional basketball teams, we find, consistently over different case studies, that in the defensive clusters players are close one to another while the transition cluster are characterized by a large space among them. Moreover, we find the pattern of players’ positioning that produce the best shooting performance.

Nel dominio attinente Sport Analytics, i dispositivi di posizionamento globale vengono utilizzati intensivamente poiche’ consentono di raccogliere e anal- izzare i movimenti dei giocatori. Managers e allenatori sono interessati a conoscere la relazione tra i movimenti dei propri giocatori e le prestazioni della squadra, al fine di gestire al meglio la loro squadra. In questo articolo proponiamo un approc- cio che utilizza la Cluster Analysis e il Multidimensional Scaling con l’obiettivo di identificare e descrivere specifiche dinamiche di movimento. Usando dati reali di più squadre di basket professionistiche, troviamo, consistentemente su diversi casi di studio, che le azioni di difesa si caratterizzano per avere giocatori tra loro vicini, mentre le azioni di transizione presentano un’ ampia spaziatura tra di essi. Inoltre è stato trovato il posizionamento in campo che meglio si associa con una buona performance di tiro.