Proyecto de Predicción de Resultados en la Euroliga y Análisis de Exposición de Marca

Descripción del Proyecto

Este proyecto tiene dos componentes principales:

1. Predicción de Resultados en la Euroliga: Utilizamos datos históricos de partidos y estadísticas de jugadores para construir un modelo predictivo que determine el equipo con mayores probabilidades de ganar la Euroliga en la próxima temporada.

2. Análisis de Exposición de Marca y Retorno de Inversión (ROI): Evaluamos el impacto de un patrocinio deportivo sobre equipos de la Euroliga, considerando métricas como exposición mediática, audiencia, rendimiento deportivo y retorno financiero indirecto.

Objetivos

• Desarrollar un modelo de machine learning que prediga qué equipo tiene más probabilidades de ganar la Euroliga.
• Analizar el retorno de inversión (ROI) de un patrocinio deportivo mediante Power BI, basándonos en datos de exposición mediática y rendimiento deportivo.
• Presentar un dashboard en Power BI con métricas clave sobre la exposición de marca y el rendimiento de los equipos de la Euroliga.

Datos Utilizados

1. Datos de Partidos de la Euroliga (2023):

• Tablas de estadísticas por partido y jugadores.
• Datos de enfrentamientos directos (head_to_head).
• Variables clave:
  • team_id_a, team_id_b: Identificadores de los equipos.
  • points_a, points_b: Puntuación final de los equipos.
  • rebounds, assists, steals, blocks, etc.: Estadísticas por jugador.
  • team_a_win, team_b_win: Indicadores de victoria por equipo.

2. Datos de Exposición de Marca y Medios:

• Datos de audiencia y exposición mediática de los equipos patrocinados.
• Información sobre patrocinios, contratos y métricas de rendimiento financiero.

Procesos Realizados

1. Análisis Exploratorio de Datos (EDA):

• Limpieza de datos, eliminación de valores nulos y duplicados.
• Transformación de variables (formato de fechas, edades y columnas categóricas).
• Análisis de tendencias de rendimiento de los equipos y jugadores.

2. Modelado Predictivo:

• Utilización de modelos de machine learning como:
  • KNN: Para predecir el equipo ganador en función de estadísticas históricas.
  • Random Forest y Gradient Boosting: Para mejorar la precisión de las predicciones.
• Variables clave: puntuaciones, asistencias, rebotes, robos, pérdidas, eficiencia ofensiva y defensiva.

3. Análisis de Exposición de Marca en Power BI:

• Creación de un dashboard dinámico con métricas clave, incluyendo:
  • Exposición mediática (alcance de redes sociales, transmisiones televisivas, menciones en medios).
  • Rendimiento deportivo (victorias, estadísticas clave).
  • ROI financiero basado en la inversión en patrocinios y la exposición obtenida.
  • Evaluación de riesgos y oportunidades del patrocinio.
• Uso de filtros y segmentaciones para permitir análisis interactivo.

Herramientas Utilizadas

• Python (Pandas, Scikit-learn, Matplotlib, Seaborn): Para el análisis exploratorio de datos y la creación de modelos predictivos.

• Power BI: Para el análisis de exposición de marca y la creación de dashboards dinámicos y visuales.

Resultados

• Se logró un modelo predictivo con una precisión aceptable para predecir el equipo más probable en ganar la Euroliga.
• El análisis de exposición de marca mostró un ROI positivo para el patrocinador, con métricas claras de rendimiento deportivo y mediático.

Conclusiones

• El análisis de los datos deportivos puede ser una herramienta poderosa para predecir el éxito en competiciones, y combinarlo con análisis de exposición de marca ayuda a maximizar la efectividad de los patrocinios.
• La aplicación de técnicas de machine learning y la visualización dinámica con Power BI permiten obtener insights clave que pueden ayudar a la toma de decisiones estratégicas.

Próximos Pasos

• Mejorar el modelo predictivo agregando más datos históricos y ajustando hiperparámetros.
• Profundizar en el análisis de audiencia para identificar patrones de comportamiento en los aficionados de la Euroliga.
• Implementar más funcionalidades en la aplicación de Streamlit, como predicciones para múltiples equipos y diferentes escenarios.

Instrucciones para Ejecutar el Proyecto

Requisitos:

• Python 3.8+
• Power BI Desktop
• Bibliotecas de Python:
  • pandas
  • scikit-learn
  • matplotlib
  • seaborn

Ver el Dashboard en Power BI:

1. Abrir el archivo .pbix en Power BI Desktop.
2. Interactuar con los filtros y segmentaciones para analizar la exposición de marca.

Presentación en Canva

Accede a la presentación del proyecto en Canva a través de este enlace.

Contacto

Rafael Gamero Arrabal

LinkedIn: Rafael Gamero Arrabal