Moneyball (2011) – A Movie Review from Data Science Perspective

Data Scientist, Data Science, Machine Learning, Statistics, Data Science Indonesia, Data Analytics, Data, Astronomy, Astronomer, Science, Python, iPython, Jupyter Notebook, R, Excel, Coding, Koding, Cara Mengolah Data, Mengolah Data, Olah Data, Programming, Pemrograman, Sains, Teknologi, Ilmu Data, Teknologi Informasi, Tech in Asia, Teknologi, Technology, Sains, Movie Review, Muhammad Azizul Hakim, Aziz
Art Howe: “Do you agree with this?”
Peter Brand: “100%.”

Halo semuanya! Apa kabar? :*

Postingan kali ini adalah review film, sebagai intermezzo. Untuk ke depannya, author insyaAlloh akan menjadwalkan postingan intermezzo setiap kali selesai posting empat artikel teknis. Materinya insyaAlloh beragam.. 🙂

Sedikit bercerita dulu ya, pada awalnya artikel ini adalah tugas dari Mas Satia Pradana, CEO Inspira Space, Yogyakarta. Tugas yang unik ya? Hehehe.

Karena review film/tugas ini tidak menyebarkan rahasia perusahaan, dsb, saya putuskan untuk saya share di sini, agar lebih bermanfaat untuk orang banyak. Sekian ya pengantarnya, selamat membaca! 😀

Moneyball adalah film yang diangkat dari buku nonfiksi Moneyball: The Art of Winning an Unfair Game, yang ditulis oleh Michael Lewis. Film ini mengisahkan tentang general manager Oakland Athletics, Billy Beane (diperankan oleh Brad Pitt) dan asistennya Peter Brand (berdasarkan dari asisten Billy Beane yang sebenarnya; Paul DePodesta, yang diperankan oleh Jonah Hill) yang memanfaatkan analisis sabermetric hingga mencetak rekor memenangkan 20 permainan berturut-turut dalam satu musim, dengan budget pembelian pemain yang rendah ($260.000 setiap kali memenangkan games, bandingkan dengan Yankees; $1.4juta setiap kali memenangkan games, dengan rekor yang sama).

Data Scientist, Data Science, Machine Learning, Statistics, Data Science Indonesia, Data Analytics, Data, Astronomy, Astronomer, Science, Python, iPython, Jupyter Notebook, R, Excel, Coding, Koding, Cara Mengolah Data, Mengolah Data, Olah Data, Programming, Pemrograman, Sains, Teknologi, Ilmu Data, Teknologi Informasi, Tech in Asia, Teknologi, Technology, Sains, Movie Review, Muhammad Azizul Hakim, Aziz

Sumber Gambar: uk.businessinsider.com.

 

Review film ini saya rangkum menjadi, 7 Formula for Defeat (and Wins), diantaranya:

1. Ask the wrong questions (how to buy all star players?)

Right questions: How to win the (unfair) game?

 

2. Setting the false goals (buy good players)

Kita dapat menyimak percakapan ketika saat pertama Peter Brand dan Billy Beane bertemu. Peter Brand menceritakan pada Billy Beane bahwa terdapat banyak kesalahan besar dalam baseball, mulai dari pembelian pemain all star = memenangkan pertandingan (salah paham antara correlation vs causation), hingga kesalahan penilaian kualitas pemain dalam baseball.

Right goals: Win the games!

 

3. Address the wrong problems (replace Giambi & friends)

Kita dapat menemukan adegan ini di menit-menit awal film, di mana tim manajemen Oakland Athletics hanya fokus untuk menggantikan mantan pemain top di Oakland Athletics (Giambi, Damon, dan Isringhausen). Masalah memuncak pula karena tim Athletics tidak memiliki banyak dana saat itu.

Right problem: How to recreate new Giambi & friends? Bagaimana cara memenangkan pertandingan seperti ketika masih memiliki pemain top, atau bahkan menang lebih banyak; dengan dana yang terbatas ?

 

4. Notice the wrong or irrelevant variables (age, appearance, etc)

Hal ini dibahas ketika adegan awal Peter Brand bekerja untuk Billy Beane, dan Peter Brand diminta untuk menganalisis 3 pemain, namun dia menganalisis 51 pemain, bahkan sempat menganalisis performa Billy Beane ketika masih menjadi pemain, dan memberitahukan hasilnya lewat percakapan telepon pertama mereka.

Right variables: Variabel-variabel yang digunakan Bill James (penemu pendekatan sabermetric)

 

5. Use wrong methods or models (misjudge good players, based on false variables (no. 4))

Penggunaan metode yang salah dalam penilaian kualiatas pemain dan penempatan mereka dalam tim vs metode penilaian yang benar berdasarkan pendekatan sabermetric adalah salah satu tema utama dan konflik utama dalam film ini.

Right methods: sabermetric (diambil dari akronim SABR, Society for American Baseball Research). Sabermetric adalah analisis empiris untuk baseball, yang berdasarkan dari variabel-variabel statistika yang mencatat aktivitas dalam permainan baseball.

Data Scientist, Data Science, Machine Learning, Statistics, Data Science Indonesia, Data Analytics, Data, Astronomy, Astronomer, Science, Python, iPython, Jupyter Notebook, R, Excel, Coding, Koding, Cara Mengolah Data, Mengolah Data, Olah Data, Programming, Pemrograman, Sains, Teknologi, Ilmu Data, Teknologi Informasi, Tech in Asia, Teknologi, Technology, Sains, Movie Review, Muhammad Azizul Hakim, Aziz

Bill James, Penemu Sabermetrics. Sumber Gambar: sabr.org.

 

6. Suggest the false solutions (big money -> buy all star players -> win the game)

Penerapan sabermetric dengan tepat menjadi bahan cerita utama di film ini, dan kita dapat lihat bahwa Billy dan Peter memilih pemain secara spesifik berdasarkan nilai stasistik yang baik untuk suatu peran yang spesifik pula (biarpun pemain yang bersangkutan diklaim amat buruk oleh pecinta baseball umumnya). Peran ditentukan dengan amat spesifik, misalnya untuk penjaga base, hanya diperlukan skill untuk menjaga base saja, tidak dipedulikan hal lainnya, begitu pula untuk peranan lain.

Interaksi antar variabel statistik sehingga dapat membangun tim yang bagus, juga dapat kita lihat pada film ini. Hal inilah yang membuat mereka dapat dengan tegas memecat pemain, biarpun pemain tersebut bagus (dan dicintai pelatih), namun dapat merusak variabel lainnya dalam tim.

Right solutions: good sabermetrics -> find undervalued player -> great team -> win the game

 

7. Stop after winning or bad decisions after winning

Kunci kejayaan Oakland Athletics adalah, mereka merupakan inovator dalam baseball saat itu. Mereka yang mempelopori penggunaan sabermetrics dalam pertandingan. Sehingga biarpun minim budget dan memiliki masalah dalam manajemen dan kepemimpinan, tim ini masih dapat mencetak rekor.

Keadaan akan amat berbeda, apabila pemain-pemain besar dalam baseball juga mulai mengikuti metode ini, yang mana mereka memiliki sumber daya yang lebih besar untuk mengembangkan metode analisis permainan baseball.

Right decisions: Billy Beane harus berhenti mengambil keputusan berdasarkan emosional semata.

 

Further Readings

2017 SABR Analytics: Listen to Highlights from Bill James’ Talk on the Future of Baseball Analysis.

Correlation vs. Causation.

Follow and like us:

2 tanggapan pada “Moneyball (2011) – A Movie Review from Data Science Perspective”

  1. Pingback: The Big Short (2015) – A Movie Review from Data Scientist Perspective – Just Type and Run

  2. Pingback: The Big Short (2015) – A Movie Review from Data Scientist Perspective - hakim-azizul.com

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *