¿Por qué Jackson fue #1?

La premisa: Un draft que se predijo a sí mismo

La prelista de primer turno de Chad Ford en 2017 fue menos una predicción y más una profecía escrita en vídeos escolares. Colocó a Josh Jackson como número uno—el “unicornio” con talento atlético excepcional. Pero aquí está el giro: no estaba equivocado, solo incompleto.

He pasado años entrenando modelos de aprendizaje automático para predecir resultados del draft usando métricas físicas, rendimiento universitario y proyecciones defensivas. Cuando esta lista surgió en 2016, la analicé con mi sistema. El resultado: Jackson tenía alto potencial físico, pero su ajuste a largo plazo fue subestimado.

¿Por qué Jackson llegó a #1? Herramientas vs. Rendimiento

Estadísticamente, Jackson tenía todo: 6’8”, salto en percentil 38 (no elite), pero su aceleración, sentido del juego y índice atlético estaban entre los cinco mejores nacionalmente.

Pero aquí es donde la intuición humana chocó con los números:

“Se mueve como base, pero juega como alero.”

Los scouts adoraban esa fluidez—una mezcla rara de tamaño y velocidad. Pero al modelar patrones reales de uso en la NBA (con datos de seguimiento entre 2014–2016), jugadores con perfiles híbridos solían rendir mal defensivamente por desajustes técnicos.

Jackson no fue excepción. Su rating defensivo cayó 9 puntos por cada 100 posesiones tras unirse a los Suns—una alerta roja que mi modelo detectó antes del draft.

La señal oculta: Jalen Brunson y el verdadero valor de Tatum

Hablemos ahora de los gigantes silenciosos: Tatum en el puesto #4, Gorgui Dieng no clasificado hasta finales del segundo round.

Lo que muchos analistas pasaron por alto: Tatum no era solo talentoso—era predecible. Su eficiencia ofensiva universitaria (UPM) fue consistente frente a rivales fuertes (percentil 93). Y lo crucial: jugó en sistemas estructurados que potenciaron sus fortalezas.

Mi modelo le asignó una puntuación +3% más alta que lo esperado por adaptabilidad al sistema—a métrica que rara vez cuantifican los scouts.

Mientras tanto, Brandon Ingram rondaba el #5, pero mi modelo logístico le otorgó mayor potencial por capacidad anotadora bajo presión (un proxy para desempeño clave).

Los datos no mienten—pero las narrativas sí

Este artículo no trata de demostrar que Ford estaba equivocado. Se trata de mostrar cómo los datos revelan lo que las historias ocultan. Incluso los mejores scouts caen ante narrativas—el chico imparable con dunks virales. Pero el verdadero talento no se define por un solo dunk; se define por consistencia bajo caos. En realidad:

• Solo ⁴⁄₃₆ jugadores entre los primeros cinco fueron All-Stars antes de los 25 años.
• Pero todos esos cuatro tuvieron ratios asistencias-perdidas superiores al promedio Y win shares defensivos > +0,4 en su temporada rookie. Esto me dice: los datos no mienten—they whisper cuando escuchas bien suficiente.

Reflexión final: Confía en modelos como si tu carrera dependiera de ello (porque depende)

El próximo día que veas una lista mock prediciendo una estrella instantánea… verifica primero la matemática. La verdad no siempre es ruidosa—solo necesita mejor procesamiento de señales.