DataPeloton

👩🏼‍🎓En formación. Visualizando el deporte con datos👩🏼‍💻

[DataPeloton @DataPeloton]

Incluye también un apartado de carreras recientes para seguir cuantos puntos van acumulando los diferentes equipos. #LaVueltaFemenina
#GirodItalia

[DataPeloton @DataPeloton]

Después de bastante tiempo trabajando en ello, por fin publicó primera versión pública de DataPeloton 🚴‍♂️📊

Una web donde quiero transformar los datos del ciclismo en algo visual, interactivo y fácil de explorar.

https://t.co/GbHKkZBpgL

🧵👇🏻

[DataPeloton @DataPeloton]

Los datos se actualizan automáticamente cada mañana (hora España).

Todavía en fase de pruebas así que estoy abierta a feedback y sugerencias 💡

[DataPeloton @DataPeloton]

La idea del análisis era explorar los datos disponibles.

📈 Como han rendido los equipos
👥 Como se distribuye la fuerza dentro de los bloques
🚴🏻‍♀️ Equipos a priori más equilibrados para una TTT

[DataPeloton @DataPeloton]

📊 Aprovechando la TTT de la #ParisNice, he hecho alguna visualización para ver cómo llegan los equipos.

No es un modelo ni una simulación. Son visualización basadas en resultados históricos y rendimientos individuales en ITTs.

Abro hilo 🧵

[DataPeloton @DataPeloton]

Por último, este heatmap, muestra el puesto medio de TTT por equipo y temporada.

Sirve para ver rápidamente:
• Consistencia
• Picos de rendimiento
• Temporadas más flojas

#ParisNice

[DataPeloton @DataPeloton]

El modelo tuvo bastante error en la velocidad exacta (y tampoco acertó el ranking) pero el resultado real entra dentro del rango estimado (54.94 ± 2km/h).

1️⃣ El corredor mejor valorado por el modelo era Ganna
2️⃣ Fue el único que superó la velocidad estimada.

#TirrenoAdriatico

[DataPeloton @DataPeloton]

🚴👩🏻‍💻He intentado modelar la crono de #TirrenoAdriatico usando datos de ITTs entre 2019-2016

No es una predicción perfecta (ni puede serlo), pero es un ejemplo de que se puede modelar con datos históricos y qué no. 🧵

[DataPeloton @DataPeloton]

Aun así, el ranking no es completamente absurdo viendo el historial de cronos de estos corredores.

Pero el ejercicio sirve para demostrar algo importante:

👉🏻El mayor límite de estos modelos no suele ser el algoritmo, si no los datos disponibles 🧠

#TirrenoAdriatico

[DataPeloton @DataPeloton]

🚴👩🏻‍💻He intentado modelar la crono de #TirrenoAdriatico usando datos de ITTs entre 2019-2016

No es una predicción perfecta (ni puede serlo), pero es un ejemplo de que se puede modelar con datos históricos y qué no. 🧵

[DataPeloton @DataPeloton]

Ejemplo claro: Van der Poel 🚴

Tiene cronos de nivel top… y otras donde sale a guardar y no va al 100%.

🚨El modelo solo ve números, no el contexto.

[DataPeloton @DataPeloton]

Una alerta < 0.1 % no equivale a dopaje.

Significa que el cambio es estadísticamente anómalo y requiere revisión médica.

Otros módulos (como el esteroideo) usan umbrales distintos, pero la lógica es la misma:🕵️‍♂️ detectar incoherencias que luego los expertos deben explicar.

[DataPeloton @DataPeloton]

Se está hablando estos días del Pasaporte Biológico. Una de las herramientas más importantes contra la lucha del dopaje.

Pero, ¿que hay detrás de esta herramienta?

Muy ‘fácil’ ➡️ Estadística pura

[DataPeloton @DataPeloton]

Si un nuevo valor de OFF-score tiene una probabilidad < 0.1 % de encajar con el patrón histórico del atleta, el sistema lo marca como “atípico” 🚨

Ese umbral (p < 0.001) es el usado por la WADA en el módulo hematológico: probabilidad de 1 entre 1000 de que el valor encaje.