Un partido “data-driven”

Cada vez más clubes y equipos utilizan tecnología Big Data y "data-driven" para mejorar el rendimiento de los jugadores.

Un partido de fútbol consiste en 90 minutos de juego, dos equipos de 11 jugadores y, con suerte (desde la perspectiva del aficionado), unos cuantos goles. En las últimas temporadas, cada vez un mayor número de clubes están empezando a sacar provecho de los millones de datos y registros que se generan en cada encuentro.

Otros deportes, como el baseball y el fútbol americano, llevan muchos años usando datos. Hoy en día, también el fútbol se suma a la tendencia “data-driven”. En este post, veremos cómo los equipos sacan partido a los datos desde que abre el mercado de verano hasta el final de la temporada.

Traspasos “Data-Driven”

Para los aficionados, uno de los días más emocionantes de la temporada es el cierre del mercado de fichajes. Aunque siempre puede haber cambios de última hora, la mayoría de los fichajes son resultado de meses de trabajo de los ojeadores. Tradicionalmente, se asigna un ojeador a un jugador, que observa su juego, y hace un informe sobre su rendimiento que posteriormente envía al club. Esta es la forma de trabajar en la mayoría de los equipos.

Sin embargo, hoy en día, la búsqueda de nuevos fichajes basada en datos está ganando terreno. Por ejemplo, el Arsenal pagó más de 2 millones de libras a la empresa estadounidense StatDNA, y desde entonces basa sus fichajes en estos datos.

El mejor ejemplo de esta tendencia es, probablemente, Matthew Benham, el propietario del club London’s Brentford y del club danés Midtjylland. Benham se hizo millonario apostando en partidos de fútbol. Basaba sus apuestas en una aproximación analítica y decidió aplicar la misma idea a la dirección de un club. Los datos recogidos sobre los jugadores se usan para construir una base de datos dentro de la cual el entrenador puede buscar qué jugador encaja mejor con el estilo de juego del equipo.

Brentford fichó de esta forma a Andre Gray y a Scott Hogan, y ambos fichajes resultaron muy exitosos. Este éxito demuestra que con una estrategia basada en datos se pueden conseguir importantes beneficios económicos. Además, no se dio mucho bombo a los fichajes, con lo cual, se podría decir que se realizaron de una forma mucho más racional.

El coste de los fichajes suele ser un gran obstáculo en las negociaciones, ya que los distintos interesados no se ponen de acuerdo sobre lo que cada uno quiere percibir. Un informe del International Journal of Computer Science in Sport revela cómo se puede usar Big Data para analizar las fichas de los principales jugadores europeos. Los científicos de datos calcularon estas cantidades basándose en 55 métricas distintas (desde los goles marcados, a las faltas cometidas y el control del balón), y los compararon con las fichas del año anterior para ver qué jugadores estaban sobrevalorados o infravalorados. Este método se podría aplicar a cualquier industria donde se pueden identificar atributos medibles que permitan determinar salarios más ajustados al rendimiento real.

Entrenar con tecnologías vestibles (“wearable technologies”)

El TSG 1899 Hoffenheim juega en la Bundesliga alemana desde 2008 y, desde entonces, la ciencia de datos de su partner SAP es un componente vital en sus sesiones de entrenamiento. Los jugadores usan tecnologías vestibles y los balones están dotados de sensores que ofrecen estadísticas de rendimiento en tiempo real. Información como la distancia cubierta en el terreno de juego, los pases realizados, entradas y mucho más. Esta información ayuda a los entrenadores a decidir quién se ha ganado el derecho a formar parte del once inicial del próximo partido.

El gran potencial del Big Data radica en el enorme volumen de datos que puede analizar. “En sólo 10 minutos, 16 jugadores con 6 balones pueden generar casi 13 millones de registros”, según Bernhard Peters, director deportivo de los Juveniles del Hoffenheim. Los datos recopilados durante las sesiones de entrenamiento también pueden prevenir lesiones (a través de métricas como, por ejemplo, detalles sobre los niveles de estrés), lo que contribuye a mejorar las posibilidades de que el equipo tenga una buena temporada. Una de las claves de un equipo “data-driven” es inculcar las metodologías basadas en datos a todos los niveles, desde los juveniles al primer equipo, como ocurre en el Hoffenheim.

Enfoques tácticos en tiempo real

Los insights obtenidos de los datos de entrenamiento se pueden usar, junto con estadísticas de partidos anteriores, para tomar decisiones tácticas antes y durante el partido. Muchos clubes trabajan no sólo con los datos de sus partidos anteriores, sino también con los rendimientos de sus futuros contrincantes. Las soluciones Big Data también son muy potentes durante el propio partido. Los entrenadores pueden recibir informes en el descanso gracias al análisis en tiempo real.

Otra de las ventajas que tiene para un club el hecho de convertirse en club “data driven” es que los algoritmos pueden sacar a la luz insights que probablemente pasarían desapercibidos para profesionales de la estadística. Muchos aficionados del FC MIdjylland opinan que una de las razones clave por las que el club consiguió ganar su primer título de campeón de liga en 2015 fue la entrada de Matthew Benham.

El análisis de los datos de temporadas anteriores reveló que uno de los puntos fuertes del equipo eran las jugadas ensayadas. Este insight se usó para centrar el juego en esta fortaleza del equipo. En aquella temporada de éxitos, “The Wolves” marcaron casi la mitad de los goles con este tipo de jugadas.

El futuro

Vistos los casos de éxito de clubes de fútbol que usan estrategias basadas en datos, es posible que cada día se sumen más. Podemos decir que la cuestión ha pasado de ser “¿Cómo puede un equipo de fútbol basar su estrategia en datos? a ¿Cómo puede un equipo de fútbol no basarse en datos? En LUCA, la Unidad de Datos de Telefónica, creemos que el Big Data será cada día más importante para los deportes de equipo.

Si quieres saber más sobre este tema, no te pierdas este post sobre cómo usó los datos el equipo Movistar Team en la última Vuelta a España.

Traducción del artículo original de Will Airey (en inglés).

Sobre el autor

RELACIONADOS