En la actualidad, el Big Data está en boca de todos. Además de los beneficios que puede suponer su implementación en empresas, se puede aplicar a otros muchos ámbitos. No es la primera vez que hablamos de alguna de sus aplicaciones en este blog –aquí os dejo este post de mi compañera María García–, pero, en este caso, no hablaremos de salud, sino de fútbol.
¿Es posible convertir a un equipo modesto en campeón de liga con ayuda de los datos? Y, por otro lado, ¿se encontrará al próximo Messi a través del Big Data?
Por Big Data entendemos el almacenamiento de gran volumen de datos y, sobre todo, los procedimientos usados a la hora de convertir los datos en información que facilite la toma de decisiones. En el mundo del fútbol todo esto puede aplicarse en diferentes factores:
- Rendimiento individual de los futbolistas
- Mercado de fichajes
- Análisis de juego
Este último factor es, sin duda, el que menos desarrollado está hoy en día en el fútbol. Quizás, muchos entrenadores se fían más de sus sensaciones o de su criterio personal que de los números. Por supuesto existen situaciones impredecibles: ¿es posible predecir a un jugador como Messi? La respuesta es “no”; pero sí se puede saber hacia qué lado regatea más o en qué situaciones tira a un lado o a otro.
De esta forma, analizando al equipo en conjunto, se pueden obtener datos de efectividad según la zona del campo por la que se ataque o el modo de juego empleado. Un único partido supone entre 10.000 y 12.000 líneas de código, la clave es conseguir filtrar lo relevante. Si cruzamos estos datos con los del equipo rival, podemos tener una idea de por dónde atacar para crear más peligro (llegando incluso a predecir la cantidad de duelos ganados de un jugador con respecto a otro), en qué zonas hay más probabilidad de ganar los duelos aéreos o dónde presionar al equipo rival para tener más opciones de robar el balón.
¿Cómo utilizar los datos para ganar un partido?
Existe un aspecto del juego en el que el uso de datos está muy extendido desde hace años y hay constancia de casos en los que ha tenido gran relevancia. Estamos hablando del estudio de los penaltis basados en datos. A la hora de preparar una gran cita, como puede ser un Mundial, todos los equipos tienen una base de datos con los posibles tiradores y estadísticas de sus lanzamientos.
En España, todos los amantes del fútbol recordamos los cuartos de final del mundial de Sudáfrica ante Paraguay. Iker Casillas siempre ha defendido que no es muy amigo de los datos, sino que se basa más en su intuición personal. Sin embargo, Pepe Reina había hecho los deberes ese día y sabía hacia dónde solía tirar Cardozo los penaltis en los momentos de tensión. Hay que añadir que, además, esa temporada ambos jugadores se habían cruzado en dos encuentros en Champions League y Cardozo le había lanzado dos penaltis a Reina por el mismo lado. Gracias a ambas cosas, en aquellos cuartos de final Reina aconsejó a Casillas tirarse hacia su izquierda y el resultado todos lo conocemos.
Tal y como dice Ted Knutson, co-fundador de StatsBomb: “La cantidad de dinero invertida en fichajes es bestial, por lo que adelantarse a un mal fichaje y pararlo, pagará al equipo de análisis durante años”.
En este apartado, son muchos los clubes que contratan empresas especializadas con el fin de conseguir asesoramiento a la hora de acometer un fichaje.
Salvador Carmona, analista de Origami Sports, maneja una base de datos con 12.500 jugadores de las principales ligas del mundo y hace poco, contaba uno de los casos que mejor explica cómo se puede utilizar el Big Data a la hora de buscar sustituto a un jugador.
Hace dos años, Nolito, por aquel entonces jugador del Celta de Vigo, fue pretendido por el Barcelona en el mercado de invierno. Esto hizo que el conjunto vigués buscase un sustituto ante su más que posible salida. La mejor alternativa que llegó a las oficinas del club fue la de Sofiane Boufal, en ese momento un joven desconocido del Lille francés. Según los datos que tenían, los dos jugadores poseían unas características similares y fijaron el precio de su incorporación en unos cuatro millones de euros. Finalmente, Nolito no llegó a marcharse en ese mercado de invierno y Bouffal terminó en el siguiente mercado de fichajes en el Southampton por 19 millones de euros.
¿Cómo se llegó a la conclusión de que Bouffal era la mejor alternativa para sustituir a Nolito? Sencillo. Se miden parámetros descriptivos del jugador (como pueden ser goles, asistencias, robos, etc.), se establecen modelos predictivos y, por último, se comparan los datos del jugador con otros similares.
Lógicamente, no todo es predecible, por lo que no siempre se obtienen los resultados esperados. Existen factores que no pueden transformarse en números y que alteran el rendimiento de cualquier futbolista.
Por último, existe otra aplicación del Big Data en el mundo del fútbol que es, probablemente, la más utilizada hoy en día en las grandes ligas. Se basa en medir el rendimiento individual de los futbolistas con el objetivo de saber cuándo existe riesgo de lesión o cuándo se encuentran en su mejor momento.
El mejor ejemplo posible es el Leicester City FC, equipo modesto que logró el ascenso a la Premier League inglesa en la temporada 2013-2014 y que, tan solo dos años después, se proclamaba campeón de Liga.
¿Cómo contribuyó el Big Data a esta hazaña histórica? Por aquel entonces, el club ya llevaba 10 temporadas utilizando este tipo de datos para mejorar el rendimiento de sus futbolistas. Aquella temporada, el Leicester City fue el equipo con menos lesiones y su entrenador repitió la misma alineación hasta 12 veces a lo largo de la temporada. Solamente utilizó 23 jugadores durante la temporada, 10 menos que el Manchester United.
El buen uso de los datos fue clave a la hora de mantener la forma de los jugadores y evaluar el riesgo de lesión que existía en cada momento.
Conclusión
El mundo del fútbol es impredecible y lo seguirá siendo. Seguirán existiendo fallos clamorosos de los delanteros, remontadas épicas, goles en el último minuto o errores garrafales de los porteros. Lo que también está claro, es que el buen uso de los datos puede reducir riesgos y ayudar en la toma de decisiones.
El Big Data lleva tiempo en los estadios y parece que está ahí para quedarse. ¿Qué te parece su uso?
