logo pontia data

El Big data en el Fútbol en 2023 : 5 métricas que utilizan los analistas.

el-big-data-en-el-futbol

El Big Data en el fútbol ha revolucionado la forma en que los analistas evalúan el rendimiento de los equipos y los jugadores. Con la cantidad masiva de datos generados durante cada partido y sesión de entrenamiento, los analistas utilizan métricas específicas para obtener información valiosa sobre el juego. Estas métricas permiten a los equipos comprender mejor aspectos clave del fútbol y tomar decisiones estratégicas basadas en datos sólidos.

Es por ello que en el fútbol profesional, se recopilan cantidades cada vez mayores de datos, para poder desarrollar a través de la Inteligencia Artificial y el machine learning, modelos predictivos para la toma de decisiones técnico-tácticas.

En los equipos profesionales es un elemento más, se considera una herramienta transversal a cualquier sector del club, como lo es el entrenador, el médico, el preparador físico, el fisioterapeuta o el nutricionista. Permite perfeccionar los conocimientos futbolísticos e intentar reducir el riesgo de lesión.

Antes de empezar a leer te invitamos a descargar nuestro glosario data, dónde podrás aprender numerosos términos relacionados con todo el mundo del data analytics y data science. Si eres alguien que siente curiosidad por este sector y quieres adentrarte en él ¡A qué esperas para hacerlo! Es totalmente gratis.

¿Es el Big Data el nuevo santo Grial?

Las posibilidades son infinitas, existen datos de todo. Gracias al sistema de Tracking (seguimiento), la Liga de Fútbol Profesional proporciona a los clubes después de cada partido un fichero Excel de 250 000 filas y 151 columnas, lo que genera más de 8 millones de datos. Si tuviéramos que imprimir este en informe, serían unos 120 000 kilómetros de papel.

La obtención de datos se realiza a través de un sistema de 8 cámaras situadas en todos los campos de los equipos profesionales, almacenando 25 datos por segundo, por cada integrante que hay en el terreno de juego, es decir, los jugadores, el balón y los árbitros. Luego estos datos esta facilitados por herramientas como MediaCouch, Wyscout, InStat u Opta Sports.

En resumen, los equipos tienen más información que nunca, pueden estudiar los rivales, sus propios jugadores o el comportamiento del balón. El hecho de prepararse más los partidos, un equipo pequeño puede ganar un equipo grande. Como decía Jose Luis Felipe “se acabaron las ligas de los 100 puntos”, el fútbol esta más igualado, varios equipos luchan por la liga.

En este océano de datos no está contemplado los datos diarios que recogen los equipos durante los entrenamientos. ¿Pero realmente que se mide en el día día de un jugador de fútbol?

Aspectos más relevantes del Big Data en el fútbol

Datos físicos: Estos datos hacen referencia al rendimiento físico del jugador, se utilizan para mejorar sus aptitudes y prevenir el riesgo de lesión.

Ejemplos: Acciones repetidas alta intensidad, numero de aceleraciones/desaceleraciones, distancia alta intensidad (>21km/h)…

Técnico-táctico: Se trata de intentar descifrar que están haciendo los rivales para poder anticiparme a sus necesidades y cómo van a plantear el partido. Analizando el comportamiento táctico de los equipos y las habilidades técnicas de los jugadores.

Ejemplos tácticos: formación, espacios ocupados, distancias en las líneas (defensa-medio-delantero), polígonos entre los jugadores, es decir, como se asocian entre ellos a la hora de darse pases.

Ejemplos técnicos: tiros, pases, duelos ganados o perdidos, balones robados, etc.

Como hemos mencionado anteriormente se pueden sacar datos de todos los ámbitos, otra función del Biga Data es el Scouting, para el fichaje de jugadores.

Hablando de los jugadores, hasta ellos se aprovechan de esta nueva tecnología, como fue el caso de Kevin De Bruyne, jugador del Manchester City, que “exigió su renovación en torno al Big Data”. Y así fue, se basaron en sus estadísticas para renegociar sus condiciones, siendo actualmente el jugador mejor pagado de la Premier League.

estadísticas-powered-by-microsoft

Más y más datos

Como hemos visto anteriormente un partido de futbol genera unos 8 millones de datos, sin hablar de los días de entrenamiento. Durante la semana también se monitorean los jugadores para recoger información a nivel táctico y de su rendimiento físico.

A través de la tecnología GPS se generan millones de datos cada día para entender mejor la carga de entrenamiento e intentar prevenir el riesgo de lesión. Sin olvidar, las variables asociadas a la fatiga, al estrés, la ansiedad, el sueño, al dolor muscular, la nutrición…Todas estas variables entran también en el análisis de datos para comprender el futbolista en su conjunto, son humanos, rinden con sus días buenos y sus días malos. Si un jugador acaba de ser padre, puede que no descanse de manera adecuada o que este estresado, todo esto se repercute en su rendimiento y por lo tanto en la probabilidad de padecer lesiones.

En el caso de la NBA, los investigadores de la Stony Brook University, analizaron más de 580 000 tuits de 112 jugadores, y los cruzaron con estadísticas de los partidos. El resultado fue increíble, demostraron que los jugadores que utilizaron Twitter durante la noche anterior al partido tenían un rendimiento inferior, anotaron de media 1,14 puntos menos. Si multiplicamos esta estadística por los 12 jugadores empleados en un partido de baloncesto, la diferencia podría estar entre ganar o perder.

Sin embargo, esto conduce al problema opuesto, donde la gran cantidad de datos se convierte en un obstáculo en sí mismo, es importante saber interpretar y tomar decisiones adecuadas con objetivos concretos. Un entrenador no puede esperar varios días que le genere el informe el analista de datos, habrá que prepararse para el partido siguiente lo antes posible.

¿Quién es el analista de datos en el fútbol?

Es un miembro más del equipo, su papel consiste en elegir las métricas, sabiendo cuales son realmente significativas, para generar un informe y comunicárselo al cuerpo técnico. La toma de decisión es multifactorial pero el analista tiene interpretar y sintetizar la información para enseñar un informe en un mundo muy reticente a este tipo de tecnología. Las herramientas comunes de análisis de datos y lenguaje estadísticos como pueden ser MySQL, Tableau, Microsoft Power BI…

Es una profesión nueva, en un mercado nuevo, muy pocos equipos profesionales tienen un departamento de Big Data, aquí podría estar tu futuro profesional.

5 métricas de un analista de datos de fútbol.

Los analistas de datos de fútbol utilizan una amplia variedad de métricas para evaluar el rendimiento de los equipos y los jugadores. Aquí hay cinco métricas comunes utilizadas en el análisis de datos de fútbol, junto con sus explicaciones:

  1. Posesión de balón: Esta métrica mide el porcentaje de tiempo que un equipo tiene el control del balón durante un partido. Proporciona una idea de la capacidad de un equipo para mantener la posesión y dictar el ritmo del juego. Una posesión de balón alta puede indicar un estilo de juego más paciente y controlado.
  2. Eficiencia de pases: Esta métrica evalúa la precisión y efectividad de los pases de un jugador o equipo. Mide el porcentaje de pases completados con éxito en relación con el total de intentos de pases. Una alta eficiencia de pases sugiere una habilidad para mantener la posesión y construir jugadas ofensivas.
  3. Tasa de remates a gol: Esta métrica indica la proporción de remates realizados por un equipo que terminan en un gol. Es un indicador de la efectividad de un equipo en la finalización de las oportunidades de gol que crea. Una alta tasa de remates a gol refleja una capacidad de finalización eficiente y clara.
  4. xG (Expected Goals): El xG es una métrica estadística que estima la probabilidad de que un disparo resulte en un gol. Se calcula utilizando una combinación de variables como la ubicación del disparo, el ángulo de tiro, la distancia al arco, entre otros factores. El xG proporciona una evaluación más objetiva de la calidad de las oportunidades de gol creadas por un equipo.
  5. Tasa de recuperación de balones: Esta métrica mide la cantidad de veces que un jugador o equipo recupera el balón en comparación con la cantidad total de balones disputados. Es un indicador de la presión y capacidad defensiva de un equipo. Una alta tasa de recuperación de balones refleja una buena capacidad para interceptar y recuperar la posesión del balón.
probabilidad-remate-gol

Estas métricas son solo ejemplos y hay muchas otras que se utilizan en el análisis de datos de fútbol. Cada una de ellas proporciona información valiosa para evaluar el rendimiento y tomar decisiones estratégicas tanto a nivel individual como colectivo.

En Pontia.tech disponemos de nuestro propio programa en el que puedes aprender todo sobre el análisis de datos y la ciencia de datos a través de nuestros másteres en Data Analytics y Data Science para convertirte en uno de los perfiles más demandados en el sector IT. Puedes consultar información ¡Sin ningún tipo de compromiso!

También te animamos a descargar nuestro glosario data, un recurso en formato pdf dónde aprenderás multitud de términos relacionados con el análisis de datos. ¡Es totalmente gratis y te permitirá conocer +50 términos esenciales en el mundo de la data!

Si quieres estar al tanto de todas la información y novedades que vayamos escribiendo sobre estos programas de análisis de datos, y sobre el mundo de los datos y la tecnología en general, te invitamos a seguir el blog de Pontia y suscribirte a nuestra newsletter.

logo de pontia data
Hola, ¿Tienes preguntas?