El fútbol es un negocio en el que cada día los datos están tomando más y más protagonismo. Ya sea en los partidos o entrenamientos, todos los días se genera una cantidad ingente. Los equipos que sepan encontrar valor en ellos obtendrán una ventaja competitiva, pues podrán mejorar a nivel táctico, físico y económicamente.
Vamos a empezar diferenciando los tipos de datos que se pueden obtener de un partido o entrenamiento de fútbol.
- Datos de eventing: son los datos que ocurren con el balón y lo que le rodea, como por ejemplo el número de pases, los goles o las faltas. También se detallan sus características, como el jugador protagonista, la parte del cuerpo con la realiza la acción o el minuto en el que ocurre. Se llegan a registrar hasta 3500 eventos por partido.
- Datos de tracking: también se registran las coordenadas de todos los jugadores y el balón en el campo, varias veces por segundo. Gracias a la inteligencia artificial se puede incluso analizar en cada momento la orientación corporal del jugador.
Imagen de la plataforma Wyscout
Viendo la cantidad de información que podemos obtener de cada partido, a través de la ciencia de datos podemos tratar de buscar una ventaja de diferentes maneras:
- Buscar similitud entre jugadores para ayudar y ahorrar tiempo en la búsqueda de nuevos fichajes.
- Analizar el estilo de juego de los equipos y la similitud entre ellos.
Fuente: https://one-versus-one.com/en/teams/real-madrid-vs-chelsea
- Utilizar modelos predictivos para intentar prevenir lesiones.
Fuente: https://www.football-ism.com/es/how-to-prevent-injuries-in-professional-football-big-data-analytics/
- Analizar más a fondo situaciones del partido gracias a los datos de tracking.
Fuente: https://statsbomb.com/what-we-do/hub/free-data/
- Utilizar la teoría de grafos para visualizar redes de pase.
Fuente: https://data-kicks.com/index.php/2021/07/04/visualizacion-creando-redes-de-pase-con-ggplot2/
- Crear nuevas métricas avanzadas como las xG, xT, VAEP u OBV a través de modelos de Machine Learning.
Fuente: https://data-kicks.com/index.php/2021/05/02/visualizacion-xg-vs-goles/
Esto son sólo algunos ejemplos de aplicaciones que se dan en el mundo del fútbol. Cada día son más los equipos que crean sus propios departamentos de ciencia de datos, por lo que si estás interesado en este deporte, formarte en este ámbito puede abrirte nuevos horizontes.
Si lo deseas, puedes consultar mi TFM del Máster en Machine Learning con R Software de Máxima Formación.
Y aquí te dejo algunos enlaces interesantes para comenzar a analizar datos de fútbol.
-
Proveedores de datos gratuitos: FBRef: https://fbref.com/es/ y Understat: https://understat.com/
-
Webs y blogs:
El canal de youtube Planeta Data Fútbol: https://www.youtube.com/channel/UCpIqAVOpOWt-8Sk4KvosxFg Blogs de proveedores de pago donde explican métricas o tutoriales para utilizar R o Python con sus datos: The Analyst: https://theanalyst.com/eu/ y Statsbomb blog: https://statsbomb.com/what-we-do/hub/free-data/ Web con la recopilación de R y Python para el análisis de datos de deportes: PySport Open Source: https://opensource.pysport.org/#
No te pierdas nuestros cursos en Python:
- Curso de Regresión Lineal con Python
- Curso de introducción a Python para la Ciencia de Datos
- Curso de Árboles de Decisión con Python
Espero que este post te motive a comenzar con tus propios análisis de datos deportivos. Si quieres conocer más sobre modelos de Machine Learning que puedes aplicar visita el Máster de Machine Learning con R.
Artículo escrito por Oscar Bartolomé
