La ciencia y la Copa del Mundo: cómo el big data está transformando el fútbol

A medida que comienza el torneo de la FIFA, los investigadores muestran sus habilidades para ayudar a los entrenadores de fútbol a desarrollar jugadores y tácticas.

El ceño fruncido en el rostro de Cristiano Ronaldo fue noticia internacional el mes pasado cuando la superestrella portuguesa fue retirada de un partido entre Manchester United y Newcastle con 18 minutos para el final. Pero no está solo en su sentimiento. Pocos futbolistas están de acuerdo con la decisión de un entrenador de sustituirlos por un nuevo reemplazo.

Durante el próximo torneo de la Copa Mundial de fútbol en Qatar, los jugadores tendrán una forma más basada en la evidencia de discutir por el tiempo en el campo. Minutos después del pitido final, los organizadores del torneo enviarán a cada jugador un desglose detallado de su desempeño. Los delanteros podrán mostrar con qué frecuencia corrieron y fueron ignorados. Los defensores tendrán datos sobre cuánto molestaron y acosaron al equipo contrario cuando tenía la posesión.

Es la última incursión de los números en el hermoso juego. El análisis de datos ahora ayuda a dirigir todo, desde las transferencias de jugadores y la intensidad del entrenamiento, hasta los oponentes y recomendar la mejor dirección para patear el balón en cualquier punto del campo.

Mientras tanto, los futbolistas se enfrentan al tipo de escrutinio de datos más asociado con un astronauta. Los chalecos y correas portátiles ahora pueden detectar el movimiento, rastrear la posición con GPS y contar la cantidad de disparos realizados con cada pie. Las cámaras en múltiples ángulos capturan todo, desde los cabezazos ganados hasta el tiempo que los jugadores mantienen el balón. Y para dar sentido a esta información, la mayoría de los equipos de fútbol de élite ahora emplean analistas de datos, incluidos matemáticos, científicos de datos y físicos extraídos de las principales empresas y laboratorios como el gigante informático Microsoft y el CERN, el laboratorio de física de partículas de Europa cerca de Ginebra, Suiza.

A cambio, las ideas de los analistas están alterando la forma en que se juega el juego: los delanteros disparan con menos frecuencia desde la distancia, los extremos pasan a un compañero de equipo en lugar de cruzar el balón y los entrenadores se obsesionan con ganar la posesión en la parte alta del campo: cambios tácticos respaldados con duro evidencia para apoyar la intuición de un entrenador.

“Los grandes datos han dado paso a una nueva era del fútbol”, dice Daniel Memmert, científico deportivo de la Universidad Alemana del Deporte de Colonia. “Ha cambiado la filosofía y el comportamiento de los equipos, cómo analizan a los oponentes y cómo desarrollan el talento y buscan jugadores”.

Cubriendo todas las bases

Uno de los casos más conocidos de cómo los datos están cambiando los deportes viene de un juego diferente. En su libro Moneyball de 2003 , Michael Lewis detalló cómo el gerente de los Atléticos de Oakland, Billy Beane, se basó en las estadísticas de los jugadores para crear un equipo de béisbol ganador con un presupuesto reducido en 2002. Beane reclutó a los jugadores sobre la base de datos detallados sobre su desempeño, incluidas mediciones previamente infravaloradas. , como la frecuencia con la que un bateador llegó a la base.

Beane tenía ventaja sobre los que intentaban repetir el truco en el fútbol. “El fútbol es mucho más complejo que el béisbol”, dice Memmert. El béisbol es un juego natural de paradas y arranques en el que solo un equipo a la vez está tratando de anotar, y las estadísticas del béisbol se recopilaron de forma rutinaria y se estudiaron a gran escala durante décadas. Por el contrario, el fútbol es un juego de «invasión» fluido y de bajo puntaje (uno en el que el territorio se gana y se entrega regularmente), y es mucho más difícil registrar quién hace qué y cómo afecta el resultado. Durante décadas, los estadísticos del fútbol tendieron a centrarse en los goles marcados y encajados, y en encontrar una manera de modelarlos para hacer predicciones.

Hoy en día todavía se utilizan variantes de este método para predecir los resultados de los partidos. Un modelo matemático que supone que los goles marcados y concedidos se distribuyen en torno a un valor medio, desarrollado por epidemiólogos de la Universidad de Oxford, Reino Unido, predijo correctamente que Italia vencería a Inglaterra en el torneo internacional Euro 2020. También llamó correctamente a seis de los ocho cuartofinalistas 1 .

Tal éxito no es inusual. Las predicciones estadísticas de partidos son más precisas de lo que mucha gente cree, dice Matthew Penn, estudiante de doctorado en Oxford, quien desarrolló el modelo Euro 2020.

“Quieres darle a cada equipo una fuerza ofensiva y defensiva, y eso lo calculas a partir del número total de goles que cada equipo ha marcado y la dificultad relativa de sus oponentes”, dice. “Terminas con este gran conjunto de ecuaciones para resolver estos dos conjuntos de fortalezas, y luego se vuelve bastante fácil predecir cada coincidencia”. Para la próxima Copa del Mundo de Qatar, el modelo de Penn sugiere que Bélgica (con un precio generoso de 14/1 según Nature fue a la imprenta) tiene las mayores posibilidades de levantar el famoso trofeo, seguido de Brasil).

¿Quién ganará la Copa del Mundo?

Un modelo estadístico de ‘doble Poisson’ que considera las fortalezas de ataque y defensa de cada equipo masculino clasifica a Bélgica como la que tiene las mayores probabilidades de ganar la Copa del Mundo, mientras que Brasil encabeza la clasificación de la FIFA.

Ranking de modelos	Probabilidad de ganar (%)	Posición en el ranking de la FIFA
1. Bélgica	13.88	1. Brasil
2. Brasil	13.51	2. Bélgica
3. Francia	12.11	3.Argentina
4.Argentina	11.52	4. Francia
5. Países Bajos	9.65	5. Inglaterra
6. Alemania	7.24	6. Italia†
7. España	6.37	7. España
8. Suiza	5.29	8. Países Bajos
9.Portugal	3.78	9.Portugal
10.Uruguay	3.36	10. Dinamarca
11. Dinamarca	3.17	11. Alemania
12. Inglaterra	2.56	12. Croacia
13. Polonia*	2.33	13. México
14. Croacia	1.46	14.Uruguay
15. México	0,67	15. Suiza

Tono perfecto

Lo que es más interesante para los entrenadores es la información sobre los eventos en el campo y cómo los jugadores influyeron en ellos.

Los analistas de fútbol llevan mucho tiempo registrando este tipo de información. Con mayor éxito, un ex contador de la Royal Air Force llamado Charles Reep pasó gran parte de la década de 1950 viendo partidos en Inglaterra e hizo observaciones básicas de factores como posiciones de lanzamiento y secuencias de pases. Reep incluso usó sus datos para analizar el desempeño del equipo y sugerir estrategias y tácticas. En el Wolverhampton Wanderers Football Club (FC), ayudó a introducir un estilo de juego directo e incisivo que desaprobaba los pases laterales y ganó tres campeonatos de liga en cinco años.

La tecnología moderna hace que estos datos sean mucho más fáciles de obtener y analizar, por lo que la mayoría de los mejores clubes y muchos equipos nacionales comenzaron a emplear analistas de datos hace más de una década. Y su uso se extiende profundamente en la pirámide del fútbol. Además de estudiar para su doctorado, Penn trabaja como analista de datos a tiempo parcial para Oxford City, un club semiprofesional que juega en la Liga Nacional Sur, el sexto nivel del sistema inglés.

Muchos analistas atribuyen parte del éxito reciente del club londinense Brentford FC a un algoritmo interno que califica a los jugadores en diferentes ligas y ayuda al equipo a reclutar estrellas infravaloradas. El equipo de datos del Liverpool FC, que incluye físicos del CERN y de la Universidad de Cambridge, Reino Unido, ha creado un modelo que puede evaluar si las acciones de un jugador en el campo hacen más probable un gol. Y en asociación con los gigantes españoles FC Barcelona, ​​científicos deportivos de la Universidad de Lisboa, Portugal, publicaron el año pasado un análisis de cuánto duran las oportunidades para diferentes tipos de pases en un partido 2 .

“Creo que lo más útil que estamos haciendo [en Oxford City] son ​​los informes previos al partido”, dice Penn. “Observamos los atributos de los jugadores del otro equipo y luego producimos algunos gráficos para mostrar cómo están jugando y cómo se están moviendo a través de la posesión. Y luego sugeriré algunos consejos o cambios tácticos”. Antes de un partido reciente contra un equipo previamente invicto, el análisis de Penn identificó que el lateral izquierdo tenía malas estadísticas de cabeza. “Entonces, la sugerencia fue que nuestro gran delantero se ubicara en nuestro lado derecho del campo”, dice. Oxford ganó el juego.

Ese es también el tipo de conocimiento disponible a simple vista para un explorador experimentado. Pero, dice Penn, «los datos estarán menos sesgados que la opinión de alguien».

Los clubes no tienen que generar ellos mismos los datos sin procesar para este tipo de análisis táctico. En cambio, pueden comprar la información de compañías comerciales que codifican partidos filmados para registrar el resultado de unos 3000 eventos importantes en el juego, incluidos regates, pases y tacleadas. Al principio, estos datos se registraban manualmente, pero ahora se suele hacer mediante un tipo de inteligencia artificial (IA) llamada visión artificial. A menudo, estos datos vienen con estadísticas resumidas, como la tasa de finalización de pases de cada jugador.

Trabajando con Penn en la ciudad de Oxford, Joanna Marks, estudiante de matemáticas en la Universidad de Warwick, Reino Unido, desarrolló un modelo a principios de este año para usar esos datos sin procesar para evaluar la fuerza de pase de todos los jugadores en la liga de Oxford, el tipo de análisis detallado que no suele estar disponible en los datos brutos suministrados por las empresas.

“Hay que tener en cuenta qué tipo de pase intentan. No se puede simplemente tomar el índice de pases completos porque algunos pases son mucho más difíciles”, dice Marks. “El modelo ayuda a preparar al equipo, porque si sabes que un oponente está pasando muy bien desde algún área del campo, entonces sabes a lo que debes estar atento”.

Ravi Ramineni trabajó como analista de datos en Microsoft antes de transferirse en 2012 a un trabajo similar en su club local de la Major League Soccer (MLS) de EE. UU., los Seattle Sounders en Washington. Una de sus primeras tareas fue utilizar los datos del GPS sobre la distancia que corrían los jugadores, para optimizar sus sesiones de entrenamiento y preparación. “Al recopilar estos datos durante el entrenamiento, se puede decir que tal vez hoy el entrenamiento fue demasiado o muy poco. Haces eso para tratar de prevenir lesiones”.

¿Funcionó? “Tuvimos algunas temporadas realmente buenas cuando aplicamos los métodos. Pero no sé. Lo más difícil de cuantificar aquí es si no ocurre una lesión”.

La falta de certeza plantea un problema con todas las afirmaciones sobre el papel de los datos en el éxito deportivo: no hay un experimento de control para verificar la eficacia. Aún así, dice Ramineni, los entrenadores de Seattle estaban abiertos a sus análisis, tanto en el entrenamiento como más tarde al juzgar las fortalezas de los jugadores.

“Me dieron acceso a los entrenadores e incluso podía hablar directamente con los jugadores”, dice. “En otros clubes no es lo mismo. A veces, el entrenador ni siquiera interactúa con el encargado de los datos”.

Acción fuera de cámara

Los analistas ahora prestan cada vez más atención a lo que sucede cuando los jugadores no tienen el balón.

“Una cosa que escucharías en el análisis de fútbol todo el tiempo es que necesitamos saber qué hace el jugador fuera del balón”, dice Ramineni.

Eso es más difícil y costoso, porque requiere cámaras dedicadas que no solo sigan la acción principal, sino que también vigilen a los jugadores que no están directamente involucrados y etiqueten sus ubicaciones unas 25 veces por segundo. Las empresas que suministraban este tipo de datos tendían a firmar acuerdos exclusivos con las ligas nacionales, dice Ramineni, lo que dificultaba el acceso a personas ajenas.

“Si estuviera buscando a un jugador internacional de Sudamérica o Europa para la MLS, no conocería sus métricas fuera del balón”, dice.

En los últimos años, ha surgido una técnica más poderosa que aprovecha la IA para predecir los movimientos de los jugadores en los partidos filmados, incluso cuando no son capturados directamente por las cámaras. Esto significa que las empresas de datos pueden usar secuencias de transmisión de juegos (disponibles sin restricciones) para producir análisis integrales sobre y fuera del balón para jugadores en cualquier parte del mundo.

Uno de estos modelos predictivos ha sido desarrollado por una asociación entre investigadores de DeepMind, la empresa de inteligencia artificial propiedad de Google con sede en Londres, y el equipo de datos del Liverpool FC 3 .

“Con ese tipo de aplicación, puedes comenzar a hacer preguntas sobre tácticas o contrafactuales”, dice Ian Graham, director de investigación del Liverpool FC, quien dejó un posdoctorado en física de polímeros en la Universidad de Cambridge para comenzar a trabajar en estadísticas de fútbol.

“Para un incidente específico en el partido, el modelo puede producir miles de simulaciones diferentes sobre lo que podría haber sucedido en su lugar. Entonces, puedes comenzar a decir algo sobre qué tan bien funcionó un movimiento de ataque en ese período de juego”.

Animación que compara los movimientos reales de los jugadores durante un partido de fútbol con predicciones de movimientos fuera de cámara.
Una animación compara los movimientos reales de los jugadores durante un partido de fútbol (ataques, azul oscuro; defensores, rojo oscuro) con las predicciones de un modelo que pronostica las trayectorias de los jugadores fuera de cámara. El área sombreada en gris es el campo de visión (FOV) de la cámara de televisión, que sigue a la pelota (línea negra). Para los jugadores fuera del campo de visión, el modelo predice la posición de los atacantes (verde) y los defensores (naranja; las posiciones reales fuera de cámara están coloreadas en azul claro y rosa, respectivamente). Crédito: mente profunda

Los equipos de datos de los clubes no suelen compartir información sobre los detalles de lo que están haciendo o qué tan bien funciona, por lo que publicar este trabajo fue un paso incómodo para el Liverpool. Pero era una condición para trabajar con Deep Mind.

“Liverpool tiene uno de los departamentos de análisis más grandes y desarrollados del fútbol, ​​y no tenemos los recursos que necesitamos para construir estos modelos nosotros mismos”, dice Graham. Esto le asegura que ningún otro club puede hacerlo tampoco.

Al igual que otros analistas de datos, Graham es reacio a atribuirse el mérito directo del éxito en la cancha. “El fútbol es un juego de alta variación, por lo que los equipos a menudo pierden cuando no deberían perder y ganan cuando no deberían ganar”, dice. “En muchos sentidos, nuestro trabajo es más fácil cuando al equipo le va mal, porque nuestro análisis a menudo muestra que jugamos bien. Y si seguimos jugando así, esta temporada ganaremos la cantidad esperada de partidos”.

Karl Tuyls, científico informático de DeepMind, dice que el trabajo de modelado fuera de cámara es el primer paso hacia la creación de un asistente de entrenador virtual impulsado por IA que utiliza datos en tiempo real para guiar la toma de decisiones en el fútbol y otros deportes. “Puedes imaginar a la IA observando el rendimiento de la primera mitad y sugiriendo un cambio en la formación que podría funcionar mejor”, dice.

El enfoque también podría ser útil fuera de la cancha, para tareas como modelar las trayectorias de autos sin conductor y peatones en una calle concurrida de la ciudad, agrega Tuyls.

¿Que sigue? Como todos los buenos científicos, los expertos involucrados en datos de fútbol enfatizan que aún se necesita más investigación. Sarah Rudd, excientífica de datos de Microsoft que dejó el Arsenal FC el año pasado después de casi una década trabajando en análisis para el club londinense, codicia la gran cantidad de datos de telemetría producidos por un auto de carreras que ayuda a los equipos a ajustar y mejorar su rendimiento.

“Siempre observamos la Fórmula Uno y decimos que sería genial tener ese nivel de datos”, dice ella. “Todavía hay muchas cosas en el fútbol que no se están midiendo, o se están midiendo, pero no hemos descubierto cómo obtener información de ellas”.

El próximo avance podría ser información que muestre la orientación de los jugadores e incluso cómo cambian su peso. “Es posible que los datos de seguimiento todavía no tengan la granularidad que la gente quiere”, dice Rudd. “Todavía no estás recogiendo ese pequeño paso tartamudo o cambio de peso que hace un jugador para desequilibrar al defensor, o para darle un poco de pausa al portero”.

Incluso los análisis basados ​​en IA del Liverpool pueden verse engañados por un conocimiento incompleto de la posición de un jugador. “El modelo podría decir que este jugador hizo algo malo porque debería haber comenzado a correr en ese momento y no lo hizo”, dice Graham. “Pero eso podría deberse a que simplemente se tropezó y estaba tirado en el suelo”.

A medida que el fútbol moderno se ahoga en datos, ¿cómo han cambiado los números el juego?

“Creo que el reclutamiento es probablemente donde obtienes el mayor beneficio por tu dinero”, dice Ramineni. Sin embargo, otra área son las estrategias para jugadas a balón parado, cuando un equipo obtiene un tiro libre después de que el juego está en pausa.

Una lección clara que ha surgido del análisis de datos es que los jugadores no deben disparar cuando están lejos de la portería. “Si miras cualquier liga del mundo, la distancia desde donde los jugadores han tirado era mucho mayor hace diez años”, dice Ramineni. “Todo eso sucedió porque la gente de análisis de datos comenzó a decir: ‘¿Por qué disparas desde allí? ¡Es solo un 2% de posibilidades!’ ”

Muchos equipos ahora también disuaden a los jugadores de intentar centros largos hacia el área penal, agrega, después de que las estadísticas mostraran que la mayoría eran inútiles.

Y a medida que el volumen de datos generados siga creciendo, también lo harán las oportunidades laborales, dice Ramineni. “Creo que las huellas de datos están por todo el deporte ahora y no hay vuelta atrás”.

Referencias