La minería de datos llega al fútbol

Gareth Bale recibe el balón junto a la esquina derecha del área. El lateral izquierdo del Villarreal, Jaume Costa, le guarda la posición, sin encimarle para que no le finte. Dos centrocampistas se aproximan para evitar que el extremo zurdo intente salir hacia la parte central e intentar el disparo. ¿Qué hará el jugador galés? En ese momento, amaga ese mismo gesto pero en realidad improvisa una bicicleta, se adelanta el balón hacia la línea de fondo y, con la pierna derecha, pone un centro bajo para el afortunado remate de Benzema. Fantástica asistencia, pero... ¿qué posibilidades había de que hiciera ese movimiento? Gracias a la minería de datos, pronto Jaume Costa lo sabrá con exactitud.

Hace tiempo que las estadísticas llegaron al análisis del fútbol, aunque de un modo superficial: sabemos que un jugador lleva tres partidos seguidos marcando o que recibe más tarjetas amarillas este año que el pasado. Pero establecer herramientas más analíticas, como las que ya imperan en deportes como el béisbol, se ha convertido en un reto para deportes como el fútbol o el baloncesto. Esto precisamente, modelar por ordenador el comportamiento de los jugadores, es lo que intenta un nuevo trabajo realizado por Disney Research (Pittsburgh, Estados Unidos) y la Universidad Tecnológica de Queensland (Brisbane, Australia).

Hasta ahora no existía un sistema que pudiera procesar estas enormes cantidades de datos. El de este grupo de científicos se presenta estos días en la Conferencia Internacional de Minería de Datos de Shenzhen, China. El sistema analiza 400 millones de datos sobre movimiento espaciotemporal de jugadores a lo largo de una temporada, en una liga profesional de 20 equipos. Presumiblemente, y a juzgar por las referencias del estudio, se trata de la Premier League inglesa.

Reconocer el estilo de juego

El sistema se fija no tanto en los movimientos individuales de los jugadores, sino en el comportamiento del equipo. Es decir, no solo los movimientos de quien lleva el balón sino también de los compañeros a su alrededor. De hecho, estos científicos aseguran que el programa es capaz de reconocer 7 de cada 10 veces al equipo que juega, si es el West Ham o es el Chelsea, simplemente evaluando los miles de datos espaciotemporales de los jugadores que, al fin y al cabo, conforman su estilo de juego.

Para Patrick Lucey, investigador en el Disney Research y uno de los impulsores del estudio, una de las dificultades de analizar el fútbol con respecto a otros deportes es que "por ejemplo, en baloncesto, tienes muchos eventos y resultados, hay una anotación o un cambio de posesión cada 24 segundos". Por tanto, es fácil extraer de ahí muchos puntos de datos para evaluar el rendimiento individual. Sin embargo, el fútbol es un deporte con marcadores muy bajos, pero que un partido termine 1-0 no quiere decir que no haya sido apasionante. "Significa que tienes que entender comportamientos en ausencia de anotación", dice Lucey.

De hecho, creen que centrarse en jugadores individuales puede ser muy engañoso. Un jugador puede pasar una parte del partido jugando en la banda izquierda y más tarde pasar a la derecha. Las decisiones que tome se basarán en su posición, pero también en la posición de sus compañeros de equipo y de los rivales. Así que evaluar al jugador sin tener en cuenta ese contexto solamente ofrecerá estadísticas sin sentido.

Basado en funciones

Los investigadores de Disney Research y la QUT desarrollaron una representación de los equipos "basada en funciones", es decir, que no rastrea a los individuos, sino que identifica automáticamente a los jugadores en cada posición y cómo juegan en esa posición. Esto no sólo proporciona una visión del comportamiento del equipo en su conjunto, sino que también ofrece información contextual más significativa acerca de los jugadores.

Lucey cree que este nuevo método, automatizado y basado en datos, puede servir a un entrenador a apoyar empíricamente sus intuiciones, pero también pueden tener una aplicación en el entrenamiento de los jugadores (o los jóvenes de la cantera), así como una herramienta para ojear a los equipos rivales y planear situaciones específicas, como por ejemplo, cuál es la mejor forma de defender a Bale cuando recibe a pierna cambiada en el pico del área.