A pesar del crecimiento de datos en toda la industria, el mercado de fichajes sigue siendo increíblemente ineficiente. Con toda la cantidad de vídeo de la que disponen los clubes, además de los datos de eventos y los datos de seguimiento, no estamos viendo el correspondiente aumento en las tasas de éxito de los fichajes.
Rich ByrneHead of Player ID, Teamworks
Los clubes de fútbol nunca han tenido acceso a tantos datos. Sin embargo, el mercado de fichajes sigue siendo obstinadamente ineficiente. Los fichajes estrella siguen fracasando a un ritmo alarmante y, a pesar de toda la inversión en equipos de análisis, el éxito en los fichajes apenas ha mejorado.
Ese fue el punto de partida de un seminario web reciente de Training Ground Guru en el que participaron Rich Byrne, responsable de identificación de jugadores en Teamworks, y Alexander Hinton, científico de producto en Teamworks. En la charla se abordaron los motivos por los que la selección de jugadores sigue siendo tan complicada y cómo se podría solucionar realmente.
El problema no son los datos, sino lo que hacen los clubes con ellos
Los clubes de fútbol han invertido mucho en infraestructura de datos durante la última década. Más analistas, más proveedores de datos, más datos de eventos. Pero, como señaló Rich al principio, los resultados no han acompañado.
«A pesar de esta proliferación de datos en todo el sector, el mercado de fichajes sigue siendo increíblemente ineficiente. Con todo el material de vídeo que tienen los clubes, los datos de los partidos y los de seguimiento, no estamos viendo el correspondiente aumento en las tasas de éxito de los fichajes». — Rich Byrne, responsable de identificación de jugadores, Teamworks
Entonces, ¿dónde está el problema? Alexander tenía una respuesta clara: la diferencia entre generar datos y aplicarlos de verdad.
La mayoría de los equipos de análisis de los clubes se pasan la mayor parte del tiempo en lo que Alexander llama la «trampa de la generación»: creando y manteniendo flujos de datos, y respondiendo a peticiones puntuales del equipo médico, el equipo de rendimiento, el director deportivo y la cantera. El trabajo innovador y con visión de futuro, ese que realmente mejoraría las decisiones de fichaje, queda relegado a un segundo plano.
Más datos e inversión no se han traducido directamente en mejores tasas de acierto en el mercado. La verdadera diferenciación podría estar en la aplicación: soluciones específicas para cada club que no pueden comprarse como un producto estándar. Sin embargo, sin la capacidad necesaria para llegar a ese nivel, esa oportunidad sigue sin aprovecharse en la industria.
Alexander Hinton
Product Scientist, Teamworks
Aquí también hay un problema que se agrava: como los clubes recurren en gran medida a los mismos proveedores de datos y a modelos de código abierto similares, en realidad no hay mucha diferencia a la hora de generar datos. La ventaja está en la aplicación, y ahí es precisamente donde la mayoría de los clubes no tienen los recursos necesarios para competir.
Las cuatro fases de la evaluación de jugadores: ¿en qué punto se encuentra realmente tu club?
Teamworks Player ID, desarrollado a partir de Zelus Analytics —fundada conjuntamente por Billy Beane, pionero de «Moneyball», y Luke Bornn, exprofesor de Harvard—, utiliza un marco de trabajo de cuatro etapas para guiar a los clubes desde la selección inicial de candidatos hasta la elaboración de proyecciones predictivas fiables.
Fase 1: Resultado sin procesar. La mayoría de los clubes llegan hasta aquí: una lista de candidatos clasificados según métricas estándar como xG, xA y el valor de la posesión. Es un avance respecto a hace cinco años, pero Rich fue muy claro sobre sus limitaciones: esto sigue dejando mucho por hacer.
Etapa 2: Adaptación al contexto. Las estadísticas de un jugador no se pueden analizar de forma aislada. Jugar como extremo en el equipo dominante de Portugal, dentro de un sistema basado en una alta posesión del balón, es un contexto totalmente diferente al de jugar en un equipo de la mitad de la tabla de la Premier League. La fase 2 elimina esos factores externos, como la dificultad de la liga, el estilo del equipo o la posición en el campo, para aislar la verdadera habilidad del jugador y hacer comparaciones reales entre iguales.
Etapa 3: Indicadores compuestos. Tener más datos no significa automáticamente que se tomen mejores decisiones. Alexander señaló el sesgo de confirmación como un riesgo real: si tienes 15 métricas y tres modelos, casi siempre puedes encontrar uno que respalde al jugador que el entrenador ya tiene en mente. Una única métrica compuesta basada en principios, cuya ponderación se deduzca de los datos en lugar de elegirse de forma subjetiva, elimina ese problema.
Etapa 4: Modelización de proyecciones. Ahí es donde está el verdadero valor. Como dijo Alexander:
Comprender quién es realmente un jugador hoy es la base indispensable; no se puede proyectar su futuro sin ello. Pero cuando fichas a un jugador con un contrato de varios años, esa fotografía del presente es solo el punto de partida. Lo que realmente estás adquiriendo es quién va a ser a lo largo de la duración de ese contrato.
— Alexander Hinton
El modelo de proyección hace tres cosas: ajusta los rendimientos atípicos para que se acerquen a lo que es sostenible y repetible, da más peso a las últimas temporadas sin dejar de tener en cuenta los datos de toda la carrera del jugador, y aplica curvas de envejecimiento específicas para cada habilidad con el fin de proyectar el rendimiento en el futuro. El resultado es una respuesta validada y con base matemática a la pregunta que los clubes siempre se hacen en el fondo: ¿qué estoy comprando?
El aviso de Nicolas Pépé
La temporada 2018/19 de Nicolas Pépé en la Ligue 1 es un buen ejemplo de por qué es importante someter tu modelo a pruebas de estrés. Ese año, Pépé consiguió cinco penaltis. En un modelo estándar de valor de posesión, cada penalti supone un enorme repunte en la probabilidad de marcar, pasando de aproximadamente un 5 % a un 80 %, lo que añade unos 0,1 xG por partido a su rendimiento a lo largo de la temporada. El modelo lo considera un jugador ofensivo de élite y, a juzgar por las cifras brutas, es difícil rebatirlo.
El problema es que conseguir penaltis a ese ritmo no es una habilidad estable ni repetible. Es algo aleatorio, que depende de un puñado de incidentes que no se repiten de forma fiable de una temporada a otra. Si los descartas, el panorama cambia bastante.
«Lo que parecía una producción ofensiva de élite se debió a un puñado de jugadas muy decisivas. El presente pintaba muy bien, pero el futuro no siguió el mismo camino». — Alexander Hinton
Pepe acabó fichando por el Arsenal por 75 millones de libras y tuvo una carrera bastante decente en el norte de Londres, pero no alcanzó los niveles de élite que habría pronosticado un modelo estándar de valor de posesión de 2019. Esto nos recuerda que la cuestión no es si los datos son precisos, sino si el modelo está diseñado para separar la señal del ruido.
Cómo se ve esto en la práctica
Rich compartió dos casos prácticos de clubes asociados a Teamworks que muestran cómo los modelos de proyección se traducen en resultados reales de fichajes.
Charlie Cresswell en Toulouse. Cuando el Toulouse fichó a Cresswell en el verano de 2024 por 4,5 millones de euros, la plataforma Player ID lo situaba en el percentil 85 de rendimiento como defensa central según los estándares de la Ligue 1 para los siguientes tres a cinco años, con un margen de error lo suficientemente estrecho como para situarlo entre el percentil 70 y el 90 con un alto grado de confianza. Si avanzamos hasta hoy, el valor de Cresswell se ha disparado, y clubes de las principales ligas europeas han mostrado interés por él.
Ruben van Bommel en el AZ Alkmaar. Una apuesta con bastante incertidumbre. Van Bommel solo tenía datos de una temporada en la categoría sénior en aquel momento, en el MVV Maastricht, de la segunda división holandesa. El modelo lo situaba como un extremo en el percentil 70 a nivel de la Eredivisie, con una distribución amplia que reflejaba la muestra limitada. El AZ lo fichó por menos de 500 000 €, consideró que su potencial justificaba el riesgo y, en dos años, lo vendió al PSV por 15,8 millones de €.
Ambos ejemplos ilustran el mismo principio: el objetivo no es la certeza. Se trata de una visión validada y matemáticamente honesta de en qué se puede convertir un jugador, en la que la incertidumbre queda a la vista, no oculta.
Análisis avanzado, no una caja negra
Rich dejó claro qué es y qué no es el Teamworks Player ID.
«Las previsiones sobre los jugadores pueden parecer una auténtica caja negra, y con la llegada de la IA, a veces parecen hasta vudú. Pero de lo que estamos hablando hoy no es más que de análisis avanzados realizados por un gran equipo especializado de científicos de datos, mucho más grande de lo que la mayoría de los clubes pueden permitirse a nivel interno». — Rich Byrne
Teamworks Player ID cuenta actualmente con 15 expertos en datos a tiempo completo con un único objetivo: valorar a los jugadores y predecir su rendimiento futuro. Hasta la fecha, se ha utilizado en 22 ventanas de fichajes y ha asesorado en más de 1.000 millones de euros en gastos de fichajes, con socios de la Premier League, la Serie A, la Ligue 1, la Eredivisie y la Saudi Pro League.
El objetivo, tal y como lo plantea Billy Beane, es muy sencillo: proporcionar a los clubes la mejor información disponible para que puedan tomar las mejores decisiones posibles a la hora de fichar jugadores.
Teamworks Player ID es la plataforma de análisis predictivo diseñada específicamente para la selección de jugadores de fútbol. Para saber más, visita Player ID o ponte en contacto con el equipo a través de los datos que aparecen a continuación.
