Por Pablo Tempone (Especialista en Explotación de Datos-UBA)

En la Argentina, todos sabemos de fútbol, todos somos directores técnicos, todos opinamos qué jugadores poner o quién va a ganar. Veo y juego al fútbol desde los seis años. Cuando pensé en un tema para la especialización dije: “tienen que existir datos sobre el fútbol argentino”. Ahí fue cuando encontré a la gente de  DataFactory. Ellos me proveyeron un set de datos de la primera división del fútbol argentino durante el período 2013–2016.

Centré el trabajo en predecir las victorias de los resultados locales, a partir de las acciones registradas en los últimos cinco partidos previos, tanto de los visitantes como de los locales.

Si bien, me encantaría decir que el modelo predictivo dio un excelente resultado, la realidad es que no, apenas logró superar la barrera del azar. Pero lo más interesante fueron los análisis que derivaron de la explotación del dataset.

¿Objetivo Libertadores?

En el dataset, tenía 33 equipos y 1.353 jugadores. Podía especular con que Lanús (con Jorge Almirón como DT) y San Lorenzo (con Diego Aguirre como DT) tenían ideas similares. Pero al comparar varias temporadas para ver si en el tiempo se sostenían ideas, ¿podía decir con tanta seguridad que esos equipos presentaban ideas parecidas? Para ver de una manera más amigable y exacta qué equipos se parecían entre sí y cómo se diferenciaban apliqué la técnica “caras de Chernoff”.

Lo primero que sobresalió es que Atlético de Tucumán era bastante particular. No era fácil encontrarle similitudes con el resto de los planteles. Al momento de pensar cuál era la razón de ese comportamiento, encontré que entonces jugaban la Copa Libertadores por primera vez. ¿Un equipo con pocos recursos necesita encontrar combinaciones distintas para poder lograr esos hitos? Es una pregunta interesante de plantear.

Clubes grandes, clubes chicos

Durante el análisis, también encontré otra manera de dividir los clubes; no por hinchada o historia, sino por sus características de juego.

Los gráficos de Biplot mostraron que en el grupo 1 estaban los equipos que llevaban varios años sin torneos buenos y en el grupo 2 aquellos que tenían mayor cantidad de tiros, goles convertidos y quites.

Moneyball: Marcelo Meli como contratación

Como bonus, hice a principio de 2017 un análisis muy individual. Mi objetivo era ver si Racing, que necesitaba un volante por derecha, terminó haciendo una incorporación correcta con Marcelo Meli, quien a priori tenía un perfil de mediocampista defensivo.

Para esto comparé a Meli con Luciano Aued, Francisco Cerro, Marcos Acuña, Diego González (alias «Pulpito»), Gastón Díaz y Ezequiel Videla.  Hice la primera comparación con un gráfico de radar.

Lo primero que saltó fue que Meli era muy parecido a González y a Aued, dos volantes internos. Si en su lugar se hubiese asemejado a Acuña, un volante por izquierda, la posición de externo le hubiese sido más natural.

Chernoff también coincidió con las apreciaciones anteriores.

Los análisis preliminares se cumplieron durante el torneo, ya que Meli jamás pudo cumplir con la posición de volante por derecha y terminó como suplente, un rol en el que tampoco rindió como se esperaba.

Estas herramientas serían de mucha utilidad a la hora de contratar a un jugador. En una disciplina dominada por las habilidades físicas y la intuición, el análisis de datos, la evolución de jóvenes talentos y la asociación de los jugadores dentro del campo representan un valor agregado para los clubes con situaciones económicas precarias y dificultades para competir en igualdad de condiciones con clubes que son potencias.