Los Goles Esperados: el nuevo paradigma para evaluar jugadores y equipos correctamente
Tu equipo no consigue resultados. Tu 9 titular no logra hacer goles. ¿Qué hacés? ¿mantenés al DT o buscás otro? ¿Le seguís dando la titularidad al 9 o probás con un suplente?
Dirigentes, managers y entrenadores viven en un mundo lleno de situaciones complejas, en las que no existe una respuesta correcta. Y aún así, tienen que tomar decisiones importantes. En casos como estos, las decisiones se toman por instinto y guiadas por resultados a corto plazo, con poca información para analizar el problema.
Equipos y jugadores son evaluados por sus resultados. Pero todos sabemos que el fútbol va más allá de los resultados: el azar de una jugada muchas veces es la que define partidos y campeonatos.
Entonces, ¿cómo podemos analizar equipos y jugadores para tomar decisiones más inteligentes?
Nuevo Paradigma de Análisis
En el marco del análisis de datos tradicional, se evalúan los rendimientos de un equipo o jugador en base a la cantidad de tiros al arco hechos o recibidos. Pero el problema es que no todos los tiros son igual de peligrosos.
Veamos algunos ejemplos para entender esto.
Ejemplo 1
Primero analicemos la defensa de Boca en esta Superliga 2019–20.
Utilizando los datos de los tiros recibidos, Boca se encuentra recién en el 11vo puesto. Al ver esto, Boca pareciera ser un equipo “de mitad de tabla” defensivamente. Pero todos sabemos que esto no refleja la realidad. Boca solamente recibió 1 gol en lo que va del torneo y su defensa es el arma más importante en el equipo de Alfaro. Entonces, ¿de qué forma podemos medir para que la conclusión se adapte más a la realidad?
La forma más adecuada de incorporar el análisis de datos es utilizando un sistema que diferencia la peligrosidad de cada tiro para analizar y sacar conclusiones.
Entonces, ahora utilizando este nuevo sistema teniendo en cuenta la probabilidad de gol de cada tiro, vemos que, si bien recibe muchos tiros, Boca es uno de los equipos que menos peligro le generan. Esto sí que tiene mucho más sentido con la realidad.
Ejemplo 2
Ahora veamos este ejemplo del partido de Boca contra San Lorenzo de la 7ma fecha de la Superliga 2019–20 para demostrar el punto.
Estos datos simples nos llevan a la conclusión de que Boca ganó porque fue más eficiente que San Lorenzo. En otras palabras, Boca hizo más goles con menos tiros.
Sin embargo, la conclusión que sacamos anteriormente no es del todo correcta ya que, de nuevo, no se diferencia la peligrosidad de cada tiro.
Entonces, ahora utilizando este nuevo sistema que tiene en cuenta la probabilidad de gol de cada tiro, vemos que Boca ganó porque fue el que generó las mejores chances de gol y no porque fue más eficiente.
Construcción de la métrica
Para medir la peligrosidad y calcular los goles esperados usamos un modelo de Big Data que determina la calidad de cada tiro realizado y recibido considerando diferentes variables, independientemente de si resultó en gol o no. El modelo calcula la probabilidad de que un tiro se transforme en gol usando como referencia situaciones similares provenientes de partidos del pasado.
Basado en otros modelos similares (Michael Caley, StatsBomb, Mister Numbers y 11tegen11), la información utilizada es:
Ahora veamos unos ejemplos de algunas jugadas con sus xG correspondientes.
Scocco vs GELP — xG: 84%
Janson vs River — xG: 39%
Soñora vs Godoy Cruz — xG: 1%
Evaluación general de los equipos de la Superliga
Ahora con la métrica de xG podemos medir mejor el rendimiento ofensivo y defensivo de un equipo por fuera del resultado.
Tengamos en cuenta que, en nuestro cálculo de xG no contabilizamos penales ni tiros que hayan sido desde tiros libres directos.
Veamos estos valores para los equipos en la Superliga 2019–20.
En el gráfico podemos ver que:
- River es, por lejos, el que más generó peligro de gol en los arcos rivales.
- Banfield, River, Newell’s, Rosario Central, Boca y Lanús son los equipos con las mejores defensas del torneo.
- Gimnasia de la Plata, Racing, Centra Córdoba e Independiente son equipos que generaron situaciones de gol similares a la de sus rivales. Estar por debajo o por encima de la línea punteada significa haber tenido más o menos chances que sus rivales respectivamente.
Aprendizajes y visión a futuro
Equipos importantes como el Barcelona, Arsenal, Liverpool y Manchester City utilizan Big Data y este tipo de algoritmos para mejorar la toma de decisiones. Este área de análisis fue incorporado también por equipos de menor escala, como el Betis y el Levante, en sus secretarías técnicas.
Los dirigentes, managers y entrenadores de este tipo de clubes ya tienen incorporada esta métrica para poder tomar decisiones más inteligentes. Hasta algunos periodistas y medios importantes del mundo, como Sky Sports yla BBC, ya la toman para la evaluación de partidos, equipos y jugadores.
Esta métrica es solo el comienzo del análisis de datos para evaluar jugadores, el equipo propio, rivales y hacer scouting. Un paso posterior, por ejemplo, podría ser discriminar los goles esperados por tipo de ataque como hicimos en este artículo.
Tengamos en cuenta también que ninguna métrica es 100% exacta. La mayor debilidad que tienen los goles esperados es que solamente tienen en cuenta tiros y no contabiliza otras situaciones de gol en donde por alguna razón no hubo un remate.
Si bien la utilización de este tipo de análisis en un equipo tiene muchos beneficios, una aplicación incorrecta nos puede llevar fácilmente a a conclusiones erróneas y malas decisiones. Para evitar que esto suceda, en este artículo explicamos los principales puntos a tener en cuenta a la hora de realizar análisis de datos.
Los datos están revolucionando el mundo del fútbol y los mejores equipos del mundo ya están utilizándolos para tomar decisiones inteligentes.
Si estás interesado en incorporar el análisis de datos en tu club, te invito a revisar nuestra web, escribirnos por mail a andre@bdatafutbol.com o comunicarte vía Twitter.
