Ni los resultados, ni lo contento que estaba en Inglaterra ni lo mucho que sentía el escudo. Cuando Kevin de Bruyne tuvo que negociar su renovación con el Mánchester City, lo que el jugador puso encima de la mesa fueron datos. En lugar de acudir a un agente, la forma tradicional de comenzar una negociación en el fútbol moderno, De Bruyne decidió contratar a dos analistas para que midieran al milímetro su contribución al equipo. También si era el sitio adecuado para continuar con su progresión. Y vaya si le funcionó: en abril de este mismo año el club anunció el acuerdo de renovación por el cual el belga se convertía en el jugador mejor pagado de la Premier League, con un sueldo de 24 millones de euros al año.
“Este club está hecho para el éxito. Me ofrece todo lo que necesito para maximizar mis actuaciones”, declaró después el futbolista sin ocultar sus motivaciones. No fue fácil abrir la puerta de un deporte que siempre se ha mostrado escéptico con los análisis cuantitativos —se decía que era muy complejo y dinámico, demasiado caótico para ser medido—, pero el big data ya está presente en todos los aspectos del fútbol.
Apenas unos meses antes de la renovación de Kevin de Bruyne, el City anunció una incorporación que pasó más desapercibida: Laurie Shaw, un experto en fondos de inversión con un doctorado en astrofísica computacional y asesor del Gobierno británico. Como nuevo jefe de inteligencia artificial, Shaw se encarga de diseñar algoritmos para prevenir la fatiga y las lesiones de los jugadores, identificar y monitorear posibles incorporaciones, analizar la evolución de los canteranos y analizar el juego del equipo y de los oponentes. Es el Messi de la ciencia de datos.
Su fichaje, curiosamente, se hizo público, una excepción en un campo donde todo sucede en la oscuridad. Poco o nada se sabe de los equipos de datos de otros grandes equipos europeos como Real Madrid o PSG, clubes que sin duda cuentan con galácticos también en sus oficinas pero que han optado por mantenerlos en secreto. En la competición de los datos, al menos, el partido está más reñido, y equipos más modestos como el Sevilla, el Arsenal, el AZ Alkmaar neerlandés o el Midtjylland danés han conseguido suplir la falta de músculo económico con una gestión brillante del big data para plantar cara a los grandes en el terreno de juego.
Charles Reep, el Pelé del análisis de datos
Corría el año 1950 cuando, durante un partido del Swindon Town, club del suroeste de Inglaterra, un aficionado decidió sacar una libreta y anotar los movimientos de su equipo. Estaba harto de ver cómo los jugadores movían lentamente la pelota de un lado a otro sin generar ningún tipo de peligro. Su nombre era Charles Reep, y trabajaba como contable de la Real Fuerza Aérea Inglesa. Al final del partido, que acabó ganando su equipo por 1-0, había registrado un total de 147 jugadas ofensivas.
Con una simple extrapolación calculó que el ratio de conversión de cada intento era de apenas un 0,71%, y que una pequeña mejora en la eficacia podría suponer una ventaja decisiva. Por eso siguió recopilando datos y analizando al detalle cada encuentro, convirtiéndose así en el primer analista del fútbol profesional. No en vano, Reep llegó a ver 40 partidos por temporada —grababa siempre los choques ataviado con un inconfundible casco minero para alumbrar su libreta—, empleando alrededor de 80 horas en cada uno.
Charles Reep defendía a ultranza el fútbol directo, pero, a diferencia del resto de aficionados, él lo hacía con datos: según sus estimaciones, el 82% de los goles llegaban a partir de jugadas de tres o menos pases. El pelotazo era la mejor táctica, y pronto sus teorías comenzaron a ser escuchadas. De hecho, Reep trabajó para el Brentford, el Wolverhampton y el Sheffield Wednesday, y su estilo de juego —largas diagonales y jugadores muy físicos— influyó enormemente en el fútbol inglés de los ochenta. Varias décadas después, la verticalidad y la intensidad siguen siendo la seña de identidad de los partidos de la Premier. Reep demostró que el fútbol tenía patrones constantes y predictibles, y que las estadísticas ofrecían la posibilidad de extraer conclusiones que pasaban desapercibidas.
A pesar de ello, no fue hasta la entrada del nuevo siglo cuando el deporte rey europeo comenzó a tomarse realmente en serio el big data. El punto de inflexión fue la publicación en 2003 del libro “Moneyball: El arte de ganar en un juego injusto”, que contaba cómo el equipo de béisbol Oakland Athletics fue capaz de ganar veinte partidos seguidos en la competitiva Major League Baseball estadounidense gracias al uso de analíticas de rendimiento y la optimización de los fichajes, las conocidas como sabermetrics.
Pronto otros deportes populares en Estados Unidos, como el baloncesto o el fútbol americano, se sumaron a la moda de los datos y, aunque al principio los entrenadores pensaban que el análisis de datos solo se podía aplicar en los deportes americanos, el mundo del fútbol también acabó sucumbiendo.
De Arsène Wenger a Monchi: todos pueden participar en la Superliga de los datos
En cada partido de fútbol de élite hay decenas de cámaras que capturan miles de fotogramas y, con ellos, otros tantos miles de datos granulares, desde cuánto corre un jugador hasta su posición en el campo en cada instante. Esas imágenes se cruzan luego con bases de datos que contabilizan las acciones de cada futbolista —pases, disparos, presiones, pérdidas…—. Por sí solos esos datos tienen poco valor, pero combinados tienen un potencial incalculable.
Arsène Wenger, histórico entrenador del Arsenal, fue uno de los primeros en apostar por ellos. El francés contrató a una empresa de análisis de datos en 2011 para diseñar los entrenamientos, buscar nuevas incorporaciones y analizar el juego, y su experiencia fue tan buena que en 2014 le pidió a sus jefes que compraran directamente la empresa. La operación se cerró por cuatro millones de euros.
Desde entonces las cosas han evolucionado considerablemente. Ahora el valor diferencial es el contexto. Un jugador que recibe el balón solo en el centro del campo suele tener muchas más opciones de pase, y por lo tanto, mayor efectividad en las asistencias, pero si este está rodeado por varios oponentes las cosas cambian. Lo mismo ocurre cuando un portero tiene que tratar de detener un mano a mano o despejar un tiro lejano. Conocer el modo en el que los jugadores se adaptan a ese contexto y plantean alternativas permite diferenciar entre buenos jugadores y jugadores únicos. Por esa razón, en los últimos años los analistas de datos se han centrado en crear algoritmos que sean capaces de leer el juego. O lo que es lo mismo: ¿qué hace tan bueno a Cristiano Ronaldo aparte de los goles que anota?
En este sentido, una de las métricas más revolucionarias del fútbol moderno es la de goles esperados. Que un delantero no consiga marcar en un partido no impide que pueda haber sido el mejor: puede haber generado ocasiones que, por probabilidad, deberían haber acabado en gol. Y eso es lo que mide precisamente este indicador, el número de tantos que, a juzgar por las características del disparo o los eventos que han conducido a él —localización del jugador, si es una falta, si remata con la cabeza…—, deberían haber subido al marcador.
La de goles esperados es tan solo una de las incontables aplicaciones futbolísticas del big data. La más importante y la que más atención ha recibido es, probablemente, la de los fichajes. Monchi, el director deportivo del Sevilla conocido por fichar jugadores muy baratos que tienen luego un rendimiento excelente en el club —y muchos de los cuales son revendidos a un precio varias veces superior al abonado inicialmente—, es su máximo exponente. Los resultados hablan por sí solos: de no ganar nada desde 1948, el Sevilla pasó a levantar cinco Europa Leagues, dos Copas del Rey, una Supercopa de España y otra de Europa en apenas dos décadas.
El secreto del “mago de los fichajes” son, de nuevo, los datos. “Hoy en día obviar el dato es un anacronismo y ahora estamos creando una herramienta que nos dice ‘este es el momento más álgido del jugador, si es tuyo véndelo y si no, espérate y no lo compres porque ahora te va a costar mucho’”, explicó en una entrevista de El Confidencial.
Y es que para participar en el torneo del big data no hace falta tener un presupuesto estratosférico. Cada club se puede especializar en un área, plataforma o perfil de analista concreto, pero las bases de datos están disponibles para todos los equipos de las grandes ligas. Un ejemplo es la competición nacional española, donde todos los equipos —incluyendo los de segunda división— pueden acceder a una herramienta llamada Mediacoach que proporciona datos técnicos y tácticos de todos los jugadores. De esta manera, los técnicos pueden conocer al instante el rendimiento de sus pupilos, compararlo con el del resto de participantes y tomar decisiones basadas en esos datos, como atacar más por un lado determinado si el defensor contrario está cansado.
El futuro: algoritmos propios
Pero esa competencia está obligando a los poderosos a reinventarse. Ya no basta con manejar ingentes cantidades de datos, sino que ahora es necesario extraer mejores conclusiones que el rival. Y para eso es necesario crear modelos predictivos propios. Por eso el fichaje del astrofísico Laurie Shaw es tan importante para el City, porque le permite abrir líneas de investigación propias y trabajar de forma autónoma.
Los datos y la mercantilización del fútbol amenazan con llevarse por delante la emoción y la imprevisibilidad que lo han caracterizado históricamente, pero al final la suerte siempre consigue imponerse. Francia, por ejemplo, era la gran favorita para ganar la Eurocopa —según las casas de apuestas tenía un 18% de probabilidades de ganar—, pero quedó apeada de la competición en octavos de final tras verse sorprendida por Suiza. Por mucho que se trate de cuantificar, la magia del fútbol se mantiene intacta.
