¿Qué es un informe post partido en fútbol y qué debe incluir?
Un informe post partido es el documento que el analista entrega al cuerpo técnico después de cada encuentro para explicar qué pasó y por qué, con datos, contexto y clips de vídeo. Hoy se puede montar una sola vez y conseguir que se actualice solo cada jornada, conectando las fuentes de datos a Power BI y usando Python para lo que no se puede conectar directamente.
No es lo mismo que el informe de rival: este mira hacia atrás, no hacia el partido del sábado siguiente.
En cuanto al contenido, un informe post partido bien construido cubre estos bloques:
- Contexto y resultado: marcador, circunstancias del partido, valoración global.
- Métricas clave del equipo: xG generado y concedido, PPDA, altura media de recuperación, pases progresivos y entradas al último tercio. La posesión bruta sola no dice nada.
- Fases del juego: cómo saliste de presión, cómo atacaste, cómo defendiste en bloque, cómo te comportaste en las transiciones.
- Rendimiento individual y minutos: los datos de cada jugador en su posición, sin mezclar roles.
- Datos físicos del partido: distancia total, distancias en alta intensidad, aceleraciones y deceleraciones por perfil de puesto.
- Clips de vídeo que sostienen cada idea. No los que más llaman la atención: los que responden a las preguntas que el análisis genera.
- Tres conclusiones para la semana: no veinte. Tres, cada una vinculada a una tarea de entrenamiento concreta.
Una nota sobre los plazos: el error más frecuente del analista junior es entregar un documento único de veinte páginas tres días tarde. Lo que funciona es otra cosa. En las primeras 12-24 horas va un informe corto, una página, con los clips individuales para cada jugador. El informe táctico completo para el cuerpo técnico llega a las 48-72 horas, antes de la sesión de corrección. Si llega después, ya no cambia nada en el entrenamiento.
Por qué el informe hecho a mano se come tu semana
La trampa es sencilla: cada lunes coges el acta de la federación, abres dos o tres webs de estadísticas, sacas los clips del vídeo del partido, miras los datos del GPS y lo vas pegando todo en un Excel o en una presentación. Eso lleva horas. Y no porque seas lento: es que el proceso está roto de raíz.
El resultado es un informe que funciona, pero que no luce. Los números están ahí, pero la visualización es la de siempre. No hay campograma. No hay comparativa con la jornada anterior. La dirección deportiva lo lee por encima y lo archiva.
Y lo peor: ese tiempo que le dedicas al copiar y pegar es tiempo que le robas al análisis real. A preguntarte por qué el equipo perdió los duelos en el mediocampo, o por qué el lateral izquierdo rindió veinte puntos por debajo de su media de distancia en alta intensidad. Eso es lo que aporta valor. Lo otro es fontanería que se puede automatizar.
Así trabaja con datos Unión de Santa Fe
El acuerdo de colaboración entre Objetivo Analista y el Club Atlético Unión nos dio acceso a algo que vale la pena contar: cómo funciona por dentro un departamento de datos en un club de Primera División argentina. Nos lo explica Sebastián Villalba, analista de datos de rendimiento de Unión de Santa Fe.
Qué datos recogen y con qué herramientas
El trabajo de Villalba gira alrededor de los datos físicos: GPS principalmente, y además plataformas de fuerza, encoder, NordBord y dinamómetros. El proceso no es glamuroso, pero es el que hace que todo lo demás funcione: recoger, juntar, procesar y limpiar los datos antes de que lleguen a cualquier pantalla.
El producto final aterriza en el cuerpo técnico, en el staff médico y en el resto del club como asesoramiento sobre el rendimiento de los jugadores. No como un archivo adjunto: como una conversación con datos detrás.
Del partido a la semana: escenarios de máxima exigencia y tareas
A partir de los registros de partido, en Unión generan métricas semanales y métricas por tarea. Una de las más útiles es el worst case scenario (escenario de máxima exigencia): conocer cuál es la demanda física real de la competición, no la media, sino el pico. Ese dato es el que le dice al preparador físico hasta dónde tiene que llevar a los jugadores en semana.
Tienen tabulados los espacios reducidos que más usan y qué valores esperar en cada variable. Antes de plantear una tarea, comprueban si genera la carga que se busca. Muchas tareas se eligen por la carga que van a producir, no solo por razones tácticas, y luego se confirma en directo durante la sesión.
La planificación trabaja en tres niveles: microciclo, sesión y tarea. Y cada día se ajusta con el chequeo de llegada y los cuestionarios de bienestar (wellness) de los jugadores. Sin ese dato de entrada, la sesión del día puede estar mal calibrada desde el minuto uno.
Los informes que salen de Power BI y Python
Para los jugadores lesionados, Villalba genera informes que comparan su estado actual con su historial previo. Para los que acumulan muchos minutos, la comparativa va contra sus valores medios o contra su máximo de los últimos cinco partidos. Con eso, el staff médico y el cuerpo técnico gestionan las cargas con criterio, no a ojo.
Las herramientas son Power BI para la visualización, y Python para programar el procesamiento. La clave, según Villalba, es la automatización del ETL, es decir, la limpieza y el procesamiento de los datos. «Los datos, una vez que uno tiene la mecánica de descargar, estructurar y manipular, eso se automatiza», explica. Con una o dos líneas de código se generan gráficas y cálculos que en Excel llevarían mucho más tiempo.
Monitorizar en directo para ajustar sobre la marcha
Durante los entrenamientos, el equipo de Unión monitoriza en vivo con iPad y ordenador. Tienen variables creadas y dan feedback en tiempo real al cuerpo técnico: cómo va la tarea, cómo va la sesión, si los valores están dentro del rango buscado. Si no están, se ajusta sobre la marcha. El dato no espera al informe del día siguiente.
LaLiga, la Federación Mexicana y Estados Unidos ya trabajan así
Lo que hace Unión de Santa Fe no es una rareza: es la dirección a la que va el fútbol profesional.
Sportian Performance (la antigua Mediacoach, rebautizada en julio de 2025 cuando LaLiga formalizó su alianza tecnológica con Globant a través de Sportian) la usan los 42 clubes profesionales de LaLiga. Según LaLiga, la plataforma captura más de 3,5 millones de datos por partido, trabaja con más de 6.400 métricas y genera más de 112.000 informes analíticos por temporada.
En el Mundial 2026, la selección de Estados Unidos de Mauricio Pochettino usó Sportian Performance para combinar datos, vídeo e información generada por IA. El módulo Performance Live Pro procesó más de 6.400 métricas y 1.936 variables individuales en tiempo real durante los partidos, con alertas sobre la estructura táctica del rival y sobre los indicadores físicos de los jugadores. Estados Unidos ganó 4-1 a Paraguay en su debut.
En septiembre de 2026, la Federación Mexicana de Fútbol, a través de su Centro de Innovación y Tecnología (CITEC), anunció que pondrá Sportian Performance a disposición de los 51 clubes de la Liga BBVA MX, la Liga BBVA Expansión MX y la Liga Femenil BBVA desde la temporada 2026-27, además de sus selecciones. Los 51 clubes podrán usar la plataforma para analizar vídeo y datos, generar informes automáticos y recibir alertas en directo.
La infraestructura cambia de escala. El principio es el mismo que el de Villalba con un Excel limpio y un script de Python.
Cómo automatizar tu informe post partido en 5 pasos
Paso 1: Decide qué preguntas responde tu informe
Antes de abrir Power BI, siéntate con el entrenador y pregúntale qué necesita saber el lunes. No qué le gustaría ver: qué necesita para preparar la semana. Las respuestas te dan las métricas. Las métricas te dan las fuentes. Las fuentes te dicen qué conectar.
Un error habitual es construir el informe desde los datos disponibles en lugar de desde las preguntas reales. El resultado es un dashboard que nadie usa porque responde preguntas que nadie hizo.
Paso 2: Reúne tus fuentes de datos
Cada fuente tiene una forma de conectarse. Cuanto antes lo resuelvas, menos trabajo manual tendrás cada jornada. Si alguna de tus fuentes es una web pública, en el artículo sobre scraping de datos de fútbol con Power BI tienes cómo traer esos datos a Power BI sin programar.
| Fuente | Qué aporta al informe | Cómo se conecta |
|---|---|---|
| Tu Excel con eventos etiquetados | goles, tiros, córneres, balón parado, minutos | conexión directa en Power BI |
| Hoja de cálculo en Google Drive | lo mismo, accesible desde la nube | actualización automática programada |
| Web pública de estadísticas | estadísticas agregadas de tu liga | conexión web en Power BI o scraping con Python |
| XML de un proveedor (InStat) | todas las acciones con coordenadas | importación en Power BI: campogramas y mapas de calor |
| API de un proveedor (StatsBomb, Wyscout, Catapult) | eventos y datos físicos de GPS | Python |
Paso 3: Monta un modelo de datos que crezca cada jornada
El modelo de datos es el esqueleto del informe. Se apoya en tablas relacionadas: partidos, jugadores, acciones. La tabla de partidos crece cada jornada añadiendo una fila. El informe no cambia: cambian los datos que lo alimentan.
Si montas bien las relaciones desde el principio, jornada tras jornada no tienes que tocar nada del diseño. Solo añadir los datos nuevos.
Paso 4: Construye el informe en Power BI
Si nunca has montado un dashboard, en el artículo sobre cómo crear un dashboard de fútbol en Power BI tienes el proceso desde cero, sin programar.
Una vez conectadas las fuentes, actualizar el informe es pulsar un botón: Power BI vuelve a leer el archivo. Si los datos viven en Google Drive o en una web pública, puedes programar la actualización desde Power BI Service para que ocurra sola, por ejemplo cada día.
Si los datos están solo en tu ordenador, la puerta de enlace de Power BI los sube a la nube. Es un paso más, y pide un ordenador con al menos 8 GB de RAM, pero funciona.
Para los campogramas y los mapas de calor, los XML de proveedores como InStat traen todas las acciones del partido con coordenadas X e Y: recuentos por equipo y por jugador, listos para visualizar.
Paso 5: Programa la actualización y usa Python para lo que no tiene botón
Power BI cubre la mayor parte del trabajo. Python entra donde no hay conector directo: cuando los datos llegan por API (StatsBomb, Wyscout, Catapult para GPS), cuando necesitas hacer web scraping de una fuente que no tiene conexión nativa, o cuando el procesamiento es demasiado específico para hacerlo dentro de Power BI.
El web scraping con Python sustituye el trabajo de apuntar datos a mano y da acceso a estadísticas agregadas y de eventos sin depender de un proveedor de pago. La conexión por API a Catapult, por ejemplo, es lo que permite traer los datos de GPS directamente al pipeline sin pasar por exportaciones manuales.
Si quieres empezar por ahí, tienes los primeros pasos en el artículo sobre Python para analistas de fútbol.
Lo que la automatización no hace por ti
El dato automatizado llega limpio, pero llega sin contexto. Y el contexto lo pones tú.
Eso es lo que Villalba subraya con más énfasis: los datos objetivos tienen que convivir con la información más subjetiva sobre el estado del jugador. Conocer al cuerpo técnico, entender la idea del club, saber en qué momento de la temporada está el equipo y cómo llegó físicamente al partido. Sin eso, un pico de distancia en alta intensidad puede parecer un dato positivo cuando en realidad es una señal de alarma.
Lo mismo aplica a la IA. Sportian Performance procesa más de 6.400 métricas en tiempo real y lanza alertas automáticas, pero son el cuerpo técnico y el analista quienes deciden qué hacer con esa información. Precisamente porque las herramientas son cada vez más potentes, entender las bases de tus datos, saber qué significa cada métrica y cuándo una muestra de un partido no es suficiente para sacar conclusiones, es lo que separa al analista que aporta del que simplemente reporta.
Hay métricas estables en un solo partido, como la altura de bloque o la estructura de construcción, que ya dicen algo. Y hay métricas que solo tienen sentido acumuladas en cinco o diez partidos, como la conversión o el xG por tiro. Confundirlas es el error más caro que puede cometer un informe.
Que el lunes vuelva a ser para analizar
El informe post partido no es el fin del proceso: es el punto de partida de la semana. Si lo construyes bien la primera vez, cada jornada siguiente solo tienes que añadir los datos y el sistema hace el resto. Lo que ganas no es tiempo libre: es tiempo para pensar. Para hacer las preguntas que el cuerpo técnico necesita que alguien se haga.
El consejo de Villalba para quien empieza es claro: no dejarse llevar por las modas y dominar primero lo menos vistoso. Limpiar y procesar los datos con orden y constancia. Después, todo lo demás es más sencillo.
Si quieres montar tu propio informe post partido con Power BI y Python, como los que se hacen en Unión, en Datos 360 lo construyes paso a paso con datos reales de fútbol. Y si todavía estás empezando con los datos, arranca por el curso gratis de Power BI.
