Con la incorporación progresiva del Big Data en el fútbol, los marcadores de rendimiento tradicionales se han visto abrumados por la cantidad de registros e información que se recogen con las nuevas metodologías de trabajo (GPS, drones, métricas, modelos predictivos,…).
Esto no aplica solo al aspecto físico, donde a nivel profesional, es impensable que un equipo no trabaje con este tipo de dispositivos, o no tenga en cuenta dentro de los entrenamientos datos como el número de aceleraciones, deceleraciones o la distancia a sprint en diferentes rangos de velocidad que realizan los jugadores.
El aspecto técnico–táctico también se ha visto influenciado y ahora podemos conocer el número de contactos de un jugador con el balón, el porcentaje de acierto, la dirección, el número de ataques realizado por sector del campo e incluso construir redes donde se vislumbre las conexiones entre jugadores, y estos avances incluyen las métricas (combinaciones de datos que nos sirven para analizar el rendimiento).
Mi nombre es Adrián Martín Castellanos, soy graduado en Ciencias de la Actividad Física y el Deporte y ex – analista del C.D Leganés S.A.D., en la categoría Juvenil División de Honor, y hoy Objetivo Analista me brinda la oportunidad de escribir y compartir opiniones con vosotr@s sobre algunas métricas que podemos tener en cuenta a la hora de analizar a los jugadores, a los equipos equipos rivales y a nuestro equipo.
Expected goals o Goles esperados (xG)
Para esta métrica hay un artículo específico en el blog, realizado por Dani Pérez, el cual puedes leer aquí. Pese a ello, realizaremos un breve recordatorio sobre la misma.
La métrica xG se basa en la atribución a una ocasión creada de un valor de entre 0 a 1, siendo este valor dependiente de diversos factores, e interpretable como un porcentaje de conseguir dicho gol. Por ejemplo a un valor 0,1 le correspondería un 10% de posibilidades de conseguir marcar. Normalmente, se suele utilizar los tiros como sustitutos para contabilizar las oportunidades de gol, ya que son intentos de anotar y son sencillos de identificar (Brechot y Flepp, 2020), y se utiliza la distancia y ángulo como variables principales (Rathke, 2017).
Dependiendo del distribuidor de los datos, se tienen en cuenta una serie de diferentes variables, y el modelo entrenado para facilitar los datos suele variar. Como breve resumen, podemos señalar las siguientes variables facilitadas en las diferentes páginas web:
- Opta (2020): tipo de asistencia, ángulo de tiro y distancia a la portería.
- Wyscout (2020): localización del tiro, localización de la asistencia, si el golpeo es de cabeza o con el pie, tipo de asistencia, si se ha regateado a un jugador de campo o portero antes de realizar el tiro, si el tiro es precedido por una acción a balón parado, si fue un contraataque o transición…
En la Tabla 1 podemos observar más indicadores señalados por Brechot y Flepp (2020).
En las siguientes dos imágenes se puede comparar y ver claramente los xG en dos situaciones distintas (Figura 2 y Figura 3).
Según Tippett (2019), los goles esperados sirven para determinar los goles que se esperaría que un equipo marcase a partir de la cantidad y la calidad de las ocasiones de gol creadas en un partido. Pelechrinis y Winston (2019) comentan que es, posiblemente, la métrica avanzada más prominente usada hoy en día en el fútbol y que también se puede utilizar para evaluar estadísticamente a los jugadores.
“Si un jugador está rindiendo por encima de sus goles esperados, sugiere que o tiene suerte, o está rindiendo por encima del promedio. Si esto persiste año tras año, esta última hipótesis sería muy plausible.”
Pelechrinis y Winston (2019)
Además esta métrica, de forma general, contiene más información del verdadero rendimiento del equipo en el campo que los resultados del partido (Brechot y Flepp, 2020).
Expected assists o Asistencias esperadas (xA)
Las asistencias esperadas miden la probabilidad de que un pase se convierta en una asistencia de gol. Para ello, similar al caso de xG, se le asigna un valor al pase que se relaciona con la oportunidad de que acabe siendo una asistencia. Pese a ser similar al xG, el valor que se le asigna no depende de si finalmente el compañero realiza un tiro a portería.
En Opta se consideran factores como el tipo de pase, la distancia y la posición donde recibe la pelota el compañero. Adjunto un video por si queréis saber más sobre esta métrica.
Os dejo también una gráfica sencilla (Figura 4) realizada en la web de Jesús Lagos (@Vdot_Spain), donde se puede observar las xA por 90 minutos y las asistencias por 90 minutos.
Expected points o Puntos esperados (xP o xPts)
Para esta métrica, principalmente usaré como referencia a Tippett (2019), pues considero que deja bastante claro en su libro cómo llevar a cabo su cálculo. Los puntos esperados es una métrica que refleja la cantidad promedio de puntos a largo plazo que un equipo habría esperado conseguir si el partido se hubiese jugado cientos de miles de veces.
Se calcula partiendo de los xG acumulados en un partido, comparando los conseguidos por ambos equipos. Posteriormente se simula el partido con todas las probabilidades de los tiros un número muy elevado de veces (por ejemplo: 100.000) y se anota las veces que gana un equipo, las veces que pierde o las veces que se produce un empate.
El número conseguido en cada apartado se pasa a porcentaje, y se aplica la siguiente fórmula:
xP = (Puntos que se consiguen por ganar x Posibilidad de ganar) + (Puntos que se consiguen por empatar x Posibilidad de empatar) + (Puntos que se consiguen por perder x Posibilidad de perder).
Los equipos dominantes suelen presentar entre 2.1–2.8 (xP), mientras que los dominados rozan los 0.1–0.5 (xP). Si queréis “trastear” con esta métrica, aquí os dejo un enlace facilitado en Tippett (2019) para calcular los xP de un partido.
Pases Permitidos por Acción Defensiva (PPDA)
Esta métrica busca determinar la presión que realizó el equipo defensor sobre los jugadores rivales cuando tienen la pelota. Para ello se tienen en cuenta el número de pases realizados por el equipo atacante y el número de acciones defensivas (entradas, intercepciones, faltas y duelos defensivos ganados), que se producen en 60% del campo del equipo defensor. Es decir, si nos fijamos en la Figura 5, sería el área total que abarca desde la x=40 hasta el final del campo en dirección del ataque.
La fórmula propuesta sería:
Número de pases totales del rival en ese 60% del campo / Número de acciones defensivas en ese 60% del campo (duelos ganados + intercepciones + faltas + entradas).
Cuanto menor sea el número resultante, mejor estará realizando el equipo una presión alta.
Otras métricas
Además de las ya comentadas podemos tener en cuenta las siguientes métricas aunque no se vean tan a menudo.
Expected Goal Chains (xGC)
Lawrence (2018) comenta que esta métrica surge como medida para tener en cuenta las contribuciones de los jugadores involucrados en las primeras fases de los ataques, como los centrales o los jugadores organizadores, buscando ir más allá de xA y xG, que principalmente evalúan a los jugadores ofensivos. Parte de la suma del xG de cada acción terminada en tiro en la que haya participado un determinado jugador.
Expected Goal Buildup (xGB)
Según Lawrence (2018), es una métrica destinada al juego de preparación, que excluye la importancia del tiro y la asistencia, dándole peso a la construcción de la jugada.
Off-ball scoring opportunity (OBSO)
Se presenta como un modelo que utiliza los datos de seguimiento de los jugadores para establecer los momentos clave en el análisis post-partido, obteniendo los mapas de oportunidades específicos por jugador y atendiendo a las zonas de especial peligro (Spearman, 2018).
Plus – minus (PM)
El modelo PM tiene estrecha relación con el hockey sobre hielo y el baloncesto. Como muchas de las métricas busca comparar el rendimiento que tiene el equipo con un jugador o sin él. La fórmula utilizada normalmente cuenta con los goles y los minutos disputados por el jugador. En Kharrat, McHale y Peña (2020) se pone el siguiente ejemplo:
“Si un jugador disputa de inicio 60 minutos y su equipo encaja un gol, perdiendo 1 – 0 el partido, y en otro partido el jugador entra 30 minutos, cuando su equipo disfruta de una ventaja de 3 – 0, y el partido acaba 5 – 0, el PM del jugador sería ((-1/60)+ (2/30)) x 90 = 4,5, concluyendo que cuando el jugador está en el campo el equipo consigue +4.5 goles por 90 minutos más que los rivales; cuando el jugador no está en el terreno de juego, el equipo acumula ((0/30) + (3/60)) x 90 = 4,5. En su comparación, no hay diferencias, por lo que se podría decir que el equipo es igualmente exitoso con el jugador que sin el jugador”
Kharrat, McHale y Peña (2020)
En el mismo estudio también se comenta la creación de dos métricas igualmente novedosas, como son el xGPM, para identificar a jugadores que puedan cambiar los xG de un equipo, y el xPPM, para identificar jugadores que cambian los resultados del equipo al afectar a los puntos esperados del equipo.
Espero que toda esta información expuesta haya sido útil y que muchos os animéis a probar este tipo de recursos, que, aunque pueden parecer muy complejos en un inicio, facilitan y mejoran la oportunidad de evaluar rendimiento de equipos y jugadores.
Pese a que algunos de los casos que hemos visto sean difíciles de llevar a cabo en clubes no profesionales (xG, xA, …) podemos buscar alternativas (PM) que sean más accesibles y que, a la larga y tras recoger muchos datos, nos puedan aportar algo más de información para hacer una reflexión crítica sobre el desempeño del equipo.
Si estáis interesados, en la web de Scout Analyst podéis encontrar herramientas gratuitas para iniciaros en el mundo de las métricas. Además, en las siguientes páginas web podéis encontrar información y bases de datos para poder realizar análisis con los datos comentados en este artículo.
Si os surge alguna duda, quedo a vuestra disposición tanto en el foro del blog como en redes sociales. Me gustaría saber vuestra opinión sobre el tema y para qué las utilizáis o los posibles usos en el futuro, por lo que os animo a comentar en el blog o por redes sociales, mi Twitter es @Adri_M_Oficial y en Instagram @Marcando_al_9. Un saludo!
Referencias bibliográficas
Brechot, M., & Flepp, R. (2020). Dealing with randomness in match outcomes: how to rethink performance evaluation in european club football using expected goals. Journal of Sports Economics, 21(4), 335-362.
Kharrat, T., McHale, I. G., & Peña, J. L. (2020). Plus–minus player ratings for soccer. European Journal of Operational Research, 283(2), 726-736.
Lagos, J. (2020). Cuadros de mando. Recuperado 3 de noviembre de 2020, de Scout Analyst website: https://scoutanalyst.com/
Pelechrinis, K., & Winston, W. (2019). A Skellam Regression Model for Evaluating Soccer Positions. arXiv preprint 1807.07536v4
Rathke, A. (2017). An examination of expected goals and shot efficiency in soccer. Journal of Human Sport and Exercise, 12(2proc), S514-S529. doi: https://doi.org/10.14198/jhse.2017.12.Proc2.05
Spearman, W. (2018, February). Beyond expected goals. In Proceedings of the 12th MIT sloan sports analytics conference (pp. 1-17).
Tippett, J. (2019). The Expected Goals Philosophy: A Game-Changing Way of Analysing Football.