Si la recopilación, el manejo y sobre todo el análisis de datos es clave para la toma de mejores decisiones en el ámbito empresarial, no es de extrañar que se haya convertido en algo vital en un mundo tan competitivo como el deporte de élite.

Deporte y datos: un sector al alza

En el deporte de élite las victorias equivalen a mayores beneficios económicos. Y lo que empezó como algo que afectaba en mayor medida a las apuestas y las audiencias, se ha convertido en una herramienta clave para las organizaciones deportivas.

El mercado del análisis deportivo crece a pasos agigantados. Según un estudio de Grand View Research, sólo en 2020 el mercado del análisis deportivo movió más de 920 millones de euros, y se calcula que la cifra ascenderá a 3.380 en 2025.

Un poco de historia: todo empezó con el béisbol

Uno de los primeros deportes en utilizar estrategias de Big Data fue el béisbol. En los años setenta, Bill James fue un pionero en el análisis de los registros históricos de los jugadores de las grandes ligas americanas.

Años más tarde, en 2011, y también en el ámbito del béisbol, el entrenador de los Oakland Athletich, Billy Bean, creó sus propios indicadores de evaluación de los jugadores. Así, consiguió fichar a jugadores de alto rendimiento y bajo coste (y acabaron ganando la liga). Si os suena esta historia seguramente es porqué fue el argumento de la película Moneyball (2011), protagonizada por Brad Pitt.

Medición: cómo se obtienen los datos en el deporte

¿Sabíais que en un partido de fútbol pueden capturarse cerca de 8 millones de datos? De esta ingente cantidad de información el ojo humano sólo es capaz de retener un 30%. Por eso cada especialidad deportiva ha confiado en diferentes tecnologías y herramientas de medición, que han ido avanzando y mejorando con los años.

Lo que empezó con simples libretas donde se anotaban infinidad de estadísticas, pasó a llenar complejas hojas de cálculo. Posteriormente se añadió la grabación de los partidos a través de videocámaras, situadas en el mayor número de ángulos posibles, para obtener hasta el más mínimo detalle de las acciones de los deportistas.

En la Liga española de fútbol, por ejemplo, utilizan un sistema que registra los partidos con 8 cámaras para captar datos como la capacidad física de cada jugador, datos técnicos y estadísticas como el porcentaje de pases acertados, la potencia de los chutes, la velocidad actual o la distancia recorrida.

Con la llegada de los dispositivos wearables, los data scientists deportivos de los grandes equipos pueden ahora obtener muchos datos que son “invisibles” a las cámaras.

Aunque están prohibidos en los partidos, entrenamientos, equipos como el FC Barcelona o el Real Madrid utilizan en los entrenamientos una especie de chalecos negros llenos de sensores como acelerómetros, giroscopios, cardiómetros, GPS, medidor de oxígeno y hasta medidor de impactos. Estos dispositivos son capaces de detectar la fatiga y el dolor muscular, cuantificar el rendimiento de los jugadores, obtener mapas de calor de las zonas donde se mueven e incluso medir el estrés físico de los impactos.

De horas a minutos: los algoritmos facilitan el procesamiento de los datos

Más allá de la obtención, y antes del análisis de los expertos, los miles de datos recogidos en cada deporte deben ser correctamente procesados.

En el caso del vídeo, no hace mucho se necesitaban horas y horas de edición de vídeo hasta obtener la información deseada. Ahora, y gracias al uso de algoritmos de machine learning, esta información se obtiene en minutos. Aunque estos algoritmos deben ser “entrenados” definiendo qué datos importan y en qué grado para generar la ventaja competitiva, lo cierto es que esta automatización libera a los expertos de este primera “limpieza” de los datos.

En el ámbito del deporte también es importante la visualización de los datos obtenidos. Muy a menudo los encargados de analizar los datos y tomar decisiones deportivas no son perfiles especializados, y una visualización comprensible es vital para su fácil y correcta comprensión.

De los datos a las decisiones (humanas)

A pesar de que las tecnologías y herramientas de obtención y procesamiento de datos en el deporte permiten una automatización muy valiosa, el conocimiento experto de los entrenadores y de los responsables de la toma de decisiones es el que, en última instancia, acaba determinando el buen análisis de los datos.

Ver también

Queda claro, pues, que con el Big Data se disponen de más y mejores datos, pero la valoración subjetiva y contextualizada aún no la puede hacer ninguna “máquina”. Por suerte, los humanos continuamos siendo irremplazables.

¿Para qué sirven tantos datos deportivos?

Con la infinidad de datos y estadísticas disponibles, los entrenadores y responsables deportivos pueden conocer en profundidad al propio equipo y a los deportistas y, en menor medida, también a los rivales.

Con el Big Data, por ejemplo, se pueden obtener patrones de movimiento o entender las dinámicas del juego, y también hacer mejores interpretaciones de lo que sucede durante un partido o competición deportiva. Esto es lo que hace Carolina Marín, tricampeona mundial en bádminton. Desde que se apoya en la analítica avanzada, ha analizado con su entrenador más de 240.000 partidos (suyos y de sus rivales). De esta manera ha conocido sus puntos fuertes y débiles, y los ha utilizado para mejorar su técnica y preparar los partidos.

Los datos detallados del estado físico de los deportistas también permiten hacer adaptaciones personalizadas de la preparación física, ayudando así a evitarfuturas lesiones.

Las estadísticas personales de cada deportista también pueden ser usadas para la captación del mejor talento. Un ejemplo paradigmático es el de la NBA, la liga de baloncesto de los Estados Unidos: el uso del Big Data ha revelado que es mucho mejor anotar más triples en lugar de puntos debajo de la canasta, y esto ha transformado la competición: la mayoría de los equipos busca jugadores más bajos y más versátiles.  

El Big Data no puede conseguir por si solo ganar partidos, pero ofrece una valiosísima ventaja competitiva: los datos sirven para tomar decisiones a tiempo real en un partido, mejorar las estrategias de juego, hacer análisis predictivos e incluso fichar nuevos jugadores. Y esto solo es el principio.

Un proyecto de:

© 2022 CECA.
Todos los derechos reservados.

Ir arriba