Es ya sabido que cada vez es mayor el número de empresas u organizaciones que vienen haciendo uso de Analytics en sus estrategias de negocios. Sin embargo, esta tendencia no solamente se ve en los negocios sino también en el ámbito deportivo, pues el uso estratégico de Analytics, desde hace algunos años, ya ha empezado a influir de manera creciente en las tácticas y decisiones de los deportes profesionales, tales como el béisbol y el baloncesto.

Pero si abordamos el ámbito relacionado al fútbol, este nunca ha sido un deporte dependiente, en gran medida, de los análisis para tomar decisiones, tal vez porque tradicionalmente se veía al fútbol como una disciplina deportiva poco adecuada para el enfoque analítico. Para ilustrar esta diferencia con el béisbol, un caso de estudio interesante es el de los Oakland Athletics, un equipo profesional de beisbol de los Estados Unidos, que, a inicios de la década del 2000, comenzó a utilizar un enfoque analítico en sus decisiones, al tomar como base los principios de una disciplina llamada Sabermetrics, la cual hace uso de técnicas estadísticas para analizar los registros del béisbol y hacer determinaciones sobre el rendimiento de cada jugador, así como también de la actividad en el juego, mediante la recopilación y el resumen de los datos relevantes para responder preguntas específicas, por lo cual alguna vez se acuñó a esta disciplina como “la búsqueda de conocimiento objetivo sobre béisbol”. El término se deriva del acrónimo SABR, que significa Society for American Baseball Research, fundada en 1971.

Esta tendencia comenzó cuando Billy Beane, un exjugador de beisbol convertido en ejecutivo, asumió el cargo de gerente general del equipo de los Oakland Athletics en 1997 y luego contrató a Paul DePodesta, un joven estadístico egresado de Harvard, como su asistente. A través del análisis estadístico realizado por Beane y DePodesta en la temporada del año 2002, los Oakland Athletics ganaron 20 juegos seguidos y llegaron a los playoffs de esa temporada. El éxito de los Oakland Athletics alentó a muchos equipos de beisbol, y de otras disciplinas deportivas en todo el mundo, a replicar el modelo promovido por Billy Beane.

Sus enfoques sobre el béisbol pronto obtuvieron reconocimiento mundial cuando Michael Lewis publicó “Moneyball: el arte de ganar un juego injusto” en el año 2003, libro donde detallaba el exitoso uso de esta disciplina llamada Sabermetrics, por parte Beane y DePodesta, y cómo el equipo de béisbol de los Oakland Athletics logró conseguir una ventaja competitiva frente el resto de equipos al evaluar a los jugadores usando un criterio diferente, pues tradicionalmente estos jugadores eran reclutados por aspectos visibles como velocidad, aspecto físico o popularidad, cuando las métricas usadas por los Oaklands Athletics se centraban en conseguir victorias, para lo cual debían conseguir carreras y evitar que su oponente complete carreras. Posteriormente, y debido al éxito de la publicación del libro de Lewis, en el año 2011, se estrenó una película basada en este libro, también llamada “Moneyball”, protagonizada por Brad Pitt y Jonah Hill, la cual se convirtió en un éxito mundial de taquilla e hizo incluso más conocidas las estrategias utilizadas por los Oaklands Atheltics.

De manera específica, las estrategias de Beane y DePodesta se centraron en dos métricas poco relevantes en el mundo del beisbol hasta ese momento: porcentaje en base (OBP, por sus siglas en inglés) o porcentaje de veces que un jugador llega a una base en su turno y porcentaje de slugging (SLG, por sus siglas en inglés) o cuán lejos, en cuanto a cantidad de bases, llega un jugador en su turno. Todo esto fue considerado en un modelo estadístico que determinó que, para tener una gran probabilidad de llegar a los playoffs, debían ganar 95 juegos, con una diferencia positiva de 135 carreras en total durante toda la temporada.

A diferencia del béisbol, siguiendo la sabiduría convencional, el fútbol parecía, aparentemente, imposible de cuantificar, pues gran parte del juego implica mover la pelota de un jugador a otro mientras se espera la oportunidad de crear una situación para anotar. Pero esto se demostró que estaba equivocado cuando Ian Graham, un PhD en Física de la Universidad de Cambridge y Director de Investigación del Liverpool F.C, creó desde cero su propia base de datos para seguir el progreso de más de 100,000 jugadores en todo el mundo, y, de esa manera, poder recomendar cuál de estos jugadores debería adquirir el Liverpool F.C., equipo para el cual todavía trabaja en la actualidad, y, posteriormente, cómo estos nuevos jugadores deberían ser parte de la estrategia del club. Graham realiza este análisis al introducir datos detallados sobre los juegos en sus modelos de decisión y, al contrario de lo que cabría esperar, no mira los juegos de fútbol para crear estos modelos, porque cree que esto contribuye a crear un sesgo negativo para tomar las decisiones adecuadas.

Los resultados de los últimos años del Liverpool F.C. son la evidencia tangible de que las estrategias estaban funcionando, ya que fueron tanto subcampeones (2017-18) como campeones (2018-19) en las últimas dos temporadas de la UEFA Champions League y, sean cuales sean sus resultados futuros, los resultados sobresalientes del Liverpool F.C. ya han comenzado a generar cambios en las formas tradicionales de tomar decisiones en este deporte, no solo en Inglaterra sino más allá. Como resultado, más equipos de fútbol contemplan contratar especialistas en Analytics, sin importar mucho si poseen experiencia en fútbol, para intentar replicar este éxito único.

Adicionalmente, un dato interesante que vale la pena notar es que fue el mismo Ian Graham quien recomendó al Liverpool F.C. adquirir al futbolista egipcio Mohamed Salah en el año 2017, quien en ese momento jugaba en Italia. Ese año, Liverpool F.C. pagó a la A.S. Roma, un club de fútbol italiano, alrededor de USD 40 millones por Salah. Los datos de Graham mostraron que Salah sería un buen partido para el jugador brasileño Roberto Firmino, otro de los delanteros del Liverpool F.C., cuyas estadísticas mostraban que generaba más goles esperados de sus pases que casi cualquier otro jugador en su posición, y, finalmente, esa predicción resultó ser cierta: durante la siguiente temporada 2017-18, Salah convirtió esos goles esperados en reales y al mismo tiempo rompió el récord de la Premier League al anotar 32 veces en una temporada.

Los especialistas en Analytics ahora están registrando datos de miles de acciones durante los juegos y las sesiones de entrenamiento. Pero no se trata tanto de recolectar datos únicamente sino más bien de dar sentido a estos datos. Los clubes de fútbol en la última década han tenido que lidiar con una revolución tecnológica y lo que eso significa es que han comenzado a recopilar muchos datos como base de su estrategia. Los datos deportivos son básicamente una reconstrucción del partido, pero ¿por qué es útil recopilar todos estos datos? La razón principal es tener una manera de contar una historia detallada de cómo se jugó un partido específico y la posibilidad de verlo a través de diferentes lentes, por ejemplo, cuántos pases y disparos se hicieron, también denominados datos de eventos, y, de la misma manera, desde hace poco se ha empezado a recolectar los datos de seguimiento usando chalecos de rastreo GPS portátiles, y que nos permiten ver la actividad detallada de cada jugador a través de puntos que se desplazan por el campo o visualizaciones de mapas de calor, para que sea posible contar la historia detallada de un partido de una mejor manera, ya que todo lo que hace un jugador queda registrado.

El uso de Analytics está impulsando las estrategias de las principales empresas y organizaciones de todo el mundo y, ahora, estos métodos se están aplicando al fútbol y, en general, a muchas otras disciplinas deportivas, ​​desde la sala de juntas hasta la sala de entrenamiento.