Analítica, ¿presente y futuro del deporte?

¿Cuál es el futuro del uso de la analítica deportiva? Pronosticar el resultado de un partido con precisión es de gran importancia por todos los activos financieros que están en juego, desde las apuestas de los hinchas, hasta el costo de oportunidad del equipo. El acceso a información estadística ha aumentado el interés por desarrollar modelos de predicción que pronostiquen los resultados de un partido y dejen percepciones para pronósticos futuros. El futuro de la analítica deportiva está en continua evolución y existen diferentes metodologías derivadas de sabermetrics, conocida por revolucionar la manera de entender un juego mediante la recolección de estadísticas que son útiles para responder preguntas específicas sobre el desempeño de los jugadores. Sin embargo, el volumen de datos que se posee puede llegar a ser abrumador y, si no se usa de la manera correcta podría sobre o sub estimar los resultados. Esto nos lleva a cuestionarnos, ¿sobre qué criterios se debe realizar una evaluación? y ¿cuál es el modelo del cual obtendremos el resultado más preciso? Este artículo realiza una análisis de la metodología de “Machine Learning”, la cual es conocida por ser una de las más adecuadas para predicciones por sus modelos que pueden pronosticar resultados mediante el uso de datos históricos.

Un mecanismo derivado de Machine Learning, es conocido como “Redes Neuronales Artificiales” (Artificial Neural Networks ANN, por sus siglas en inglés), que, como  su nombre lo indica, es un modelo inspirado en el área neuronal el cual pretende replicar la manera en la que los humanos aprenden. El proceso que se utiliza  transforma los  datos observados ingresados en una salida o resultado.  Consiste en  la elección de variables que estén relacionadas con la variable dependiente y mediante un modelo que mejor se ajuste a los datos,  se aplica uno o varios algoritmos de aprendizaje que cambian constantemente según los pesos que se asignan, mientras que de manera constante se realizan pruebas de robustez para construir el modelo de predicción deseado. La siguiente figura muestra de manera gráfica el proceso de ANN:

Un ejemplo del uso de esta herramienta, es un estudio realizado por Purucker (1996), para predecir resultados de la National Football League (NFL). Los datos fueron extraídos de las primeras ocho rondas de competencia y las variables utilizadas fueron yardas ganadas, yardas terrestres ganadas, margen de rotación, tiempo de posesión y apuestas en línea. El modelo alcanzó una precisión del 61%, pronosticando acertadamente el 61% de los resultados durante las siguientes semanas. Mientras que, un estudio realizado por Blaikie (2011), encontró que bajo la misma metodología, el modelo para predecir los resultados de la NFL era en promedio 2 puntos más preciso que el modelo para predecir el resultado de partidos entre equipos universitarios. La diferencia en la precisión de la predicción se fundamenta en los comportamientos de ambos grupos, como la habilidad de ambos equipos y la fuerza de sus entrenamientos. Esto permite considerar nuevos inputs que tienen mayor incidencia sobre el resultado y descartar otros que no aportan sobre él de manera significativa.

En conclusión, las herramientas utilizadas para realizar pronósticos deportivos en el área analítica están en constante evolución y aprendizaje para que tengan mayor capacidad predictiva. Sin duda alguna, la analítica deportiva puede ser mucho más precisa mientras se prioricen factores que influyen significativamente sobre el resultado.  El futuro de esta área va mucho más allá el análisis de factores extrínsecos. Es por ello, que se debe pensar en factores intrínsecos como el sentido de responsabilidad o comportamiento de los jugadores y su correlación con su desempeño durante el juego.

Autores: Andrea Durgano y Karla Clerque, consultoras

Referencias bibliográficas

M.C. Purucker, Neutral network quarterbacking, IEEE Potentials 15 (1996) 9-15.

Blaikie, A. D., Abud, G. J., David, J. A., & Pasteur, R. D. (2011). NFL & NCAA Football Prediction using Artificial Neural Networks. In Proceedings of the Midstates Conference for Undergraduate Research in Computer Science and Mathematics, Denison University, Granville, OH.