Nos vestimos de rojo y blanco, y contagiados por la fiebre de la Copa América, escribimos un newsletter especial sobre el uso de la ciencia del conocimiento en el fútbol.

Uno de los factores claves durante la era Gareca, ha sido el uso de tecnología para medir el rendimiento y diseñar jugadas preconcebidas basadas en los mejores atributos de los jugadores, en donde estamos superando a equipos con “estrellas” teniendo un equipo mucho menos “valorizado” en el mercado de pases internacional. Esto ya ha sucedido antes en el Béisbol norteamericano, y no hay mejor ejemplo que el caso de Oakland Athletics, que era un equipo que tenía problemas financieros y no podía acceder a jugadores mas caros, y lo que hizo fue conformar uno de los equipos más exitosos de la historia de la liga de béisbol norteamericana, contratando jugadores de presupuesto accesible y que poseían virtudes específicas para conformar un equipo muy funcional y complementario. Esto se recogió en un libro llamado Moneyball, de Michael Lewis’s en el 2003…es probable que el comando técnico peruano, basado en esta experiencia decidiera hacer lo mismo con el equipo nacional.

Las funcionalidades que recogen estas soluciones son similares a la de cualquier solución basada en Inteligencia Artificial en los Negocios: 

• Primero es capturar la mayor cantidad de información, la cual proviene de los exámenes médicos y físicos de cada jugador, de los videos de los partidos en donde participan utilizando algoritmos de reconocimiento de imágenes, del uso de drones sobre la cancha de césped durante los partidos y entrenamientos, u obtenida utilizando sensores que portan los jugadores durante el juego.
• Luego, viene la ingeniería de datos que permite establecer rendimientos dentro de rangos válidos, descartando, por ejemplo, super o sub-rendimientos (outliers encontrados por ejemplo en la goleada que recibimos de Brasil por 5-0), e incorporando otras variables externas tales como variables climáticas, asistencia a los partidos, local o visitante, estadio en el que se juega, estado del campo, entre otras.
• Aquí entran a tallar los algoritmos matemáticos para reconocer primero patrones en esta data, y luego maximizar rendimientos o efectividad. Por ejemplo, se utiliza una variable que es denominada el “gol esperado”, que indica cuales son las combinaciones de jugadores, esquemas de juego (4-3-3, 4-2-3-1, etc.), para lograr un gol en determinado tiempo del partido.
• Se incorpora a los modelos la información de análisis del equipo contrario, que se obtiene principalmente de los videos, tal como se ha hecho con el equipo peruano.
• Finalmente, las soluciones plantean las alternativas que maximizan la probabilidad de obtener determinado resultado. Esta información la muestran en tableros de control en donde se muestran mapas de calor sobre el campo de futbol, líneas sobre las combinaciones recomendadas por los modelos, y los desplazamientos que debe hacer cada jugador de acuerdo con lo que el modelo sugiere.

Un ejemplo de jugada sugerida es la desarrollada en el partido de Perú contra Chile, observen en la repetición que Carrillo siempre estaba detrás de Guerrero quién “jalaba” a los marcadores, y era Carrillo quién al venir inmediatamente detrás aprovechaba la zona libre despejada por Paolo. Esto se observa claramente en la jugada del gol de Flores, y en varios pasajes del partido.