Como se ha puesto de moda ese nombre, y muchos lo están empezando a usar a modo de burla, además también supongo que por ignorancia en este tema, pues he querido subir algo. Resulta que antes de criticar algo que desconozco en el plano futbolístico (conozco por mi trabajo el Big Data para la realización de coches autónomos nivel 5), he buscado información, y curiosamente equipos pioneros en este aspecto como el Liverpool han tenido éxito, y una importante culpa la tiene este nuevo proceso, resulta que para trabajar en ellos han contratado a un ajedrecista (ya me huelo chiste de Setién), un doctor en física y un astrofísico. Os dejo el artículo:

LIVERPOOL, Inglaterra — Jürgen Klopp llevaba apenas tres semanas como director técnico del Liverpool cuando el director de análisis del equipo, Ian Graham, llegó a su oficina con un puñado de papeles. Era noviembre de 2015. Graham quería mostrarle a Klopp, a quien no había conocido hasta ese momento, qué se podía hacer con su trabajo y esperaba persuadirlo para que lo aprovechara.

Graham puso los papeles sobre la mesa y empezó a hablar sobre un partido que Borussia Dortmund, el club alemán que Klopp había dirigido antes de unirse al Liverpool, había jugado la temporada anterior. Hizo notar que Dortmund tuvo muchas oportunidades en contra del Mainz, un club más pequeño que terminó en undécimo lugar de la tabla, y aun así el equipo de Klopp perdió 2-0. “Ah, ¿viste ese juego! Fue una locura, los estábamos aniquilando. ¡Lo viste!”, le dijo Klopp.

Graham no había visto el partido, pero cuando Liverpool estaba debatiendo unos meses antes quién debía remplazar al anterior director técnico, Graham alimentó un modelo matemático computacional que construyó con todos los pases, tiros y barridas de los jugadores de Dortmund durante la gestión de Klopp. Luego evaluó todos los partidos de Dortmund según cómo sus cálculos revisaron el rendimiento de los jugadores. Fue un resultado impresionante: Dortmund terminó en séptimo lugar de la tabla de la Bundesliga durante la última temporada de Klopp ahí, pero el modelo de Graham determinó que según su rendimiento debería haber terminado en segunda posición. La conclusión de Graham fue que la temporada no terminó como debía ser, pero que no fue para nada culpa del entrenador: Klopp solamente había estado a la cabeza de uno de los equipos con menos suerte en los años recientes.

En el futbol la suerte llega a tener mucha mayor influencia que en otros deportes. Los goles son relativamente poco frecuentes; en la Liga Premier inglesa el promedio es de tres por partido. Entonces el que un disparo termine dentro de la red o justo arriba del travesaño tiene un efecto más pronunciado en el resultado final que en el beisbol un intento de jonrón conecte para cuadrangular o no, o que un corredor de la NFL avance las yardas necesarias para tener otra primera y diez.

Graham le mostró a Klopp sus análisis de otro partido de Dortmund, contra Hannover. Las estadísticas favorecían aún más del anterior club del alemán: dieciocho tiros a portería contra siete de Hannover; 55 movimientos con balón en el área en comparación con trece, y once disparos desde la lateral comparados con tres. “Perdieron 1-0”, le dijo Graham, “pero tuvieron el doble de oportunidades…”.

Klopp casi le grita: “¿Viste ese juego!”.

“No, de hecho…”-

“¡Los estábamos aniquilando! Nunca he visto algo así. Debimos haber ganado. ¡Ah, lo viste!”.

Graham no había visto ese partido tampoco. Le hizo saber a Klopp que en realidad no había visto ninguno de los partidos del Dortmund en esa temporada, ni en vivo ni en video. No había sido necesario; a menos, claro, que hubiera querido experimentar los actos de atletismo impresionantes que tiene el futbol o el drama de dos equipos que quieren ganar, las razones por las que casi todos los aficionados ven algún deporte. Para entender qué pasó, Graham solo necesitaba ver los datos.

El análisis de datos se ha vuelto relevante para planear tácticas en el beisbol o baloncesto profesionales en estos últimos años. Posiblemente vaya a tener un impacto igual de pronunciado en el futbol, que no ha dependido tanto de estadísticas para determinar jugadas. Graham —quien tiene un doctorado en Física Teórica por la Universidad de Cambridge— construyó su propia base de datos para revisar el progreso de más de 100.000 jugadores de todo el mundo.

Al recomendarle al Liverpool qué jugadores intentar contratar y luego cómo aprovechar mejor a los recién llegados, ha ayudado a que el club inglés que alguna vez fue tan exitoso quede, de nuevo, a un paso de la gloria.

Liverpool acaba de cerrar una de las temporadas más destacadas en la historia reciente del deporte. En la Liga Premier solamente perdió uno de 38 partidos, aunque terminó segundo en la tabla. Manchester City, campeón defensor, lo superó por un solo punto en el último día gracias a que ganó todos y cada uno de sus partidos de liga desde enero. De cualquier modo, Liverpool rompió un récord: la mayor cantidad de puntos acumulados en la liga en una sola temporada por el club en segundo lugar, 97 en total.

Al mismo tiempo, Liverpool estaba compitiendo contra los grandes equipos de Europa en la Liga de Campeones. En el partido de vuelta de las semifinales de ese torneo, a inicios de mayo, se recuperó de un déficit de tres goles a cero en la primera vuelta para derrotar al Barcelona, muy posiblemente el mejor equipo de esta era. Y este sábado 1 de junio Liverpool disputará el trofeo contra un rival inglés, el Tottenham Hotspur.

Más que otros clubes, el Liverpool ha incorporado el análisis de datos a las decisiones que toma, desde las corporativas hasta las tácticas. Es complicado medir qué tanto ha contribuido eso a su desempeño reciente, pero sin importar cuál sea el resultado de la final de la Liga de Campeones, el ascenso del club ya está volviendo aceptable —por no decir que ha puesto de moda— usar el análisis de datos en la liga inglesa y en otras ligas.

Ese día en noviembre de 2015, para cuando Graham dejó la oficina de Klopp, el técnico alemán había quedado más que convencido. Después hasta se enteró de que no habría sido contratado sin el análisis de Graham sobre la temporada de Dortmund, una de las muchas partes del proceso de investigación que hizo el club para decidir a quién nombrar como entrenador. “Ese departamento ahí en la parte trasera del edificio”, dijo Klopp sobre Graham y su personal, “es la razón por la que estoy aquí”.

El equipo de análisis de Graham solamente puede empujar los resultados hacia una dirección positiva poco a poco, con una recomendación a la vez. Klopp también recibe consejos de fuentes más convencionales, por lo que sus tácticas terminan siendo una mezcla de los datos con la intuición. Para prepararse antes de la semifinal de la Liga de Campeones, parece que se enfocó en cómo la defensa rápida del Liverpool podía presionar a la delantera del Barcelona al interceptar pases para convertirlos en momentos de contraataque. Ese plan funcionó, en gran medida.

Al inicio de la primera vuelta los jugadores del Barça lucían aturdidos. Pero, como suele suceder en el futbol, la ventaja táctica no resultó en goles de inmediato. En vez de eso, Luis Suárez anotó para los blaugranas y luego, hacia el final del partido, Lionel Messi —uno de los grandes del deporte—, anotó dos más.

Su segundo gol, un tiro libre que se movió en curva alrededor del muro de la defensa y por encima de la mano del portero del Liverpool, pareció mandar el mensaje de que ni la mayor cantidad de preparación analítica puede superar las habilidades trascendentales de un jugador como él. “En esos momentos es imparable”, dijo Klopp sobre Messi.

De hecho, no se consideraba que el futbol fuera un deporte apropiado para el enfoque de datos descrito en Moneyball, el libro de 2003 escrito por Michael Lewis sobre cómo el equipo de beisbol Oakland Athletics empezó a destacar al usar criterios distintos a los de otros equipos para evaluar a los jugadores. El futbol parecía imposible de cuantificar de la misma manera que bolas conectadas o cuadrangulares. Otra perspectiva


Graham creció a las afueras de Cardiff, en Gales, y desde entonces era seguidor del Liverpool. En su infancia, en los años setenta y ochenta, el club estaba en su apogeo, era el equipo dominante.

Graham estaba en su segundo año del posdoctorado en Cambridge cuando se dio cuenta de que no quería dedicarse a la física. Alguien le reenvió un aviso de trabajo en una empresa emergente de análisis que buscaba hacer consultoría para clubes de futbol y eso llamó su atención. Consiguió el empleo y le dijeron que leyera Moneyball. Pasó cuatro años, de 2008 a 2012, en el Tottenham, con varios técnicos que tenían poco interés en las sugerencias que hacía, como casi cualquier técnico en esa época.

Luego Fenway Sports Club, dueño de las Medias Rojas, compró al Liverpool y empezó a implementar su cultura inspirada en el beisbol. Contrataron a Graham para que construyera una versión del Departamento de Análisis de los Red Sox, aunque la reacción en general fue de rechazo dentro del Liverpool. “‘Esos con su laptop’, ‘No conocen el juego’: era lo que se escuchaba por aquí hasta hace unos meses”, recordó Barry Hunter, quien se encarga de búsqueda y reclutamiento de futbolistas.

Graham no hacía caso de esos comentarios. Estaba sumido en sus análisis en busca de las ineficiencias, de jugadores que no estuvieran siendo aprovechados al máximo. A finales del año pasado, hizo unas gráficas en su computadora y las proyectó sobre una pantalla. Eran estadísticas de goles anotados en total, goles anotados por minuto y oportunidades de gol creadas, así como de goles esperados. Graham antes me había comentado que solo tomar en cuenta esas estadísticas puede ser simplista, pero que, al mismo tiempo, “no siempre es necesario ver mucho más”.

Ahora, antes de cada partido, él y tres analistas que trabajan con él compilan todo un paquete informativo. A veces sus consejos contradicen lo que pensaría alguien que solamente ve el video de los partidos. Graham y su equipo, por ejemplo, podrían reportar con video que un volante por la izquierda manda varios tiros con fuerza por encima de la defensa rival y hacia la portería, pero los datos indican que los disparos con menos fuerza del delantero derecho, si está bien posicionado, resultan en goles con mayor frecuencia. Suena como una conclusión básica, pero en el futbol es casi revolucionaria.

La mayor responsabilidad de Graham es ayudar al Liverpool a determinar a qué jugadores contratar. Lo hace al meter los datos sobre sus partidos en sus fórmulas. Lo que no hace es evaluar a los jugadores a partir de videos suyos. “No me gusta verlo, te sesga”, afirmó. Graham quiere que el club en el que trabaja gane pero también quiere una validación para sus juicios estadísticos. “Para todos estos jugadores se han discutido los méritos relativos”, dijo. “Y si les va mal lo siento como una afrenta personal. Si creo que alguien es un buen futbolista de verdad de verdad quiero que le vaya bien”. La física del juego


En Melwood, el complejo de entrenamiento del club ubicado en un vecindario residencial de Liverpool, Graham trabaja desde una habitación de muros blancos al final del pasillo donde están ubicados también los entrenadores y la cafetería.

Tim Waskett, quien estudió astrofísica, se sienta a la izquierda de Graham. Cerca está Dafydd Steele, excampeón de ajedrez juvenil con un posgrado en matemática que antes trabajaba para la industria energética. Will Spearman es la contratación más reciente del departamento y tiene un historial igual de inesperado. Creció en Texas, donde hizo un doctorado en física de altas energías en la Universidad de Harvard; después trabajó en Ginebra, en el CERN (la organización de investigación nuclear), donde los científicos verificaron la existencia de la partícula subatómica bosón de Higgs. La tesis de Spearman fue la primera en dar una medida precisa del ancho de la partícula y, posiblemente, la primera en dar la de su masa.

Puede que otro club reclute a un analista como Graham o Steele o Wisket, tal vez hasta a Spearman. Pero es casi imposible imaginarse que fueran contratados los cuatro por un club que no sea Liverpool.

Spearman no hace prácticamente nada del trabajo que llegó a manos de Klopp esta temporada y tampoco se involucra en la contratación de jugadores. Su mandato es algo más etéreo: sabe lo suficiente del deporte, relativamente poco, como para intentar cambiarlo.

“Estamos empezando a hacernos la pregunta: ‘¿Por qué no intentamos jugar el fut de otra manera?'”, dijo Graham. El futbol es la suma de miles de acciones individuales, pero el modelo de Graham solo puede evaluar pases, disparos y movimientos del balón que son descargables del resumen de un partido. “Todavía hay limitaciones fundamentales para los datos que tenemos”, explicó. “Es como seguir viendo por un lente que está nublado”. Al concentrarse en que la versión matemática refleje más lo que sucede en el campo —no solo que un defensa dio pase a un medio, sino con qué velocidad de golpe y cómo se recibió ese pase— Spearman quiere encontrar cómo quitar la niebla.

Está desarrollando un modelo que usa revisión por video y asigna puntajes a todo lo que le pasa en el partido a todos, hasta cuando no están cerca del balón. Eso incluye momentos como que un zaguero corra por la banda para que un defensa rival tenga que elegir entre cuál de dos jugadores cubrir, o que un delantero se ponga en posición enfrente de un portero para intentar recibir un pase hasta cuando el pase le queda muy arriba. “Cada acción, cuánto valor añade, qué tan bien la desempeñan”, dijo Spearman. “Cuando tienes eso puedes empezar a crear nuevos enfoques”. Sería posible planear toda la jugada, como en la NFL.

Aunque primero Liverpool necesita idear cómo vencer al Tottenham este domingo. Al igual que los Oakland A’s , el club todavía no gana un título con este enfoque. Si sufre una derrota en la final, junto con su segunda posición en la Liga Premier, alguien podría interpretarlo como confirmación de que el análisis de datos solo puede hacer tanto.

Y es que si el futbol fuera una cosecha, solo necesitarían meter los datos en un algoritmo para saber qué hacer. Pero el deporte es suficientemente impredecible para mantenerse fascinante, lleno de planes perfectos frustrados por las imperfecciones de quienes salen a la cancha a cumplirlos y socavados por las vicisitudes de la suerte.

Claro que de eso se trata la probabilidad. Hasta cuando se calculan cuidadosamente las posibilidades, y las opciones son sopesadas con atención, puede colarse un número equivocado. El equipo que gana no siempre es el que tiene los cálculos más elegantes o el que fue predicho por los modelos.

Eso tal vez frustre a los analistas, pero también es lo que hace al juego bonito tan hermoso.

Fuente: https://www.nytimes.com/es/2019/05/2...ool-champions/
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Bueno, pues dejo aquí lo que comenté antes, el Valladolid implementó esto cuando Miguel Ángel, Jesús y Catalina llegaron al Club, y ahí están sus resultados, cumpliendo objetivos. Vuelvo a decir, esto es el complemento perfecto para el Scout, el ojo del ojeador, y los datos fríos de las probabilidades.

Así utiliza el Real Valladolid el 'big data'

El analista Paco González y su equipo trabajan para el club blanquivioleta tras la incorporación de Miguel Ángel Gómez a la dirección deportiva

El Real Valladolid ha incorporado el ‘big data’ al plan estratégico del club. La llegada de Miguel Ángel Gómez a la dirección deportiva blanquivioleta llevó aparejada la contratación de los servicios de la empresa que encabeza el vallisoletano Paco González, Moneyball Data SL, una firma que actualmente colabora con el Sevilla (donde se inició la relación con el responsable deportivo blanquivioleta), Levante, Real Valladolid, FC Barcelona (simposium informativo), así como con la Universidad Europea del Real Madrid y la Universidad de Valladolid (desde el punto de vista formativo). Pero, ¿cómo funciona todo el proceso de tratamiento masivo de datos aplicado al fútbol? Empecemos por el principio.

• 1 ¿Qué es el ‘big data’?: El historiador israelí Yuval Noah Harari define en el libro ‘Homo Deus’ el dataísmo como «la religión de los datos» que promete «el santo grial científico». «Una única teoría global que unifique todas las disciplinas científicas. Según el dataísmo, la Quinta Sinfonía de Beethoven, la burbuja de la Bolsa y el virus de la gripe no son sino tres pautas de flujo de datos que pueden analizarse utilizando los mismos conceptos y herramientas básicos», escribe Harari. Todo, por tanto, se puede explicar con datos. «El ‘big data’», expone Paco González, «abarca un gran volumen de datos que por su envergadura no puede ser tratado por herramientas habituales informáticas. En el fútbol buscamos patrones de comportamiento y tiene dos aplicaciones: fuera y dentro del terreno de juego. Fuera, es como en cualquier empresa y se aplica a socios, patrocinadores, redes sociales... Dentro del campo, sirve para ahorrar tiempo y minimizar riesgos en la toma de decisiones».

• 2 Datos, sí, ¿pero qué datos?: Los datos que se manejan en el ‘big data’ no son las estadísticas básicas que se publican habitualmente sobre un partido de fútbol ni tampoco los coloridos ‘mapas de calor’, que plasman las intervenciones de los jugadores con el balón en sus botas. «No puedes tomar decisiones con esos datos. Solo valen para tener cierta información. El ‘big data’ empieza a serlo cuando hablamos de petabytes de datos [un petabyte equivale a un millón de gigas]», subraya Paco González. El gran tesoro radica en los ‘raw data’ (datos en bruto) que generan los partidos de fútbol y que no están al alcance de cualquiera. Es la película completa de un encuentro traducida a datos. Actualmente, solo la UEFA los facilita a los equipos en competición europea. Volveremos sobre esto más adelante.
  
  En los estadios hay cámaras de monitorización de la Liga a través del programa Media Coach que hacen 25 barridos por segundo (frames).
  
  Cada jugador tiene asignado un identificador y ofrece unas coordenadas (XY) en cada ‘frame’. «Si se combinan todos los datos que genera cada jugador a través de 250 parámetros se obtienen aspectos físicos, velocidades, kilómetros recorridos... Eso muestra todo lo que sucede a nivel físico, pero no solo eso. Si el jugador ID1 en la posición X1Y1 se enlaza con el ID8 aparece un pase... Y así hasta 500 variables. Se generan 80 millones de filas en el programa. En papel se necesitarían 20.000 kilómetros para imprimir todos esos datos».

• 3 Los proveedores: El ecosistema del ‘big data’ se basa en cuatro procesos: toma del dato, depuración del dato, analítica del dato y reporte del dato. «El 90% del éxito está en la toma y en la depuración del dato», subraya Paco González. La empresa Moneyball Data SL utiliza varios proveedores para cruzar la información: Instat, Opta, WyScout, ISF, Transfermakt, Whoscored, Media Coach, los GPS de los entrenamientos que emplean los equipos, el ‘raw data’ que ofrece la UEFA y una aplicación llamada NAC, muy útil para la cantera.
  
  Instat ofrece datos en Excel, con las coordenadas XY de los jugadores, y vídeos. «Pero solo hay un proveedor que muestra los datos con Z, la pelota: la Liga, que lo tiene en posesión», dice González. Opta es el gigante estadístico y uno de los proveedores de la Liga a través de Media Coach. WyScout posee una gran base de datos, con datos XLS (Excel), de fácil tratamiento y XML, archivos más desconocidos para el gran público y muy útiles para los analistas. ISF es una plataforma más específica para el ‘scouting’ de jugadores, que exporta los informes de los distintos ojeadores de un club a un fichero para tomar decisiones óptimas.
  
  La base de datos de Transfermarkt (de fuente abierta) permite conocer lesiones de jugadores y precios de mercado, aunque Moneyball Data aplica algoritmos para ponderarlos (definición de algoritmo: conjunto metódico de pasos que se emplean para hacer cálculos, resolver problemas y alcanzar decisiones; no es un cálculo concreto, sino el método que se utiliza en cada caso). «Dembelé no vale lo mismo antes del fichaje de Neymar que después. No vale lo mismo un jugador en Alemania que en Venezuela en plena crisis política», ejemplifica Paco González. Whoscored ofrece un montón de información de partidos, aunque no de la Segunda División Española. Media Coach arroja datos físicos y vídeos de los encuentros. En el Real Valladolid, los jugadores llevan GPS en entrenamientos y partidos que permiten obtener una cascada de información con diferentes variables: ofrecen ‘raw data’, con valores físicos y técnico-tácticos. NAC permite aplicar a la cantera el mismo tratamiento de datos que se utiliza en el fútbol de élite: los entrenamientos y partidos se graban en vídeo, y se marcan con las etiquetas deseadas (tiro, basculación, ‘tackle’...). El Real Valladolid lo utiliza.

• 4 Análisis y reporte: Los datos son muchos y variados, pero hay que interpretarlos y depurarlos. Para esto, existen herramientas con diferentes grados de complejidad. IBM Watson Analytics es una de las preferidas por Paco González y su equipo. Hay otras herramientas como R, un lenguaje estadístico de programación que requiere conocimientos más avanzados, o Python, ahora de moda. SAP, el sistema operativo de las industrias, es muy útil, así como SAP. «Si tú entras en un fichero ‘raw data’ no es fácil que lo entiendas. Nuestro objetivo final es generar un archivo de Excel con lo datos requeridos. El reporte final tiene que estar muy definido: cortito y al pie. No puedes darle a Luis César o a Miguel Ángel Gómez 57 páginas para que se las lean».
  
  A través de la herramienta Tableau, se pueden establecer comparativas de jugadores, valorados previamente por los ojeadores del club que permiten determinar cuál es el precio recomendado para un fichaje. El equipo de Moneyball Data ha implementado un algoritmo (ideado por Luismi Gómez, otro de los consultores de la empresa) para ponderar a los futbolistas que proceden de las cinco grandes ligas europeas. Los directores deportivos y presidentes tienen la última palabra para fichar, pero a través de los datos pueden comprobar cómo jugadores que no estaban en su radar más cercano resultan muy interesantes. Actualmente, se pueden comparar datos de 55 competiciones de todo el mundo, que pueden ampliarse a petición de los clubes.
  
  Sin embargo, los analistas de Moneyball Data quieren ir más allá. «El paso que queremos dar es generar un valor que se llame ‘aportación ofensiva’ y que englobe 1.200 parámetros. Para ello estamos colaborando con un equipo de físicos de la Universidad de Valladolid. Se trata de aprender de lo que quiere el fútbol: es cada club el que debe determinar qué conceptos son los más importantes. Puede ser el que ataca tantas veces, el que llega a la segunda línea de rechace...».

• 5 La alianza con la UVA: ¿Por qué Valladolid es una ciudad puntera en este asunto? Responde González: «La UVA es la única universidad pública de España que tiene un grado propio en ‘big data’, Indat, un grado de estadística e informática. Por eso empezamos aquí el curso [de experto en análisis deportivo de datos y ‘big data’], que dirige Funge [Fundación General de la UVA]. Lo que más nos interesa es que gran parte del conocimiento se quede en Valladolid. En la tercera edición hay varios alumnos del Real Valladolid, incluidos jugadores como Toni Villa y Asier Villalibre, que, por cierto, son espectaculares. Se trata de extender el virus y que dentro de dos años haya cinco tíos que hagan este tipo de análisis en Zorrilla. Es una nueva revolución industrial. O estás dentro o tienes un problema». El FC Barcelona, el Real Madrid y la Real Sociedad también están representados en el curso que dirige Paco González. En la primera edición se inscribieron Moisés del Hoyo y Sergi García, entonces preparadores físicos del Sevilla FC. La onda le llegó a Monchi, que acabó contratando los servicios de Paco González para el club hispalense. Cuando Miguel Ángel Gómez, mano derecha de Monchi, llegó al Real Valladolid quiso seguir contando con los datos de Moneyball Data. Del Hoyo se marchó al Levante y la vinculación continúa por ese lado. Sergi García se fue a China y por allí también se pueden abrir nuevos caminos: Paco González anda pendiente de la oferta que previsiblemente le hará el Hebei Fortune, el equipo que entrena Manuel Pellegrini en el gigante asiático, y viajará a China a finales de mes.
  
  Las cabezas visibles de Moneyball Data son Paco González y Luismi Gómez. La empresa cuenta con una estructura de colaboradores que amplían el equipo hasta más allá de la decena de personas. Muchos de ellos no solo trabajan para el Real Valladolid, sino que son abonados del club blanquivioleta, por lo que existe una vinculación sentimental que trasciende la parte estrictamente empresarial.

• 6 Servidores en el CPD: «La nube existe y está aquí», dice José Manuel Cuena, responsable del Centro de Procesamiento de Datos (CPD) del Parque Científico de la UVA y encargado de que la instalación funcione «bajo cualquier circunstancia». «Este CPD, que no es de la Universidad de Valladolid, da servicio al ecosistema de empresas que están instaladas en el Parque Científico. Paco González y su equipo están aquí dentro del espacio de ‘co-working’ [a través del proyecto Open Future de Telefónica]. Es una instalación Tier III: estamos en la ‘Champions’ de los CPD pero no llegamos a semifinales. Tier IV habrá 15 o 20 en el mundo y obligaría a duplicar todas las infraestructuras».
  
  Tres toneladas de baterías darían servicio en caso de un corte de luz «infinito». Varias bombonas consumirían el oxígeno de la sala si se produjera un incendio. La instalación que garantiza la refrigeración cuesta un millón de euros y el habitáculo donde se encuentran los servidores, cinco millones. «Pero lo más importante son los datos. Nuestra obsesión es conservarlos, pase lo que pase. Contemplamos todos los riesgos que pueden suceder», apunta Cuena.
  
  Un total de 500 servidores zumban en una sala de aspecto futurista donde parpadean multitud de luces. Ahí está alojada la información del Sevilla y del Levante en servidores propios. También la del Real Valladolid, dentro del servidor de Moneyball Data. El almacenamiento externo permite disponer de los datos desde cualquier dispositivo autorizado y evita que la información esté dispersa y compartimentalizada, así como que desaparezca si se marchan los responsables de un club. «El concepto no puede ser la información es mía. No, es de la empresa. Nosotros recomendamos a los clubes que hablen con el Parque Científico para que lleguen a un acuerdo con ellos», dice Paco González. Por poco más de cien euros al mes, los datos del Real Valladolid están guardados a buen recaudo, así como los del Sevilla y Levante, que pagan algo más al disponer de servidores propios.

• 7 Los ‘raw data’: Un fichero de ‘raw data’ como los que suministra la UEFA a los equipos que juegan en Europa consiste en líneas y líneas de código y ofrece absolutamente toda la información de un partido. Nada de lo que sucede en el césped escapa al ojo escrutador del ‘big data’. «El formato es el mismo que el que te descargas de un reloj cuando corres», dice Luismi Gómez. «Todo va por id’s [identificadores]. El estadio, la hora a la que comenzó la primera parte y la segunda. Y luego empiezan los ‘frames’, 25 por segundo. En cada ‘frame’ aparece si el balón estaba en juego y quién tenía la posesión. El tipo 7 siempre es el balón, los de tipo 1 son los visitantes y los de 0, los locales. El balón es el único que tiene coordenadas XYZ [la altura]. En solo cinco minutos de partido, ya se han generado 179.000 filas».
  
  «Los mapas de calor solo registran a los jugadores cuando tocan la pelota», interviene Paco González. «Aquí en cambio podemos ver por dónde se mueve un jugador durante todo el partido. Y podemos buscar patrones de comportamiento. Teniendo el ‘raw data’, y tratándolo con un ‘software’ como R, le puedes decir a un entrenador por dónde juega un equipo».
  
  Paco González pone un caso práctico: un técnico dividió el campo en varias franjas y les pidió analizar qué duelos se producían en las distintas zonas. «Pero fuimos más allá de los duelos y le ofrecimos comparar todas las acciones que desease. Una gráfica espacial sirve para visualizarlo todo. Si ves, por ejemplo, que tu lateral tiene un 60% de éxito y el rival un 75%, quizá convenga utilizar una variante con otro defensor o contrarrestarlo tácticamente con otra disposición del equipo».
  
  «El ‘raw data’ desmonta el debate entre la antigua y la nueva escuela en el fútbol. La antigua dice que no se puede analizar el fútbol desde el dato. Estoy de acuerdo porque yo también tengo la gorra de entrenador. Claro que no se puede analizar el fútbol con los datos que da la prensa deportiva, pero si vieran un fichero ‘raw data’ cambiarían de opinión», sentencia Paco González.

• 8 Parte del equipo de Miguel Ángel Gómez: «Nosotros no hablamos de que vamos a encontrar al nuevo Messi. Tampoco tenemos un algoritmo mágico», recalca Paco González. «Pero antes de tomar una decisión en el Real Valladolid, Miguel Ángel Gómez consulta a su equipo de trabajo y entre ellos estamos nosotros. Nos dice: quiero fichar a Pepito, sácame datos físicos, lesiones, tiros a puerta, etcétera. Lo que nos pida. Él es el que decide con esos datos y otros. Aquí no hay fórmula de la Coca-Cola, pero el ‘big data’ sirve para ahorrar tiempo en los procesos, minimizar al máximo el riesgo en la toma de decisiones y, como decía Luis Aragonés, ayudar a ganar, ganar y volver a ganar. Si esto sigue creciendo tendré que decidir con qué clubes trabajo porque puede haber conflicto de intereses. Si el Real Valladolid ascendiese a Primera y se convirtiera en un equipo ‘top’, entre los siete-ocho primeros, yo solo podría trabajar con Sevilla o con Valladolid».

• 9 Auge del dataísmo: Finalicemos con algunas frases de Yuval Noah Harari, el historiador israelí que ha saltado a la fama mundial con sus libros ‘Sapiens’ y ‘Homo Deus’. En este último escribe, a propósito del dataísmo: «La nueva consigna dice: ‘Si experimentas algo, regístralo. Su registras algo, súbelo. Si subes algo, compártelo’ […] Para los verdaderos creyentes, estar desconectado del flujo de datos supone arriesgarse a perder el sentido mismo de la vida. ¿Qué sentido tiene hacer o experimentar algo si nadie se entera y si no aporta algo al intercambio global de información? […] El capitalismo no derrotó al comunismo porque fuera más ético, porque las libertades individuales fueran sagradas, sino porque el procesamiento de datos distribuido funciona mejor que el procesamiento de datos centralizado, al menos en periodos de cambios tecnológicos acelerados. Sencillamente, el comité central del Partido Comunista no pudo adaptarse al mundo rápidamente cambiante de finales del siglo XX. Cuando todos los datos se acumulan en un búnker secreto y todas las decisiones importantes las toma un grupo de ancianos ‘apparatchiks’, se pueden producir bombas nucleares a espuertas, pero no se obtendrá un Apple ni una Wikipedia […] Quizá el lector no esté de acuerdo con la idea de que los organismos son algoritmos y que jirafas, tomates y seres humanos son solo métodos diferentes de procesar datos. Pero tiene que saber que este es el dogma científico actual, y que está cambiando nuestro mundo hasta hacerlo irreconocible».
  
  El fútbol no es ajeno a esta revolución. El ‘big data’ ha llegado al césped y a los despachos para quedarse.

Fuente: https://realvalladolid.elnortedecast...110445-nt.html
https://www.tactio.es/articulos/el-r...a-el-big-data/

Agradecer al compañero Notorious el haber facilitado tan interesante artículo.
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Voy a poner una entrevista a Granero, el cual es fundador de Olocip, es un artículo que me ha pasado un amigo que es Scout y cursa formación avanzada en Big Data deportivo, me dice que que tiene relación con esta inteligencia artificial, y que además lo están estudiando, ya que muchos clubes están empezando a hacer ''test'' para incorporarla a su trabajo diario dado el buen porcentaje de acierto que tiene.

P: ¿Por qué decidiste fundar Olocip?

R: Como futbolista te das cuenta de que convives con algunas deficiencias que se podrían corregir gracias al uso de las nuevas tecnologías. Este nuevo actor permite construir soluciones más eficientes y de utilidad para los profesionales.P: Una de esas soluciones sería tu inteligencia artificial, con capacidad para predecir el futuro. ¿Eso cómo se consigue?

R: Primero debemos situarnos en la materia, y para ello utilizaré el ajedrez. Hasta ahora, se han subestimado los mecanismos que tienen las máquinas para interpretar la intuición humana, y se las ha tratado como meras herramientas de cálculo. Esto hoy ha cambiado. La inteligencia artificial está demostrando una gran capacidad para desarrollar labores complejas y predictivas, que le permiten ganar a cualquier persona o máquina de cálculo sobre el tablero.

P: Es decir, que para vuestro proyecto de inteligencia artificial en Olocip habéis utilizado la experiencia acumulada en el ajedrez.

R: Al principio nos planteamos definir bien las distintas situaciones que se generan en un partido de fútbol. Debíamos tener claras las variables de cualquier jugada. Pensemos que, al final, en un partido, son dos equipos que se contraponen con la idea de encontrar las ventajas de uno sobre otro. Ahí nos dimos cuenta de que conceptos del ajedrez, como ‘la iniciativa’, se podían aplicar al fútbol.

P: ¿En qué consiste?

R: Es el número de oportunidades que tienes de generar amenazas, ataques sobre el rival. Saber quién tiene la iniciativa en un momento decisivo del partido te puede ayudar a definir en qué estás fallando para evitar un gol. Otro concepto importante en el ajedrez es el de la ‘pieza sobrecargada’. Es una pieza que se defiende de varios contrarios a la vez. Un mal movimiento de esta pieza podría dejar al descubierto un espacio vital, que aprovecharía el adversario con superioridad numérica.

P: Eso llevado al fútbol, sería un defensa pendiente de dos delanteros.

R: Correcto. Aquí el defensa tiene el problema de verse también sobrepasado por la superioridad del rival.P: Tú sostienes que, en el fútbol, conceptos como la táctica y la estrategia están mal definidos. Para que la AI sea predictiva, eso (que es tan básico), debe tenerlo claro.

R: Sí. La estrategia en el fútbol no es pensar una jugada concreta a la hora de hacer un saque de esquina o un lanzamiento de falta. Es otra cosa bien distinta. Consiste en saber bien los puntos fuertes y debilidades del rival para planificar el dominio de una parte del campo, abrir zonas de ataque durante un período de tiempo. Por el contrario, la táctica se limita a acciones de 3 o 4 pases, acciones que resuelven una situación concreta y duran segundos. La estrategia es un plan a largo plazo, basado en fortalezas y debilidades inherentes al rival y a ti mismo. Los córners, etc., son acciones a balón parado. El 4-3-3 es un sistema de juego.

P: Vale. Una vez habéis definido bien el fútbol, ¿qué datos se introducen en vuestra AI?

R: Primero, le decimos dónde debe centrar su atención, tomando en cuenta el número de pases, cuántas veces se cambia la orientación del juego, tiros a puerta, asistencias, control del espacio, verticalidad efectiva... Son 150 variables. La máquina interpreta todos esos datos en crudo de forma matemática, y los vincula entre sí junto con los 800 partidos que hay en nuestra base de datos.

P: ¿De dónde salen esos 800 partidos? ¿Cómo se han elegido?

R: Son archivos que hemos comprado y que previamente hemos seleccionado, porque entendemos que esos partidos son los que dan a nuestra máquina el conocimiento general sobre fútbol que necesita. Se trata de partidos de distintas ligas y competiciones de todo el mundo, como la Champions o el Mundial.

P: ¿Y cómo lo hacéis?

R: En la parte más alta de un estadio de fútbol, se colocan varias cámaras que fijan su atención sobre los futbolistas. Empleando visión artificial, van reconociendo a cada jugador y su posición en el campo unas 6 veces por segundo. Al final, toda esta información queda registrada en un archivo que contiene la posición de todos los jugadores a lo largo del partido.

P: ¿Y esas cámaras son vuestras?

R: No. Nosotros tenemos un proveedor de datos que se encarga de instalarlas, y también muchos clubes de fútbol contratan sus propios servicios de colocación de cámaras. Tenemos intención de seguir con nuestro proveedor hasta que tengamos desarrolladas las nuestras con tecnología propia.

P: ¿Qué aportarán de nuevo?

R: Ahora mismo, los datos (eventos) se consiguen de forma manual. Es decir: hay una persona que se encarga de apuntar todas las incidencias que suceden sobre el terreno de juego. Nosotros vamos a automatizar todo eso haciendo uso de nuestra inteligencia artificial, y en eso el equipo de Olocip es pionero.

P: ¿Y cómo es posible que una inteligencia artificial sepa el momento exacto en el que se produce un tiro a puerta o un pase en profundidad?

R: La máquina tiene un gran archivo de datos, donde están registrados todos los disparos a puerta, y le hemos enseñado a reconocerlos. Con esa base, es capaz de descubrir patrones ocultos al ojo humano, que le indican que se están produciendo determinados eventos de forma automática y, por lo tanto, quedan registrados.

P: Imagina que soy un directivo del Barça o del Real Madrid y me pongo en contacto contigo para contratar los servicios de Olocip. ¿Cómo actuaríais?

R: Primero, instalaríamos las cámaras de las que te hablaba antes de empezar el partido. Colocarlas es muy sencillo. Incluso te las puedes llevar cuando juegas fuera de casa. Una vez colocadas, nuestro programa TCT Coach se nutre de todo lo que hace tu equipo y el rival. En base al ‘entrenamiento inteligente’ que le hemos proporcionado predecirí , en tiempo real, las probabilidades de marcar un gol y de establecer cualquier otro objetivo que tú quieras. Puede que el entrenador de tu equipo decida que solo quiere defender o solo atacar o hacer ambas cosas a la vez. Eso se lo pides a la máquina. Además, el entrenador también selecciona las instrucciones que quiere que el sistema pueda devolverle. Por ejemplo, solo saber y atacar por dentro o fuera es lo idóneo para marcar, o solamente saber si presionar más alto o más bajo es mejor para tener mayor posesión en los próximos minutos...

P: ¿Cuál es el margen de error del programa?

R: Para darle a nuestro modelo el valor que merece y demostrar que sus predicciones son acertadas, hacemos calibraciones científicas. De los 800 partidos de nuestra base de datos, nos reservamos 100, que son los que nos ayudan a comparar las predicciones y aquello que sucede en el partido. Crossvalidación, así se llama este proceso, que se repite innumerables veces para poder sacar el mayor provecho posible de los partidos que disponemos, al mismo tiempo que realizamos una validación totalmente honesta.

P: ¿Qué especialistas trabajan en tu IA?

R: Tengo dos socios que se llaman Pedro Larrañaga y Concha Bielza, ambos catedráticos de la Universidad Politécnica de Madrid (UPM). Recientemente, a Pedro Larrañaga le acaban de nombrar ‘Fellow of the Academia Europaea’, una distinción muy prestigiosa. Por su parte, Concha ha ganado varios premios de investigación. Ellos dirigen un equipo de modelaje y desarrollo de IA.

P: ¿Cuántos clientes tenéis ya?

R: Varios, pero no puedo mencionarlos. Prefieren mantener el anonimato. Mantenemos con todos ellos un contrato de confidencialidad. Sí te puedo decir que hay clubes de fútbol de primera división, centros de alto rendimiento y academias deportivas. Hasta ahora, solo nos hemos dedicado a la investigación. Pese a ello, ha habido gente que se ha enterado de lo que hacemos y nos han pedido información. El desarrollo del negocio y la comercialización de nuestra inteligencia artificial acaba de empezar ahora.

P: Imaginemos que, tanto el Real Madrid como el Barça, hacen uso de vuestra inteligencia artificial en el Clásico. ¿Qué sucede ahí?

R: Nosotros no hemos creado un oráculo con capacidad para decirnos quién va a ganar el partido. Lo nuestro es una herramienta de ayuda que tiene unos ojos y una memoria de las que carece cualquier persona. El uso que haga el entrenador de nuestra IA es cosa suya. Los objetivos los marca él. Hay clientes que nos piden, por ejemplo, variables como dividir el campo en pasillos para saber las probabilidades de marcar gol, o si se debe atacar por el centro del campo o bien por las bandas.

P: ¿Se puede utilizar tu IA en los entrenamientos?

R: Sí. Sirve para la prevención de lesiones. Aquí utilizamos variables como el reparto de fuerzas en las piernas, la elasticidad del cuerpo, movilidad, análisis de sangre y de genes, pruebas nutricionales, antecedentes de lesiones. Con todo ese volumen de información podemos predecir cuál es el estado del jugador frente a una futura posible lesión. Para que la medición sea entendible, establecemos una escala de 0 a 10.

P: Entiendo que, si la máquina me dice que estoy en nivel 7, mi riesgo de lesión es alto...

R: Correcto. En ese caso, deberías reducir considerablemente el ritmo de entrenamiento. Al ser modelos transparentes, no sabrías únicamente tu riesgo de lesión, sino también las variables que inciden negativamente en tu riesgo y cómo corregirlas (si se puede).

P: ¿Y quién introduce esa información?

R: Pues los miembros del equipo médico del club. Además, hay datos que se actualizan de forma periódica, como las analíticas de sangre. Estas se hacen tres veces al año. Por su parte, el preparador físico también introduce los datos de los entrenamientos diarios de los jugadores.

P: ¿Cómo los obtiene el preparador físico?

R: Los futbolistas siempre llevamos con nosotros un dispositivo GPS, que registra toda la actividad física que generamos en el entrenamiento. Los archivos de información van directos a nuestra IA. Los GPS no son nuestros, pertenecen al club.

P: Toda esa información es valiosa. ¿De quién es propiedad?

R: Este punto es sensible y le damos mucha importancia. Nosotros somos meros tratantes de la información. Desde un punto de vista legal, el jugador es el propietario de los datos y nosotros firmamos un contrato con nuestros clientes sobre cómo tratarlos. También contamos con una empresa externa y un empleado aquí en Olocip para controlar el tema de la seguridad informática.

P: ¿Se puede realmente predecir el rendimiento futuro de un jugador?

R: Imagina que eres un directivo del Espanyol y quieres contratar a Sergio Canales o a un jugador de la liga ucraniana. Para ficharlo, no te interesa saber cuál fue su rendimiento en la pasada temporada. Te interesa su rendimiento futuro, cómo se va a adaptar a tu liga, al equipo, a los compañeros. Para eso es vital contextualizar al jugador, y eso es justo lo que hace nuestra inteligencia artificial. Para este tipo de predicciones se tienen en cuenta más de doscientas variables y se recogen datos del jugador de los últimos cinco años. Se estudia la evolución de jugador a lo largo del tiempo

P: ¿Y si la inteligencia artificial comete errores, tiene capacidad para corregirse a sí misma?

R: Sí, y cuantos más datos vayan entrando en el modelo, más aprenderá.

P: Si resulta que el modelo funciona tan bien y sabe corregirse a sí mismo, entonces no harán falta entrenadores ni informáticos, ¿no es cierto?

R: La figura del entrenador es fundamental. Nosotros solo facilitamos una herramienta de asistencia en la toma de decisión para que utilice eficientemente los datos que se pueden extraer hoy en día. Nuestra AI es el tercer entrenador del equipo, asistente de dirección deportiva o ayudante del equipo médico. Nada más... ¡y nada menos!

P: Con lo que estás aprendiendo en Olocip, ahora podrás cuestionar a tu entrenador.

R: Eso no es buen negocio. Lo mejor siempre es darle la razón [Risas]. El entrenador es un gran defensor de su intuición. Además, el mío en el Espanyol es muy metódico y lo tiene todo en cuenta. Jamás le he comentado nada de lo que hacemos en Olocip. No me gusta mezclar mi carrera deportiva con lo que hago fuera de ella. Si algún día le interesa, ya se lo contaré.

P: Tú estás metido en un proyecto de inteligencia artificial y los futbolistas no tenéis fama de ser demasiado inteligentes. Estás rompiendo muchos tópicos.

R: Sí, ya sé que tenemos mala fama y muchas veces nos la ganamos a pulso. También es verdad que conozco a futbolistas con grandes capacidades e inquietudes. Debemos ser conscientes que somos un ejemplo para un montón de chavales. Con Olocip, hago lo que me gusta, y aprendo.

P: ¿Le has preguntado a tu inteligencia artificial cuántos años te quedan para jugar como futbolista?

R: Claro, eso fue lo primero que hice. Cuando llegas a los 30 o a los 31, la imagen que transmite un futbolista es que ya no tiene la misma capacidad para correr como uno de 20. Pero te puedo decir que la máquina no valora tan negativamente mi edad, ni mucho menos.

P: Bueno, eso lo podrás esgrimir ante tu entrenador. Le podrás enseñar los datos que proporciona la inteligencia artificial.

R: Claro. Piensa que, entre nuestros clientes, figuran representantes. La información predictiva sobre dónde podrían jugar sus futbolistas de forma más óptima es un argumento más para presentarle al director deportivo de un club. Ya tenemos casos de éxito.

P: ¿Tu inteligencia predictiva también se podría utilizar para hacer apuestas online?

R: Sí y sería una buena manera de demostrar que nuestro sistema funciona de forma eficiente, pero no lo hacemos. Somos cautos con ese tema. En Olocip solo nos centramos en el rendimiento aplicado al fútbol.

P: ¿Lo has probado?

R: Paso palabra [Risas]

FUENTE: https://www.quo.es/tecnologia/a26185...ia-artificial/