¿Cómo puede el análisis de datos ayudar a mejorar el rendimiento de un deportista o un equipo? Bienvenidos al mundo del Big Data en el deporte, una era en la que información y tecnología se han convertido en elementos claves en el ámbito deportivo.
Big Data en el deporte
El Big Data consiste en un conjunto de datos que, por su tamaño, complejidad, variabilidad y velocidad de crecimiento, no podrían ser procesados mediante herramientas convencionales. En sí mismo, el almacenamiento de datos masivos no significada nada; es el análisis de dicha información lo que convierte a esta tecnología en algo verdaderamente útil.
El almacenamiento y análisis de datos masivos se utiliza en diferentes sectores, tal y como ya hemos visto en nuestros artículos sobre Big Data en marketing o Big Data en Recursos Humanos. Sin embargo, hay un ámbito donde está cobrando especial importante: en el deporte.
La relación entre Big Data y deporte es relativamente joven. Desde hace unos años, los deportistas o clubes deportivos cuenta con analistas y herramientas de evaluación capaces de procesar grandes cantidades de datos. Esta información se analiza con el objetivo de mejorar el rendimiento de los deportistas, sus rutinas de entrenamiento o la toma de decisiones durante los partidos, entre muchas otras finalidades.
Fútbol
El fútbol es uno de los más claros ejemplos del uso del Big Data en el deporte. ¿Sabías que durante un partido de fútbol se generan unos 8 millones de datos? El ser humano no tiene la suficiente capacidad para retener toda esta información, por lo que se hace indispensable el uso de la tecnología.
El Big Data en el fútbol se ha convertido en una herramienta imprescindible. Los clubes cuentan con expertos en Big Data que recopilan y analizan la información con diversos objetivos:
- Evaluar el rendimiento de jugadores.
- Analizar posibles fichajes (por ejemplo, saber si merece la pena fichar a un jugador en base a su historial de lesiones).
- Procesar estadísticas de los partidos.
- Diseñar tácticas y estrategias en base a la información del rival.
Por ejemplo, imaginemos que utilizamos el Big Data para saber qué táctica debemos usar contra el próximo rival. ¿Qué datos se podrían analizar?
- Formación más habitual, para saber qué táctica usa habitualmente el entrenador contrario.
- % de posesión, para saber si al contrario le gusta tener el balón o ceder la posesión.
- % de goles marcados al contraataque.
- Mapas de calor, para saber en qué zonas del campo vuelca el juego.
- Goles de córner, duelos ganados por alto, media de altura, para conocer su poderío aéreo.
- Etc.
Durante un partido de fútbol se generan unos 8 millones de datos. El ser humano no tiene la suficiente capacidad para retener toda esta información, por lo que se hace indispensable el uso de la tecnología.
La recogida de datos durante los partidos permite crear enormes bases de datos estadísticas. Por ejemplo, la Liga cuenta con un sistema compuesto de 8 cámaras situadas en diferentes zonas del campo, las cuáles captan los movimiento de los jugadores y envían la información a unos ordenadores. Estas cámaras recogen hasta 25 datos por segundo y permiten elaborar estadísticas sobre los partidos:
- % de posesión.
- Tiros a puerta.
- Faltas cometidas y recibidas.
- Distancia recorrida por cada jugador.
- Velocidad máxima de cada jugador.
- Duelos individuales ganados.
- Zonas de acción de cada equipo y cada jugador.
Por ejemplo, durante un partido de futbol se pueden llegar a capturar alrededor de ocho millones de datos. Sin embargo, el ojo humano solo es capaz de retener el 30% de esa información. Gracias a esos datos, el Big Data aporta una gran valía en todos los clubes del mundo, que ya han empezado a usar esta tecnología para mejorar sus estrategias de juego, fichajes de nuevos jugadores, etc.
Baloncesto
Otro de los ejemplos más habituales del uso del Big Data en el deporte se encuentra en el baloncesto. El basket es un deporte en el que la “pizarra” cobra especial importancia. Cada jugada se planifica casi al milímetro, por lo que la información es básica a la hora de diseñar las estrategias, tanto ofensivas como defensivas.
La NBA ha sido pionera en el uso del Big Data en baloncesto. Las franquicias cuenta con herramientas que permiten analizar todo tipo de estadísticas:
- Puntos anotados y recibidos.
- Tiros intentados.
- % de acierto en tiros libres y tiros de 2 y 3 puntos.
- Rebotes.
- Pérdidas.
- % de puntos en la zona.
- % de puntos al contraataque
- Estadísticas individuales de jugadores (minutos jugador, puntos por partido o basketaverage de cada jugador cuando está en la cancha).
- Etc.
El baloncesto es un deporte en el que cada jugada se planifica casi al milímetro, por lo que la información es básica a la hora de diseñar las estrategias, tanto ofensivas como defensivas.
De hecho, el data coaching ha cambiado las reglas de la NBA. Gracias al análisis de datos con herramientas de Big Data, las franquicias se dieron cuenta de que era mucho más rentable aumentar el porcentaje de tiros de 3 en los partidos. Esto ha provocado que se ponga especial énfasis en entrenar a los jugadores en tiros de triple, y que el ataque se vuelque mucho más en los especialistas en lanzamientos de tres puntos. Ahora, los escoltas y los aleros son mucho más importantes que hace dos y tres décadas. mientras que los pivots han perdido peso en el juego.
Fórmula 1
La F-1 siempre ha sido una competición de motor marcada por la alta tecnología y la información. Sin embargo, no es hasta el siglo XXI cuando el Big Data en Fórmula 1 se convierte en algo esencial.
El análisis de la telemetría, de los datos de los monoplazas o de la información generada durante los grandes premios en tiempo real ha alcanzado tal nivel de sofisticación que puede llegar a tener una enorme influencia en las carreras. Estos datos también son generados en los simuladores o en las pruebas realizadas en los túneles de viento
En la actualidad, cada monoplaza de Fórmula 1 lleva instalados alrededor de 250 sensores que generan millone de datos en cada Gran Premio. Se calcula que cada equipo recoge alrededor de 50 Terabytes de información durante un fin de semana.
Los sensores que incorporan los coches ayudan a los ingenieros y analistas de Big Data a conocer datos como:
- Durabilidad del motor o posibilidades de que se rompa durante la carrera.
- Sensores para analizar los flujos de aire en el vehículo.
- Sensores de temperatura y presión de neumáticos.
- Información sobre velocidad máxima del coche o velocidad en paso por curva.
En Fórmula 1, el análisis de la telemetría, de los datos de los monoplazas o de la información generada durante los grandes premios en tiempo real ha alcanzado tal nivel de sofisticación que puede llegar a tener una enorme influencia en las carreras.
En base a estos y muchos otros datos, los ingenieros pueden tomar decisiones en tiempo real durante las carreras. Por ejemplo, ajustar los alerones en caso de que el coche tenga subviraje o sobreviraje, decidir cuándo cambiar a neumáticos de mojado en base a las predicciones meteorológicas, o dar indicaciones a los pilotos sobre el estilo de pilotaje (por ejemplo, que cuiden los frenos o el cambio de marchas, o que prueben trazadas distintas en las curvas en las que pierden más tiempo).
El análisis de Big Data en F-1 también contribuye a trazar las estrategias más óptimas durante las carreras. Un ejemplo es decidir cuál es el número de paradas en boxes, o el momento óptimo para realizarlas sin que el piloto salga en tráfico.
Por otro lado, también existen sensores encargados de registrar los datos biométricos del piloto para saber cuál es su estado dentro del monoplaza: ritmo cardíaco, nivel de sudoración, respiración, fuerzas G que tiene que soportar, etc.
Tenis
Hoy en día muchos jugadores saben de la importancia del Big Data en el tenis. Figuras como Djokovic o Zverev no esconden que su equipo de entrenadores analizan datos propios y de los rivales para mejorar su juego y las estrategias durante los partidos.
La mayoría de jugadores del Top 50 ATP hacen uso de estas herramientas. Una de las más conocidas es la base de datos de Golden Set Analytics, una empresa especializada en las estadísticas del circuito ATP, que ahora también ha empezado a recoger datos de la WTA.
El análisis del juego de los tenistas permite conocer información de gran importancia durante los partidos. Por ejemplo, las fortalezas o debilidades de un jugador, sus estrategias al saque o al resto, su juego desde el fondo de la pista, o los golpes en los que comete más errores no forzados.
Jugadores como Djokovic o Zverev no esconden que su equipo de entrenadores analizan datos propios y de los rivales para mejorar su juego y las estrategias durante los partidos.
Por ejemplo, un dato tan simple como saber dónde saca un jugador cuando está en peligro ceder un break point, es de importancia capital para el rival en los momentos clave de partido.
Atletismo o natación
El Big Data en el deporte se aplica cada vez más en deportes que se basan en el rendimiento individual, como es el caso del atletismo o la natación.
El Big Data en atletismo se emplea a diferentes niveles. Por ejemplo, la Federación Internacional de Atletismo lo emplea para el registro de marcas en los centenares de competiciones que se realizan cada año.
Sin embargo, donde el Big Data es realmente importante es a la hora de mejorar el rendimiento de los atletas. Gracias al análisis de datos, los entrenadores pueden conocer el rendimiento y los insights de sus atletas, diseñar entrenamientos personalizados o alargar su carrera deportiva gracias al control de la fatiga o los tiempos de recuperación.
El Big Data en deportes como la natación o el atletismo también es una herramienta muy útil para el caso de atletas o nadadores que están en período de formación. Por ejemplo para analizar las cualidades de atletas entre 10 y 16 años y sus posibilidades de mejora, en case a sus datos antropométricos, test de velocidad salto, flexibilidad, crecimiento longitudinal, etc.
En base a esta información se pueden definir planes de entrenamiento adaptados a cada atleta, quemando etapas a la velocidad necesaria, potenciando sus virtudes y limando sus defectos para que, en el futuro, se conviertan en grandes campeones.
Gracias al Big Data en el deporte, los entrenadores pueden conocer el rendimiento y los insights de sus atletas, diseñar entrenamientos personalizados o alargar su carrera deportiva gracias al control de la fatiga o los tiempos de recuperación.
Y no solo eso, el Big Data va mucho más allá. Se analiza cualquier tipo de información que pudiera mejorar el rendimiento de los atletas. Así, no es de extrañar que en los últimos tiempos hayan surgido zapatillas deportivas o trajes de baño diseñados con una ergonomía o materiales que permiten mejorar los resultados en la pista de atletismo o en la piscina.
Béisbol
Aunque no sea popular en España, lo cierto es que el béisbol es uno de los pioneros a la hora de utilizar el Big Data en el deporte. De hecho, el Big Data en béisbol se empezó a usar en los años 70, época en la que el analista Bill James comenzó a registrar y analizar los datos de los jugadores de las grandes ligas americanas. No en vano, hoy se le conoce como el padre de la sabermetría.
Gracias al análisis de las estadísticas objetivas durante los partidos, se cambió la manera en la que se afrontaba el juego y las labores de los managers de los equipos. Esta forma de trabajar se fue extendiendo a otros deportes americanos como la NBA o la NFL y, con los años, a muchos otros deportes en todo el mundo.
¿Qué datos emplea el Big Data en el deporte?
De forma general, el Big Data en el deporte analiza los siguientes datos:
- Datos estadísticos de competiciones: por ejemplo, quién lidera cada estadística o los equipos más débiles en cada aspecto del juego.
- Datos estadísticos de partidos o eventos: información en tiempo real que permite elaborar estrategias durante los encuentros o eventos deportivos.
- Información personal de los atletas: sexo, edad, situación familiar, propensión a las lesiones o toda aquella información personal de interés respecto a un atleta.
- Estadísticas colectivas de equipos: principalmente se trata de conocer los puntos fuertes y débiles del equipo para potenciar las fortalezas y limar las debilidades.
- Rendimiento individual de los deportistas: estos datos son empleados para mejorar el desempeño de los deportistas en deportes individuales o su aportación al equipo en deportes colectivos.
- Datos de aficionados: asistencia al campo, compra de abonos, éxito de las campañas, comportamiento en webs, móviles, redes sociales, televisión, etc. Es decir, se trata del Big Data orientado al fan engagement y el marketing en el deporte.
- Otras variables: muchos otros factores que pueden influir en los resultados, por ejemplo material o equipamiento deportivo que mejora el rendimiento,
Usos del Big Data en el deporte
El Big Data en el deporte se utiliza con una serie de fines enfocados a un objetivo principal: lograr la victoria:
- Detectar patrones de los rivales: la evaluación de los competidores permite saber cómo actuarán en determinadas circunstancias, adelantándose a sus decisiones. Por ejemplo, en baloncesto, ¿cómo juega la posesión el rival cuando quedan pocos segundos para que suene la bocina? O en tenis, ¿dónde suele sacar el rival con su segundo saque?
- Decidir en tiempo real durante los partidos o competiciones: el Big Data puede manejar datos como la posición de los jugadores, la distancia entre ellos, la posición de la pelota, velocidades o distancias para elaborar las mejores estrategias en cada momento.
- Tomar mejores decisiones de cara al futuro: el análisis de datos permite saber qué cosas se hicieron bien o mal, y perfeccionar las tácticas para futuros encuentros.
- Mejorar las rutinas de entrenamiento: los sensores permiten saber el rendimiento de los jugadores o atletas, conocer sus fortalezas y debilidades, y diseñar entrenamiento personalizados. Gracias a estos datos se puede detectar sus niveles de fatiga, intensidad, tiempo de recuperación o influencia de su estado anímico en el juego. Todo ello con el objetivo de sacar el máximo partido a sus condiciones físicas y mentales.
- Optimizar la confección de plantillas: analizar la forma de jugar de los jugadores, sus patrones de lesiones, etc, permite a los equipos saber si conviene fichar a un determinado jugador o si encaja en su estilo o filosofía de juego.
- Impulsar la imagen de marca: los análisis predictivos permiten poner en marcha estrategias más efectivas de captación de aficionados. Por ejemplo, a través del precio de las entradas, la aparición en medios de comunicación o la elaboración de campañas de abonados.
Técnicas empleadas por el Big Data deportivo
Para alcanzar sus objetivos, el Big Data en el deporte puede utilizar distintas técnicas de análisis. Una de ellas es el data mining o minerías de datos. A través de este método se obtiene información para crear bases de datos a través de muy variadas fuentes.
Esta información permite elaborar patrones, tendencias, correlaciones y detectar factores que en principio estaban ocultos y que contribuyen a la toma de decisiones. Para ello se recurre a la técnica de asociación de datos.
Otra técnica empleada por el Big Data en el deporte es el clustering o agrupación de datos. Este método tiene por objetivo separar grandes cantidades de datos y agruparlas en conjuntos más pequeños, en los que sea más fácil encontrar similitudes y establecer relaciones.
Por otra parte, está el text analytics. Los datos obtenidos mediante el Internet de las Cosas (IoT) se pueden evaluar gracias a métodos de inteligencia artificial como el análisis de contenidos tales como correos electrónicos, análisis de eventos deportivos, búsquedas web, etc.
La asociación de datos permite elaborar patrones, tendencias, correlaciones y detectar factores que en principio estaban ocultos y que contribuyen a la toma de decisiones.
Agencias de Big Data aplicado al deporte
En la actualidad existen numerosas agencias dedicadas al Big Data deportivo y, teniendo en cuenta la importancia de esta tecnología, es que poco a poco vayan surgiendo todavía más. A continuación vemos algunos ejemplos de Big Data en el deporte.
WyScout
WyScout es una agencia italiana de scouting, análisis de partidos y transferencias de jugadores que fue fundada en el año 2004. Desde su aparición ha transformado la forma en la que se emplea el Big Data en el ámbito futbolístico, y un gran número de clubes profesionales recurren a sus servicios.
Drilab
Es una agencia de Big Data centrada en el fútbol. Sin embargo, sus servicios no se limitan a los clubes, sino que también ofrece soporte a agencias de futbolistas, medios de comunicación, marcas o federaciones deportivas. Cuenta con una base de datos para captación de talentos que recoge información de más de 180 torneos profesionales y 110 competiciones junior.
Golden Set Analytics
Es una de las herramientas de Big Data más empleadas por los tenistas y sus entrenadores. Recoge una enorme cantidad de datos sobre los jugadores y partidos de los circuitos ATP y WTA. Pone a disposición de los coaches una solución basada en un software estadístico que permite analizar al detalle mediante algoritmos el juego del rival.
Mediacoach
Mediacoach es una solución diseñada por MediaPro y puesta a disposición de los 42 equipos de la La Liga y La Liga Smartbank. Es una herramienta de análisis de movimiento de vídeo durante los partidos, que permite generar todo tipo de estadísticas e informes durante los partidos.
Bhostgusters
Bhostgusters en una herramienta de Big Data muy utilizada en las franquicias de la NBA. Se usa para diseñar estrategias puntuales a pie de pista. Permite analizar todos los escenarios posibles antes de una hipotética jugada. En función del análisis de los patrones del equipo rival, el software es capaz de elegir la jugada ofensiva o la estrategia defensiva óptima para cada momento y rival.
Resumen
El Big Data en el deporte se erige como una ayuda fundamental para optimizar estrategias y mejorar el rendimiento individual o colectivo.
Sin embargo, en el deporte también influyen muchas otras variables imprevisibles o que los datos no pueden reflejar. Por ejemplo, un entrenador puede haber diseñado la estrategia defensiva perfecta, pero los datos no tienen en cuenta factores como la creatividad o inspiración de los rivales, o incluso la suerte. El rival podría clavar un triple desde 9 metros a pesar de una defensa férrea, y el Big Data no puede hacer nada para evitarlo.
O imagina que un club ficha un jugador porque la convence su rendimiento en otros equipos, y su historial refleja que apenas ha sufrido lesiones. Sin embargo, nada más ficharlo, se lesiona de gravedad en una jugada fortuita.
Un entrenador puede haber diseñado la estrategia defensiva perfecta, pero los datos no tienen en cuenta factores como la creatividad la inspiración de los rivales o la suerte.
Esto significa que el uso del Big Data en el deporte no es infalible y tampoco garantiza la victoria. Lo que sí asegura es la capacidad de utilizar en el propio beneficio todas aquellas variables que sí se pueden controlar. No s trata de asegurar el éxito al 100% sino de optimizar el rendimiento para aumentar al máximo las posibilidades de ganar.
