La evolución del análisis de datos en el deporte profesional

   En el pasado, las decisiones de un equipo cabían en la cabeza del entrenador y en una libreta de tapas gastadas. Hoy en día, se registra al detalle cada estadística de cada evento para tratar de encontrar patrones y así lograr una ventaja competitiva.

   El análisis de datos está involucrado íntimamente en los deportes, y eso aplica a todos los involucrados, yendo desde directivos y entrenadores que aplican grandes modelos probabilísticos a los datos de sus atletas, hasta los apostadores que visitan RajaJoy en busca de cuotas y estadísticas.

   Pero los análisis de datos aplicados a las disciplinas deportivas no siempre fueron la norma. Así es como se pasó de analizar atletas “a ojo” a usar inteligencia artificial para identificar tendencias.

Fuente: Gemini AI Flash

La era del ojo clínico y la libreta

   Hasta finales del siglo XX, gran parte de las decisiones deportivas nacían de la memoria. En ese entonces, un “ojeador” anotaba datos que le parecían relevantes, como la velocidad, el remate, el carácter o el estado físico. Luego, un entrenador contrastaba esas notas con videocasetes y con cifras simples como goles, asistencias o promedio de bateo.

   El problema de este método es que se daba un peso excesivo a lo reciente y lo vistoso, así que una mala tarde podía condenar a un jugador por meses, y dos prospectos de ligas distintas casi nunca se medían con la misma vara.

   Otro problema es que el método no tenía en cuenta el contexto. Por ejemplo, consideraba iguales los goles en torneos menores ante equipos chicos que los anotados en competencias grandes contra clubes de primer nivel.

   El primer intento de subsanar estas deficiencias vino del béisbol, con la sabermetría que Bill James impulsó desde finales de los setenta en sus Baseball Abstracts. Su idea consistía en medir lo que producía carreras y no lo que lucía en la casilla final. Por eso, el porcentaje de embasarse empezó a ganarle terreno al tradicional promedio de bateo.

La revolución Moneyball

   Uno de los mayores avances en análisis deportivos se dio en 2002, cuando Billy Beane y los Oakland Athletics, con uno de los presupuestos más bajos de las Grandes Ligas, encadenaron 20 victorias consecutivas; una marca histórica en la Liga Americana.

   Para lograr tal resultado, el equipo no compró estrellas, sino que eligió jugadores con base en habilidades que el mercado miraba de reojo, como embasarse, negociar bases por bolas y sostener un bateo disciplinado.

   De ese modo, se pasó de medir menos lo evidente y más lo que guardaba relación con ganar. Por ejemplo, mientras un promedio alto podía sedir a la vista, el porcentaje de embasado decía mucho más sobre cómo se fabrican las carreras.

   Luego de demostrar su éxito en el béisbol, este modelo se aplicó en otros deportes. En el fútbol europeo se optó por compras por eficiencia y la exploración de mercados poco observados. Poco después, clubes latinoamericanos que no podían igualar cheques afinaron sus decisiones sobre fichajes.

Llegan los wearables

   La década de 2010 convirtió al atleta en una fuente continua de señales gracias a dispositivos que capturaban sus datos, tales como:

• Sensores de posición y ritmo cardíaco.
• Tracking óptico con cámaras sincronizadas.
• Videoanálisis etiquetado por evento.
• Datos biométricos de entrenamiento (como carga, sueño, fatiga y potencia).

   Hoy más del 92 % de los equipos de la NFL, la NBA, la MLB y la NCAA utilizan sistemas de tracking, mientras que todos los equipos de la Premier League, La Liga, Bundesliga y la Serie A usan estos dispositivos en sus entrenamientos.

   Además de aportar datos valiosos para tratar de obtener ventajas, los wearables también sirven para evitar lesiones de los jugadores.

La era de la inteligencia artificial y el dato como negocio

   Con inteligencia artificial y machine learning, los clubes cruzan los datos provenientes de diferentes fuentes (como videos y los mencionados wearables) para anticipar cualquier tipo de evento que pueda afectar sus probabilidades de victoria.

   Además, gracias a estas tecnologías, el scouting ya no usa solamente un ojo afinado, sino que analiza miles de perfiles con criterios predefinidos; una actividad pura de análisis de datos.

   Por otro lado, los modelos predictivos ahora proponen alineaciones personalizadas según factores específicos (como el rival o el clima), mientras que herramientas como el fuera de juego semiautomático de la FIFA muestran que hasta la decisión arbitral se apoya hoy en tracking y cálculo casi inmediato.

   El mercado global de sports analytics se valoró en USD 5.700 millones en 2025 y se proyecta en USD 7.000 millones para 2026, con una expansión anual prevista cercana al 18,5 % entre 2026 y 2033. Detrás hay software, servicios, derechos de datos y una pelea por convertir cada jugada en un insumo vendible.

   La tendencia que viene apunta al dato en vivo como activo, en forma de paquetes para medios, cuotas que se mueven segundo a segundo y productos para el aficionado que convierten cada sprint en contenido vendible.