<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Andre Brener on Medium]]></title>
        <description><![CDATA[Stories by Andre Brener on Medium]]></description>
        <link>https://medium.com/@andrebrener?source=rss-2dee5ac50b3d------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*zJUf7XF2AeLlja12y5rxlg.jpeg</url>
            <title>Stories by Andre Brener on Medium</title>
            <link>https://medium.com/@andrebrener?source=rss-2dee5ac50b3d------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 14:05:07 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@andrebrener/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[La tabla de posiciones miente: Cómo mejorar las decisión en momentos críticos]]></title>
            <link>https://medium.com/@andrebrener/la-tabla-de-posiciones-miente-c%C3%B3mo-mejorar-las-decisi%C3%B3n-en-momentos-cr%C3%ADticos-acc48c0925be?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/acc48c0925be</guid>
            <category><![CDATA[football]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[soccer]]></category>
            <category><![CDATA[futbol]]></category>
            <category><![CDATA[spanish]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Mon, 16 Mar 2020 14:40:47 GMT</pubDate>
            <atom:updated>2020-03-16T14:40:47.357Z</atom:updated>
            <content:encoded><![CDATA[<h3>La tabla de posiciones miente: Cómo mejorar las decisiones en momentos críticos</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*WFvVJQH1pxXee_u8.jpg" /><figcaption>River Plate fue el equipo con más puntos esperados de la Superliga 2019–20 y terminó 2do</figcaption></figure><p>Vivimos en un mundo en donde solamente manda el resultado: el campeón es el único que se salva del fracaso. Tal es la locura, que algo tan importante como la decisión entre contratar a un entrenador o mantener un cuerpo técnico interino a veces depende del resultado de <strong>un (1) </strong>partido. Es sabido que una mala racha de resultados, en la mayoría de las veces, significa la dimisión de un entrenador, o caso contrario, una buena racha puede asegurar una renovación inmediata.</p><p>Este tipo de decisiones son muy comunes en el fútbol, pero no quiere decir que sean las más adecuadas en cada momento. Quiérase o no, la aleatoriedad y la suerte juegan un papel muy importante en el fútbol. Hay muchos factores ajenos al rendimiento de los equipos que terminan influyendo en el resultado final. Es por esto que <strong>no tiene sentido evaluar un equipo o entrenador solamente por si gana o pierde</strong>.</p><p>Pero entonces, ¿cómo sabemos si esperar o dejar ir a un entrenador que no ganó los últimos 5 partidos? ¿O cómo elegimos un nuevo entrenador a partir de sus equipos anteriores?</p><h3>Métodos de Evaluación</h3><p>Hoy en día hay varias métricas que se utilizan para evaluar rendimientos por fuera del resultado. Dentro de ellas se encuentran la <a href="https://medium.com/@andrebrener/los-goles-esperados-el-nuevo-paradigma-para-evaluar-jugadores-y-equipos-correctamente-69a85600975">expectativa de gol</a>, la <a href="https://karun.in/blog/expected-threat.html">expectativa de amenaza</a> y <a href="http://www.sloansportsconference.com/wp-content/uploads/2019/02/Decomposing-the-Immeasurable-Sport.pdf">el valor esperado de la posesión</a>.</p><p>Para obtener una primera impresión del rendimiento de un equipo utilizamos el promedio de expectativa de gol por partido (a favor, concedido o la diferencia entre ambos). Si bien esto ya es un gran avance, debemos profundizar un poco más. No es lo mismo ganar dos partidos por 1–0 que ganar uno 9–0 y perder otro 1–0. Esto quiere decir que la distribución de goles firma que (o chances de gol en este caso) es muy importante también.</p><p>Para contemplar este aspecto, utilizamos una métrica de <em>puntos esperados (xP) </em>para evaluar el rendimiento de los equipos a lo largo del torneo.</p><p>Para conocer más en profundad sobre la construcción matemática por favor leer la última sección del artículo llamada <em>Generación de la métrica</em>.</p><h3>Utilización de la métrica</h3><p>Después de haber utilizado este algoritmo en los partidos de la Superliga Argentina 2019–20, vemos un acierto del 54% — válido para la incertidumbre que se maneja en el fútbol, pero tampoco es tan poderoso.</p><p>Ahora bien, sabemos que la aleatoriedad se va reduciendo a medida que agrandamos la muestra, de tal forma que en el largo plazo los resultados se asemejan más al rendimiento. La tabla siguiente muestra la tabla esperada del total de la Superliga 2019–20.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/470/1*UI2ldpcDYoQ5HPrZ41EykA.png" /><figcaption>Tabla Esperada de la Superliga 2019–20</figcaption></figure><p>Ahora podemos confirmar el poder del algoritmo en un torneo completo. La mitad de los equipos (12) están en +-1 de la posición esperada. Si somos un poco menos estrictos con el algoritmo, vemos que 16 de los 24 equipos (67%) están dentro de la posición +- 3 de lo esperado.</p><p>En otras palabras, esto quiere decir que, en el 67% de las veces los resultados de los equipos se acomodan a sus rendimientos a lo largo de un torneo.</p><h3>De los datos a la realidad</h3><p>Ahora que vimos que a la larga los resultados se ajustan al rendimiento, veamos cómo utilizar este tipo de análisis para tomar decisiones en un club de fútbol.</p><p>Esta métrica nos da una idea de la realidad del equipo. Quizás es preferible mantener un proyecto que atraviesa malos resultados pero con buena cantidad de puntos esperados. En cambio, si nos encontramos con resultados positivos y baja suma de puntos esperados, recomendamos tomarse el tiempo para evaluar e investigar antes de tomar una decisión apresurada.</p><p>Para concluir, veamos 3 casos en donde se podría utilizar este tipo de evaluación.</p><h4>Los 3 resultados similares que en realidad eran diferentes</h4><p>Al terminar el 2019, Argentinos Jrs. era puntero del campeonato mientras que River Plate estaba 5to. Pero, ¿era lo que sus respectivos rendimientos indicaban? ¿O acaso era River el único que estaba para pelear el campeonato?</p><p>Coincidiendo con el ajuste a largo plazo, River Plate terminó subcampeón (si hubiera ganado la última fecha habría sido campeón), mientras que Argentinos Jrs. terminó 5to (aún por encima de sus rendimientos).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*n2bLpDkc1Kabm7btnqjnIA.png" /><figcaption>Tabla Esperada de la Superliga 2019–20 al 01–01–2020</figcaption></figure><h4>El buen trabajo de Soso en Defensa y Justicia</h4><p>Mariano Soso asumió en Defensa y Justicia después de que el equipo haya sido subcampeón de la Superliga 2018–19. El rendimiento del Halcón en el 2019 ya no era el mismo que había tenido en el 2018 — sus resultados estaban por encima de sus rendimientos. Durante el mandato de Soso, el rendimiento del equipo mejoró muchísimo aunque sus resultados no lo hayan indicado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*2i_kwyZITzOqM3-g" /></figure><h4>Cuidado Racing — no se confíen</h4><p>Beccacece asumió en Racing a principios del 2020. Durante el mandato de Coudet, el equipo había tenido resultados por debajo de su rendimiento. Con la llegada del nuevo entrenador, se dio vuelta la racha, a pesar bajar su rendimiento. De seguir de esta manera, es probable que esta racha de resultados positiva no dure mucho más.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1008/1*exDdRjSuv8AQGhWtRUVCmA.png" /></figure><h3>Generación de la métrica</h3><p>Para calcular los puntos esperados nos basamos en los algoritmos utilizados por <a href="https://twitter.com/AnalysisEvolved">American Soccer Analysis</a>, explicados en este <a href="https://www.americansocceranalysis.com/home/2018/5/8/what-to-expect-when-youre-expecting-goals">artículo</a>.</p><p>Básicamente, <a href="https://medium.com/@andrebrener/los-goles-esperados-el-nuevo-paradigma-para-evaluar-jugadores-y-equipos-correctamente-69a85600975">calculamos la probabilidad de gol de cada tiro (xG)</a> a partir de un modelo de datos y luego tomamos un xG por jugada de gol (tener en cuenta que una situación puede incluir uno o más tiros).</p><p>Empecemos aclarando por qué comparar la suma de xG de cada uno de los equipos sería un error en la evaluación.</p><p><em>El ejemplo y su explicación a continuación están inspirados en el artículo de </em><a href="https://twitter.com/AnalysisEvolved"><em>ASA</em></a><em> mencionado anteriormente.</em></p><p>Para empezar, en la vida real una jugada puede ser gol o no gol — no existen fracciones de goles. Esto significa que cada una de ellas es independiente de la otra, por lo que no pueden ser acumulativas. Además, la distribución de xG en las jugadas tiene mucha influencia. Las situaciones de gol con alto xG van a ser convertidas con más frecuencia que las de bajo xG, por lo que van a ser más determinantes en el resultado del partido.</p><p>Ahora veamos un ejemplo numérico.</p><p><strong>Equipo A: 2 xG — </strong>3 chances de gol = [0.9, 0.5, 0.6] xG</p><p><strong>Equipo B: 2 xG — </strong>20 chances de gol = [0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1] xG</p><p>Por un lado vemos que el equipo A jamás pudo haber convertido más de 3 goles, ya que esa fue la cantidad de chances que tuvo, mientras que el B pudo haber convertido como máximo 20 goles.</p><p>Entonces lo que hacemos es simular el partido con las chances de gol de cada equipo. Veamos el siguiente escenario al cabo de la primera simulación:</p><ul><li>Equipo A:[1, 0, 1] = 2 goles.</li><li>Equipo B: [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1] = 1 gol.</li></ul><p>Resultado simulado: 2–1.</p><p>Al cabo de repetir este proceso 100.000 veces:</p><ul><li>El equipo A ganó el 40% de los partidos.</li><li>El equipo B ganó el 35% de los partidos.</li><li>El 25% fueron empates.</li></ul><p>Siguiendo las reglas del fútbol, le asignamos 3 puntos al ganador o 1 para cada uno si la mayor probabilidad fue la del empate.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=acc48c0925be" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[How to Analyse Rivals like Bielsa in Less Than 1 Minute]]></title>
            <link>https://medium.com/@andrebrener/how-to-analyse-rivals-like-bielsa-in-less-than-1-minute-814144cc0886?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/814144cc0886</guid>
            <category><![CDATA[soccer]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[automation]]></category>
            <category><![CDATA[football]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Fri, 07 Feb 2020 10:05:22 GMT</pubDate>
            <atom:updated>2020-02-07T10:05:22.952Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9Ud3ZQwHcpL1CMwC.jpg" /><figcaption>Bielsa showing his analysis in press conference</figcaption></figure><p>Bielsa is well known for his work in studying rival teams. His attention to detail and depth in his analysis make him unique. In his Excel sheets, Powerpoint presentations and personal booklets you could find results, formations, best players and every single thing about all the teams he will face.</p><p>Thus his conclusions are excellent, his handmade processes are not allowing him to get the full potential out of his data collection. The two main issues he’s facing are:</p><ol><li>The data entry is not efficient. There is no optimized and structured tool for them to enter the data. Collaborators lose a lot of time writing simple stuff that can be taken from any data provider (goals, red cards, etc) or drawing the same formation diagram over and over again.</li><li>As the information is distributed in different files, it’s really complicated to combine data from different sources. This can also lead to version problems as more people are using the same files.</li></ol><p>In this article we will explain how to improve the process to get the same results <strong>automatically in less than 1 minute </strong>using Data Science and technology. The new methodology consists in inserting the data in a friendly web app, which saves the information in a unique database, and then get the reports automatically.</p><p>As an example of this process, let’s see how we can make the rival formations’ analysis better.</p><h3>Data Entry</h3><p>Inserting the information is not that different as it’s done now. We use a web app, where analysts entry the data in a friendly and easy way.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ocDnCjCY2VwWj-4lA-_7Gw.png" /><figcaption>Web App Screenshot</figcaption></figure><p>In this web app, data is inserted as the following:</p><ol><li>Select the tournament, season, game and team.</li><li>Insert the starting lineup (period = 0 and minutes = 0).</li><li>Insert new formation whenever there is a change in the schema or players, always informing the period and minute when this new lineup started.</li></ol><h3>Reporting</h3><p>There are many analysis that could be made out of this information, but given the scope of this post, we are going to focus on the main ones. These are:</p><ol><li>Formations &amp; players used.</li><li>Formation changes according the result.</li></ol><p>Because of confidentiality purposes, we are going to use Wyscout’s data for this example.</p><h4>1. Formations &amp; players used</h4><p>This information gives coaches an overview of how the rival team normally lines up.</p><p>To do this, we check (programmatically) every formation and players used along the season. Then we get the time that each schema was used and the players that were most used in each position.</p><p>Let’s see the result of this report applied to Estudiantes de La Plata in Superliga 2019–20. Let’s take into account that this and the following analysis <strong>were generated automatically choosing the team, league and dates</strong>.</p><p>In the following graphs, we can see that Estudiantes played in a 4–2–3–1 formation the majority of the time.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/368/1*OKQaYEsqwDY6-EjJCeCQ0Q.png" /><figcaption>Estudiantes’ most used formations</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*3eZuerGwWE-JLZSTDDupxg.png" /><figcaption>Estudiantes’ most used formation</figcaption></figure><p>We could also take a deeper dive and analyse individual players and positions. Using this tool, we can get this in a matter of seconds.</p><p>For example, here we can see the most common schemes and positions in which Enzo Kalinski has played.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1006/1*SiinscCoveiSPmTZIO--tw.png" /></figure><h4>2. Formation changes according the result</h4><p>Another useful analysis is to see how the coach reacts to results.</p><p>For this report, we divide formation changes according to the result at that point in the game (winning, drawing or losing). For reference, let’s call <em>Schema 0 </em>to the formation played until the moment and <em>Schema 1</em> to the one that is employed after the change.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GnRaAaSM_7AUzzNKfQYrFg.png" /><figcaption>Schema changes according the result</figcaption></figure><p>We can see here that when winning, Estudiantes sometimes changes his formation into a five-men defense (account that 3–5–1–1 could be also read as 5–3–1–1).</p><p>This information is useful to know all the rival coach’s alternatives and be prepared to react in the case those things happen during the game.</p><p>As we’ve seen before, this report could also be extended, for example to see which players are the ones that are mostly substituted in &amp; out.</p><h3>Conclusion</h3><p>It would be stupid to doubt about Bielsa’s work and capacity. Nevertheless, <strong>his handmade analysis are not efficient and consume a lot of savable time</strong>. Even though he says that he does much more than he needs just to keep himself calm,<strong> he (and his collaborators) could be dedicating that precious time to a more productive thing</strong>.</p><p>New technologies allow us to generate Bielsa’s analysis in a much faster and cheaper way. To use this tool, data entry becomes more efficient, and in seconds, we can visualize all the information and obtain graphs like the ones we’ve seen in this article.</p><p>This shows the example for formations, but it could be done and customised for different processes, depending on each coach’s work.</p><p><em>Data &amp; technology is changing football paradigms and the best teams in the world are already using it to make smart decisions.</em></p><p><em>If you’re interested in incorporating data analysis in your team, please visit our </em><a href="https://www.datafootballconsulting.com/"><em>website</em></a><em> and write us to andre@bdatafutbol.com or via </em><a href="https://twitter.com/bdatafootball"><em>Twitter</em></a><em>.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=814144cc0886" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Identifying Attacking Types with Data: The Key to Optimize Offenses & Defenses]]></title>
            <link>https://medium.com/@andrebrener/identifying-attacking-types-with-data-the-key-to-optimize-offenses-defenses-a2cb6f6a0576?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/a2cb6f6a0576</guid>
            <category><![CDATA[football]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[soccer]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[sports]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Tue, 22 Oct 2019 17:03:24 GMT</pubDate>
            <atom:updated>2020-04-15T15:03:36.428Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/900/0*BEu8TLGsPuAeDEom.jpg" /><figcaption>Picture from Murals your Way</figcaption></figure><p>Any type of analysis consists in first identifying general patterns that lead us to the more important aspects, and then take a deeper dive and find an improvement opportunity.</p><p>For example, to analyze a team’s strengths and weaknesses, the first thing we do is see <strong>how well the team is attacking and defending in different situations</strong>: set pieces, counter attacks, possession play, etc.</p><p>For a video analyst it’s relatively easy to identify game situations. Even if there are no manual definitions,<strong> we can recognize a possession pattern just by looking at it</strong>.</p><p>This looks really simple. But the problem is when <strong>this manual task is used to analyze many teams’ full seasons or watch all games from players to be scouted</strong>.</p><p>This is when identifying game situation with data becomes really helpful. By doing this, we are able to <strong>reduce a lot coaches’ time by finding general patterns and filtering situations for them to get the most important conclusions with video tools</strong>.</p><p>Let’s first look at the different types of attack and then see some examples on how we could use it to make teams’ diagnostics.</p><h3>Definitions</h3><p>Let’s explain briefly each game phase taken into consideration.</p><h4>1. Set Pieces</h4><p>This is a possession that comes from a free kick or corner kick.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FqrEigDTUEX8%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DqrEigDTUEX8&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FqrEigDTUEX8%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/c858b477402d9d882fce8771fa32304a/href">https://medium.com/media/c858b477402d9d882fce8771fa32304a/href</a></iframe><h4>2. Counter Attack</h4><p>A counter attack possession is a fast one in which the attacking team has recovered the ball before 60% of the field (being 0% their own goal).</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F-gZNCbPKfsg%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D-gZNCbPKfsg&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F-gZNCbPKfsg%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/631b25d51fa6bc8de5c8d1ce85cfb74a/href">https://medium.com/media/631b25d51fa6bc8de5c8d1ce85cfb74a/href</a></iframe><h4>3. Fast attack</h4><p>This kind of possession is very similar to a counter attack but with the condition that the ball was recovered after 60% of the field.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FXAWj7YJDQ08%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DXAWj7YJDQ08&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FXAWj7YJDQ08%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/06fc1db81bdce3dcc058e652f32c6796/href">https://medium.com/media/06fc1db81bdce3dcc058e652f32c6796/href</a></iframe><h4>4. Direct Attack</h4><p>This is a possession that starts in the team’s own half and is not as fast to be a counterattack or starts from a dead ball (throw-in, free kick, goal kick). The team must also make at most 1 touch between half and 67% of the field and at most 3 touches in the 3rd third.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FhKL_VsttjPY%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DhKL_VsttjPY&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FhKL_VsttjPY%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/4b4cdb1d8f58590977a790767d687751/href">https://medium.com/media/4b4cdb1d8f58590977a790767d687751/href</a></iframe><h4>5. Possession attack</h4><p>By definition, it is an attack that does not fit into the other phases. It means that the situation is built on possession.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fw5QaQF6iJYo%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3Dw5QaQF6iJYo&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2Fw5QaQF6iJYo%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/62adf21dac8dc555f54054c7368ed9bd/href">https://medium.com/media/62adf21dac8dc555f54054c7368ed9bd/href</a></iframe><h3>From data to reality</h3><p>Now that we’ve identified attack types, we are able to analyze teams’ characteristics to get some insights.</p><p>In these diagnostics we will use the following metrics:</p><ul><li><strong>Expected Goals (xG) percentage</strong> from each type of attack to analyze teams’ offensive and defensive trends.</li><li><strong>Expected Goals (xG) for every 100 possessions that end up in a shot</strong> to measure the danger created from each type of attack.</li></ul><p>The following analysis correspond to the first 8 weeks from Argentinean Superliga 2019–20.</p><h4>1. San Lorenzo’s Possession Game</h4><p>San Lorenzo chooses to attack mostly by building possession plays. The dependance on this kind of situations can be a problem in case the team needs a plan B.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1dAcD4LEiS-AUDmfPo8Opw.png" /></figure><h4>2. Fast Attack: Velez’s Lethal Weapon</h4><p>Velez is really good at generating fast velocity attacks. They are the ones that get the most value from this kind of situations. To optimize this kind of attacks, the next step could be analyzing pressure and recovery zones.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Lpc10lVYsuhBgNtVMwzoxg.png" /></figure><h4>3. Racing’s Dependance on Set Pieces</h4><p>The majority of Racing’s attacks come from set pieces actions. Even though this kind of situation is important, it could be a good idea to investigate why they are unable to generate more chances by other means.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3PN7CNYt_Nw_UEWbr9Bnjg.png" /></figure><h4>4. Estudiantes’ Counter Attack Problem</h4><p>Estudiantes suffers a lot from counter attacks. The combination of getting the majority of they xG conceded in this way and it being the most xG/100 pos phase makes it really dangerous for them. One next analysis could include losses zones and patterns.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mYzOUPwF02nJwwyV4vwQpA.png" /></figure><p>After this type of diagnostics, we can guide our analysis towards something deeper, depending of what we are trying to solve or optimize. This following analysis could include:</p><ol><li>Starting possession zones.</li><li>Shots &amp; assists zones.</li><li>Players involved in each kind of actions.</li></ol><p>Once we are done with this exhaustive data analysis, now the video analyst can focus only in the improvement opportunity <strong>without watching and analyzing manually all chances</strong>.</p><p>On the other hand, this kind of information can be really helpful in scouting. For example, when we want to look for an offensive player, we can filter not only by their xG, but now we can search by their values <strong>in playing styles that are similars what we want in our team</strong>.</p><p>Data is changing football paradigms and the best teams in the world are already using it to make smart decisions.</p><p>If you’re interested in incorporating data analysis in your team, please visit our <a href="https://www.bdatafutbol.com/">website</a> and write us to andre@bdatafutbol.com or via <a href="https://twitter.com/bdatafutbol">Twitter</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a2cb6f6a0576" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Los Goles Esperados: el nuevo paradigma para evaluar jugadores y equipos correctamente]]></title>
            <link>https://medium.com/@andrebrener/los-goles-esperados-el-nuevo-paradigma-para-evaluar-jugadores-y-equipos-correctamente-69a85600975?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/69a85600975</guid>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[soccer]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Tue, 08 Oct 2019 15:30:47 GMT</pubDate>
            <atom:updated>2020-07-27T20:34:59.859Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/proxy/1*j_ljhnRaVnEolGhwAcaJwA.jpeg" /></figure><p>Tu equipo no consigue resultados. Tu 9 titular no logra hacer goles. ¿Qué hacés? ¿mantenés al DT o buscás otro? ¿Le seguís dando la titularidad al 9 o probás con un suplente?</p><p>Dirigentes, managers y entrenadores viven en un mundo lleno de situaciones complejas, en las que no existe una respuesta correcta. Y aún así, tienen que tomar decisiones importantes. En casos como estos, <strong>las decisiones se toman por instinto y guiadas por resultados a corto plazo</strong>, con poca información para analizar el problema.</p><p>Equipos y jugadores son evaluados por sus resultados. Pero todos sabemos que el fútbol va más allá de los resultados: el azar de una jugada muchas veces es la que define partidos y campeonatos.</p><p>Entonces, ¿cómo podemos analizar equipos y jugadores para tomar decisiones más inteligentes?</p><h3>Nuevo Paradigma de Análisis</h3><p>En el marco del análisis de datos tradicional, se evalúan los rendimientos de un equipo o jugador en base a la cantidad de tiros al arco hechos o recibidos. Pero el problema es que <strong>no todos los tiros son igual de peligrosos.</strong></p><p>Veamos algunos ejemplos para entender esto.</p><h4>Ejemplo 1</h4><p>Primero analicemos la defensa de Boca en esta Superliga 2019–20.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0a-Cj1CqE8ZLliE-Z0qAmQ.png" /><figcaption>La defensa de Boca en la Superliga 2019–20</figcaption></figure><p>Utilizando los datos de los tiros recibidos, Boca <strong>se encuentra recién en el 11vo puesto</strong>. Al ver esto, <strong>Boca pareciera ser un equipo “de mitad de tabla” defensivamente</strong>. Pero todos sabemos que esto no refleja la realidad. Boca solamente recibió 1 gol en lo que va del torneo y su defensa es el arma más importante en el equipo de Alfaro. Entonces, ¿de qué forma podemos medir para que la conclusión se adapte más a la realidad?</p><p>La forma más adecuada de incorporar el análisis de datos es utilizando un sistema que <strong>diferencia la peligrosidad de cada tiro </strong>para analizar y sacar conclusiones.</p><p>Entonces, ahora utilizando este nuevo sistema teniendo en cuenta la probabilidad de gol de cada tiro, vemos que, si bien recibe muchos tiros, <strong>Boca</strong> <strong>es uno de los equipos que menos peligro le generan</strong>.<strong> </strong>Esto sí que tiene mucho más sentido con la realidad.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gR1d7zPH4acAnfA8OtNqfw.png" /><figcaption>La defensa de Boca en la Superliga 2019–20</figcaption></figure><h4>Ejemplo 2</h4><p>Ahora veamos este ejemplo del partido de Boca contra San Lorenzo de la 7ma fecha de la Superliga 2019–20 para demostrar el punto.</p><p>Estos datos simples nos llevan a la conclusión de que Boca ganó porque fue más eficiente que San Lorenzo. En otras palabras, Boca hizo más goles con menos tiros.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vQwIb6T64ogT-L2zs-9wdA.png" /><figcaption>Datos del partido de San Lorenzo vs Boca en la Superliga 2019–20</figcaption></figure><p>Sin embargo, <strong>la conclusión que sacamos anteriormente no es del todo correcta ya que, de nuevo, no se diferencia la peligrosidad de cada tiro</strong>.</p><p>Entonces, ahora utilizando este nuevo sistema que tiene en cuenta la probabilidad de gol de cada tiro, vemos que<strong> Boca ganó porque fue el que generó las mejores chances de gol</strong> y no porque fue más eficiente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*JrAIP1FMYFDo_uyh2w7cEw.png" /><figcaption>Tiros del partido de San Lorenzo vs Boca en la Superliga 2019–20</figcaption></figure><h3>Construcción de la métrica</h3><p>Para medir la peligrosidad y calcular los goles esperados usamos un modelo de Big Data que <strong>determina la calidad de cada tiro realizado y recibido</strong> considerando diferentes variables, independientemente de si resultó en gol o no. El modelo calcula<strong> la probabilidad de que un tiro se transforme en gol usando como referencia situaciones similares provenientes de partidos del pasado</strong>.</p><p>Basado en otros modelos similares (<a href="http://cartilagefreecaptain.sbnation.com/2015/10/19/9295905/premier-league-projections-and-new-expected-goals">Michael Caley</a>, <a href="http://statsbomb.com/2013/08/goal-expectation-and-efficiency/">StatsBomb</a>, <a href="https://misternumberz.wordpress.com/2016/02/24/expected-goals-model-argentina/">Mister Numbers</a> y <a href="http://11tegen11.net/2015/08/14/a-close-look-at-my-new-expected-goals-model/">11tegen11</a>), la información utilizada es:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZeXXosQI5I8IbT0IvmbW9A.png" /></figure><p>Ahora veamos unos ejemplos de algunas jugadas con sus xG correspondientes.</p><p><strong>Scocco vs GELP — xG: 84%</strong></p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FjZbdcH8rkSg%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DjZbdcH8rkSg&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FjZbdcH8rkSg%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/3e0de2c0ec1c4db873d834ff52119650/href">https://medium.com/media/3e0de2c0ec1c4db873d834ff52119650/href</a></iframe><p><strong>Janson vs River — xG: 39%</strong></p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FdB2ReLjTckw%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DdB2ReLjTckw&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FdB2ReLjTckw%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/b7dfc58d7742706432ba19ed2c81337a/href">https://medium.com/media/b7dfc58d7742706432ba19ed2c81337a/href</a></iframe><p><strong>Soñora vs Godoy Cruz — xG: 1%</strong></p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fp3eS8_ASxro%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3Dp3eS8_ASxro&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2Fp3eS8_ASxro%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/97d78027a9aa65883d8b78f9ced4279e/href">https://medium.com/media/97d78027a9aa65883d8b78f9ced4279e/href</a></iframe><h3>Evaluación general de los equipos de la Superliga</h3><p>Ahora con la métrica de <em>xG</em> podemos medir mejor el rendimiento ofensivo y defensivo de un equipo por fuera del resultado.</p><p>Tengamos en cuenta que, en nuestro cálculo de xG no contabilizamos penales ni tiros que hayan sido desde tiros libres directos.</p><p>Veamos estos valores para los equipos en la Superliga 2019–20.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Rkh1TY1O81yYIcDIUAv5Ug.png" /></figure><p>En el gráfico podemos ver que:</p><ol><li>River es, por lejos, el que más generó peligro de gol en los arcos rivales.</li><li>Banfield, River, Newell’s, Rosario Central, Boca y Lanús son los equipos con las mejores defensas del torneo.</li><li>Gimnasia de la Plata, Racing, Centra Córdoba e Independiente son equipos que generaron situaciones de gol similares a la de sus rivales. Estar por debajo o por encima de la línea punteada significa haber tenido más o menos chances que sus rivales respectivamente.</li></ol><h3>Aprendizajes y visión a futuro</h3><p>Equipos importantes como el Barcelona, Arsenal, Liverpool y Manchester City utilizan Big Data y este tipo de algoritmos para mejorar la toma de decisiones. Este área de análisis fue incorporado también por equipos de menor escala, como el Betis y el Levante, en sus secretarías técnicas.</p><p>Los <strong>dirigentes, managers y entrenadores de este tipo de clubes ya tienen incorporada esta métrica para poder tomar decisiones más inteligentes</strong>. Hasta algunos periodistas y medios importantes del mundo, como Sky Sports yla BBC, ya la toman para la evaluación de partidos, equipos y jugadores.</p><p>Esta métrica es <strong>solo el comienzo del análisis de datos para evaluar jugadores, el equipo propio, rivales y hacer scouting</strong>. Un paso posterior, por ejemplo, podría ser discriminar los goles esperados por tipo de ataque como hicimos en <a href="https://medium.com/@andrebrener/identificando-tipos-de-ataque-con-datos-la-clave-para-mejorar-el-ataque-y-la-defensa-4959c3325ffd">este artículo</a>.</p><p>Tengamos en cuenta también que ninguna métrica es 100% exacta. La mayor debilidad que tienen los goles esperados es que solamente tienen en cuenta tiros y no contabiliza otras situaciones de gol en donde por alguna razón no hubo un remate.</p><p>Si bien la utilización de este tipo de análisis en un equipo tiene muchos beneficios, <strong>una aplicación incorrecta nos puede llevar fácilmente a a conclusiones erróneas y malas decisiones</strong>. Para evitar que esto suceda, en <a href="https://medium.com/@andrebrener/5-buenas-pr%C3%A1cticas-para-aplicar-el-big-data-en-un-equipo-de-f%C3%BAtbol-2ab4e5b4c21c">este artículo</a> explicamos los principales puntos a tener en cuenta a la hora de realizar análisis de datos.</p><p>Los datos están revolucionando el mundo del fútbol y los mejores equipos del mundo ya están utilizándolos para tomar decisiones inteligentes.</p><p>Si estás interesado en incorporar el análisis de datos en tu club, te invito a revisar nuestra <a href="https://www.bdatafutbol.com/">web</a>, escribirnos por mail a andre@bdatafutbol.com o comunicarte vía <a href="https://twitter.com/bdatafootball">Twitter</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=69a85600975" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Identificando Tipos de Ataque con Datos: La Clave para Mejorar el Ataque y la Defensa]]></title>
            <link>https://medium.com/@andrebrener/identificando-tipos-de-ataque-con-datos-la-clave-para-mejorar-el-ataque-y-la-defensa-4959c3325ffd?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/4959c3325ffd</guid>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[soccer]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[football]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Wed, 02 Oct 2019 17:14:05 GMT</pubDate>
            <atom:updated>2020-04-15T15:04:24.089Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/900/0*kAyO_Lk7OZ7MTssN.jpg" /><figcaption>Foto de Murals your Way</figcaption></figure><p>Cualquier tipo de análisis consiste en la identificación de patrones generales que nos lleven a los aspectos más importantes, en donde luego podemos encontrar las oportunidades de mejora.</p><p>Por ejemplo, a la hora de identificar las fortalezas y debilidades de un equipo, l<strong>o primero que hacemos es ver con qué situación de juego el equipo ataca y defiende: pelota parada, contragolpe, o jugada de posesión, entre otras</strong>.</p><p>Para un analista de video es relativamente fácil poder identificar las situaciones de juego. Si bien no hay definiciones de manual para cada fase, <strong>al ver una jugada podemos reconocer a qué situación de juego pertenece</strong>.</p><p>Sin embargo,<strong> esta tarea manual se vuelve imposible en un análisis de de una temporada completa de un equipo o de los jugadores a los que se le haga seguimiento como posible refuerzo</strong>.</p><p>Es por eso que identificando las situaciones de juego y agrupando posesiones similares con los datos podemos <strong>reducir tiempos encontrando patrones generales para que luego en el video se saquen las conclusiones más importantes</strong>.</p><p>Veamos primero los diferentes tipos de ataque y luego un ejemplo de un pequeño análisis que se puede hacer con esto.</p><h3>Definiciones</h3><p>Pasaremos brevemente por las definiciones de cada fase de juego que identificamos.</p><h4>1. Pelota Parada</h4><p>Es una jugada que provenga de un córner o tiro libre.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FqrEigDTUEX8%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DqrEigDTUEX8&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FqrEigDTUEX8%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/c858b477402d9d882fce8771fa32304a/href">https://medium.com/media/c858b477402d9d882fce8771fa32304a/href</a></iframe><h4>2. Contraataque</h4><p>Una jugada de contraataque es una posesión rápida que se haya recuperado antes del 60% del campo (siendo el 0% a línea del arco propio).</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F-gZNCbPKfsg%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D-gZNCbPKfsg&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F-gZNCbPKfsg%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/631b25d51fa6bc8de5c8d1ce85cfb74a/href">https://medium.com/media/631b25d51fa6bc8de5c8d1ce85cfb74a/href</a></iframe><h4>3. Ataque rápido</h4><p>Es una jugada similar al contraataque pero tiene la condición de que se haya recuperado después del 60% del campo (siendo el 0% a línea del arco propio).</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FXAWj7YJDQ08%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DXAWj7YJDQ08&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FXAWj7YJDQ08%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/06fc1db81bdce3dcc058e652f32c6796/href">https://medium.com/media/06fc1db81bdce3dcc058e652f32c6796/href</a></iframe><h4>4. Ataque directo</h4><p>Es una jugada que comienza en campo propio que no es tan rápida como un contraataque o parte de una jugada de pelota parada (lateral, tiro libre o saque de arco). Además, la posesión debe tener como máximo 1 toque entre la mitad de la cancha y el 67% del campo y 3 toques en el 3er tercio.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FhKL_VsttjPY%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DhKL_VsttjPY&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FhKL_VsttjPY%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/4b4cdb1d8f58590977a790767d687751/href">https://medium.com/media/4b4cdb1d8f58590977a790767d687751/href</a></iframe><h4>5. Ataque de posesión</h4><p>Por definición, es cuando el equipo ha elaborado un ataque sin ninguna de las consideraciones de las fases anteriores.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fw5QaQF6iJYo%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3Dw5QaQF6iJYo&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2Fw5QaQF6iJYo%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/62adf21dac8dc555f54054c7368ed9bd/href">https://medium.com/media/62adf21dac8dc555f54054c7368ed9bd/href</a></iframe><h3>De los datos realidad</h3><p>Ahora que ya identificamos el tipo de ataque en cada una de las posesiones, podemos analizar mejor a un equipo y sus características para poder sacar algunos diagnósticos.</p><p>En estos diagnósticos utilizaremos las siguientes métricas:</p><ul><li>El porcentaje de goles esperados (xG) proveniente de cada tipo de ataque para ver la tendencia de ataque o defensa de un equipo.</li><li>Los goles esperados (xG) por cada 100 posesiones que terminan en tiro para medir el peligro que conlleva cada tipo de ataque.</li></ul><p>Los siguientes análisis corresponden a las primeras 8 fechas de la Superliga 2019–20.</p><h4><strong>1. El juego de posesión de San Lorenzo</strong></h4><p>San Lorenzo busca generar situaciones de gol a partir de ataques de posesión. La dependencia en este tipo de ataques puede llegar a ser un problema en caso de que necesite un plan B.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gBocd5swgEYf1rIFF9qFrQ.png" /></figure><h4><strong>2. El ataque rápido: el arma letal de Velez</strong></h4><p>Velez es muy peligroso cuando genera ataques de alta velocidad. Es el equipo que más valor saca en los ataques rápidos. Para optimizar este tipo de ataques, el próximo paso podría ser analizar las zonas de presión y recuperación.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uyEmPNB2DtTUfQI8Ql7VYg.png" /></figure><h4>3. La dependencia de la pelota parada de Racing</h4><p>Racing genera la mayor cantidad de sus ataques por medio de la pelota parada. Si bien este tipo de acciones es importante, habría que investigar por qué no está pudiendo generar más situaciones de otras maneras.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KkqnyxlUCKzJXSyOr5ZzWQ.png" /></figure><h4>4. El problema de Estudiantes en el contragolpe</h4><p>Estudiantes sufre muchísimo cada contraataque. No solo que es el tipo de ataque que más goles esperados concede, sino que además es la fase más peligrosa. Un análisis posterior podría incluir las zonas y patrones de pérdida de pelota.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*c7SFlfT_5T_yIGySt0X5NA.png" /></figure><p>A partir de este tipo de diagnósticos, se guía el análisis para realizar algo más profundo dependiendo lo que se quiera solucionar u optimizar. Este tipo de análisis exhaustivo podría incluir:</p><ol><li>Zonas en donde empezó la posesión.</li><li>Zonas de tiros y asistencias.</li><li>Nombres y combinaciones de jugadores que participan de esas jugadas.</li></ol><p>Una vez terminado el análisis profundo de datos, el analista de videos puede enfocarse directamente en la oportunidad de mejora <strong>sin tener que haber visto y analizado manualmente todas las situaciones de gol</strong>.</p><p>Por otra parte, este tipo de información puede servir para hacer scouting. Por ejemplo, a la hora de buscar un jugador ofensivo, podemos filtrar jugadores ya no solamente por sus goles esperados o asistencias esperadas sino que también por dichos valores<strong> en situaciones de juego similares al estilo de juego de nuestro equipo</strong>.</p><p>Los datos están revolucionando el mundo del fútbol y los mejores equipos del mundo ya están utilizándolos para tomar decisiones inteligentes.</p><p>Si estás interesado en incorporar el análisis de datos en tu club, te invito a escribirnos por mail a andre@bdatafutbol.com o via <a href="https://twitter.com/bdatafutbol">Twitter</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4959c3325ffd" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[El ciclo de Crespo — ¿era el momento de finalizarlo?]]></title>
            <link>https://medium.com/@andrebrener/el-ciclo-de-crespo-era-el-momento-de-finalizarlo-8dad6c655806?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/8dad6c655806</guid>
            <category><![CDATA[soccer]]></category>
            <category><![CDATA[futbol]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Tue, 03 Sep 2019 13:27:36 GMT</pubDate>
            <atom:updated>2019-09-03T15:08:22.931Z</atom:updated>
            <content:encoded><![CDATA[<h3>El ciclo de Crespo — ¿era el momento de finalizarlo?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/813/0*M5rCFMBmtUvUZ3A5.jpg" /><figcaption>Foto tomada de Misionescuatro</figcaption></figure><p>El partido del fin de semana contra Defensa y Justicia dictaminó el fin del ciclo de Crespo en Banfield.</p><p>Bajo su mandato, Banfield logró conseguir en promedio 1 punto por partido. Y dado que vivimos en un mundo donde mandan los resultados, la dirigencia decidió dar por finalizado su ciclo a cargo del equipo.</p><p>Tal como decimos siempre, el fútbol es un deporte lleno de variabilidad, y por lo tanto <strong>evaluar y tomar decisiones solamente por los resultados sería un error</strong>.</p><p>Ahora veamos, ¿cómo fue el rendimiento de Banfield durante el ciclo de Crespo? ¿Fue una buena decisión terminar con su mandato?</p><h3>Rendimiento en la Superliga 2018–19</h3><p>Empecemos analizando el rendimiento de Banfield en la Superliga 2018–19 desde que asumió el cuerpo técnico de Crespo.</p><p>Para los que nos leen por primera vez , los <em>goles esperados </em>(<em>xG</em>) se utilizan para medir la cantidad de goles que un equipo o jugador merece convertir. Esta métrica indica la probabilidad de gol de un tiro basado en el contexto de la jugada y la situación de juego.</p><p>La suma de los <em>xG</em> de todos los tiros (con algunas excepciones) de un equipo indica la cantidad de <em>xG </em>del equipo. Se asume que a lo largo del tiempo, <strong>los jugadores y equipos deberían convertir y recibir la misma cantidad de <em>xG </em>respectivamente</strong>. Por lo tanto, si los goles de un equipo superan ampliamente sus <em>xG</em>, se esperaría que su producción goleadora comience a bajar, y viceversa. Para más información, este <a href="https://objetivoanalista.com/xg-goles-esperados/">artículo</a> de Objetivo Analista lo explica muy bien.</p><p>Ahora con la métrica de <em>xG</em> podemos medir mejor el rendimiento ofensivo y defensivo de un equipo por fuera del resultado. Tengamos en cuenta que, en nuestro cálculo de xG no contabilizamos penales ni tiros que hayan sido desde tiros libres directos.</p><p>La siguiente tabla muestra los números de Banfield en la Superliga 2018–19 durante el año 2019.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2EQ3JH8fYSST5PxjxzxGdA.png" /><figcaption>Datos de Wyscout y Transfermarkt</figcaption></figure><p>A partir de estos números, podemos sacar las siguientes conclusiones:</p><ol><li>Si bien Banfield fue el segundo que más pateó al arco, <strong>fue el 9no mejor generador de chances de gol del torneo</strong>.</li><li>Si bien la defensa de Banfield estuvo en el puesto 19 del torneo, <strong>le convirtieron bastantes más goles con respecto al peligro con el que le llegaron</strong>.</li><li>Si bien los resultados no lo acompañaron y el rendimiento no fue el deseado, <strong>podría haber conseguido más puntos</strong> <strong>en base a su rendimiento </strong>(puesto 23 en puntos vs puesto 17 en xG - xG Rivales).</li><li>El valor de la plantilla de Banfield para este torneo era de los más bajos del torneo y fue uno de los que más jóvenes utilizó.</li></ol><h3>El pasado: primera mitad de la Superliga 2018–19</h3><p>Ya vimos que el rendimiento de Banfield no fue el deseado en la segunda mitad de torneo pasado. Pero veamos cómo venía el equipo antes de que asumiera Crespo.</p><p>Para los espectador neutrales, los partidos de Banfield se volvieron más entretenidos. Con respecto al período anterior, sus partidos <strong>aumentaron las chances de gol y los goles, tanto del equipo propio como de los rivales</strong>.</p><p>En el ámbito de resultados, el aumento de goles convertidos fue menor al de los goles recibidos, lo que explica la diferencia en puntos. Sin embargo, <strong>el rendimiento pareciera ser similar</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*tw778J2FsY9AUxRubt5_sg.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>El aumento de las chances generadas y recibidas en aproximadamente 10% en cada una de ellas puede explicarse en la diferencia de estilos de juego de Falcioni y de Crespo. Ahora, si el incremento de estas dos métricas de forma similar es mejor o peor lo dejamos a gusto del consumidor.</p><p>Pero más allá de las diferencias de estilos y gustos, podemos decir que <strong>el rendimiento de Banfield fue similar, tanto con Crespo y como con Falcioni en el banco</strong>.</p><p>Si, es verdad que Crespo no mejoró el rendimiento del equipo con respecto al anterior. Pero hay que decir que tampoco lo empeoró teniendo en cuenta que:</p><ol><li>Cambió totalmente el estilo de juego. Esto implica un tiempo de trabajo necesario para lograr convencer, imponer y ejecutar una idea completamente nueva en un equipo de jóvenes que venía jugando de otra manera.</li><li>Perdió a Cvitanich a 2 semanas de su debut en la Superliga. El delantero, aparte de ser referente del plantel, había contribuido el 20% de los goles esperados y el 10% de las asistencias esperadas del equipo en lo que iba del torneo.</li><li>Perdió a Fontana varios partidos por lesión. El reemplazante de Cvitanich había contribuido el 25% de los xG del equipo hasta ese entonces.</li></ol><h3>El presente: la Superliga 2019–20</h3><p>En las secciones anteriores vimos que si bien los rendimientos (ofensivo y defensivo) del Banfield de Crespo no fueron los deseados en el torneo pasado, fueron muy similares a como venía siendo antes de tomar el mando y hasta podría haber conseguido más puntos.</p><p>Ahora, con un par de nuevos jugadores, una pretemporada y más tiempo de trabajo veamos cómo le fue en este nuevo torneo.</p><p>Banfield se volvió un equipo más equilibrado en este torneo. Las chances de gol generadas disminuyeron un poco, pero <strong>logró reducir las situaciones peligrosas de los rivales a la mitad</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*h9ZfArSLuN9CrB5lzkrxYA.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>Es verdad que van solamente 5 fechas de torneo y que la muestra no es lo suficientemente grande como para ser definitiva. Sin embargo, <strong>se puede notar una mejora en el aspecto defensivo</strong>.</p><p>Tal magnitud tiene esa mejora, a nivel que <strong>Banfield fue el equipo al que menos peligro le generaron en este torneo</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LnmRy0pP2-_-0przauEcZQ.png" /><figcaption>Datos de Wyscout</figcaption></figure><h3>Conclusión</h3><p>A Crespo no lo acompañaron los resultados durante su gestión y eso fue lo que le costó el puesto. Sin embargo, creemos que esta decisión <strong>debería considerar otros factores más allá de los resultados</strong>.</p><p>A lo largo del artículo vimos que, si bien el rendimiento de Banfield en la Superliga 2018–19 no fue el deseado, <strong>fueron muy similares a lo que venía teniendo el equipo antes de su contratación</strong>.</p><p>El mérito del cuerpo técnico de Crespo en este caso fue poder <strong>mantener ese rendimiento habiendo cambiado totalmente el estilo de juego con un plantel de poco valor de mercado, plagado de jóvenes y además habiendo perdido 2 veces al máximo generador de chances del equipo</strong>.</p><p>Este torneo se vio un Banfield diferente. Si bien todavía le faltó generar situaciones con más riesgo, <strong>mejoró de forma rotunda el rendimiento defensivo, pasando a ser el mejor en lo que va de la Superliga en este aspecto</strong>.</p><p>Como en cualquier proceso, se necesita tiempo de trabajo y adaptación para obtener la mejor versión. La contratación Crespo ya de por sí implicaba un cambio rotundo de estilo de juego del equipo con respecto al CT anterior y, por eso, <strong>era esperable que los resultados no lo acompañaran inmediatamente</strong>.</p><p>En un mundo donde la paciencia no abunda, el proyecto liderado por Crespo se ve finalizado en el momento en el que se estaban viendo mejoras.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8dad6c655806" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[5 good practices to apply Big Data in football teams]]></title>
            <link>https://medium.com/@andrebrener/5-good-practices-to-apply-big-data-in-football-teams-e6411418ca13?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/e6411418ca13</guid>
            <category><![CDATA[soccer]]></category>
            <category><![CDATA[football]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Tue, 02 Jul 2019 10:31:53 GMT</pubDate>
            <atom:updated>2019-07-02T10:31:53.741Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IgOjdp_Qc4DlNHh2ngc_PA.png" /><figcaption>Dafydd Steele presenting in Seattle Sounders’ Conference</figcaption></figure><p>Big Data is changing football. <a href="https://www.nytimes.com/2019/05/22/magazine/soccer-data-liverpool.html"><strong>Liverpool</strong></a><strong>, </strong><a href="https://www.ft.com/content/908752aa-3a1b-11e9-b72b-2c7f526ca5d0"><strong>Barcelona</strong></a><strong>, </strong><a href="https://www.theguardian.com/football/2014/oct/17/arsenal-place-trust-arsene-wenger-army-statdna-data-analysts"><strong>Arsenal</strong></a><strong>, </strong><a href="https://www.forbes.com/sites/annatobin/2018/08/09/premier-league-title-holders-man-city-uses-data-to-improve-its-game/#667083c04d90"><strong>Manchester City</strong></a><strong> are among the teams that are already using data analytics </strong>to improve performance, analyze rivals, prevent injuries and optimize the transfer market management.</p><p>During the past month, we had the chance to visit Arsenal and Seattle Sounders training grounds and participate in <a href="https://statsbomb.com/">StatsBomb</a> (in London) and <a href="https://www.eventbrite.com/e/2019-seattle-sounders-fc-sports-science-seminar-roots-of-performance-registration-54182146258#">Sounders Sports Science &amp; Analytics</a> conferences.</p><p>This trip allowed us to exchange ideas and learn from people doing data analytics in Liverpool, Arsenal, Milan, Leicester City, Seattle Sounders &amp; Toronto FC, among other teams.</p><p>On behalf of these meetings, we would like to explain what we think is the main objective of applying data in a football team and list some of the best practices we think that are important get the most out of it.</p><h3>Big Data in football clubs</h3><p>The main objective of using data analytics is to obtain additional information in the decision-making process.</p><p>This type of analysis allows teams to save time and their conclusions can be used to generate new questions about hidden aspects or as an objective source to confirm their thoughts, intuitions &amp; diagnosis.</p><p>Even though incorporating Big Data in a football team can have a lot of advantages, <strong>using data in an incorrect way can easily lead us to inaccurate conclusions and decisions</strong>. Let’s now look at some considerations when using data analytics to prevent this from happening.</p><h4>1. Use data analytics as a complementary tool</h4><p>Considering data as a piece of additional information in the decision-making process, it is necessary to complement it with other analysis for it to be such a powerful tool. This means that <strong>data analytics conclusions should not be the only source of information when making a decision</strong>.</p><p>Even though data can help us to find new players, nobody is going to sign a player by only looking at their numbers.</p><h4>2. Add context to data</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KaKxFTdoaXbPSLGxDo1PuA.png" /><figcaption>SportsLogic presenting in Seattle Sounders’ Conference</figcaption></figure><p>Data by itself doesn’t mean anything. To obtain sensible conclusions, it is important to <strong>always take into account the context.</strong></p><p>On one hand, <strong>benchmarks can help us to evaluate if some value is high or low</strong>. Depending on the objective of the analysis, this comparison can be made with historical values (for the same player/team) or with other comparable players/teams’ numbers.</p><p>For example, we don’t get too much information from a player that has covered 10km in a game. But if then we see that that same player covers an average of 14km per game, we can understand the value better.</p><p>On the other hand, it is key to maintain the football vision and not being dragged by mathematics. <strong>All data analysis will depend on the team’s tactics and strategies, </strong>so we have to take into consideration how these affect evaluation metrics.</p><p>It would be a mistake, for example, using passing percentages to compare defenders from teams with a passing game strategy with others that play with a more direct and long passing style.</p><h4>3. Differentiate the important stuff over the interesting one</h4><p>Football is full of statistics: goals, shots, passes, tackles, etc. The challenge is to know <strong>which ones are really useful to evaluate and make decisions </strong>and which ones are nothing more than a number<strong>.</strong></p><p>On one hand, we have to pick <strong>metrics that are good indicators of what we are trying to measure</strong>. This implies, for example, to use <a href="https://medium.com/@andrebrener/toma-de-decisiones-en-el-f%C3%BAtbol-usando-big-data-41ee82c3466f">Expected Goals (xG)</a> as an indicator of offensive &amp; defensive performance instead of just summing the number of shots made/received.</p><p>But on the other hand,<strong> the selected metrics must be aligned with the team’s playing style</strong>. Take the case of the number of rival passes in their defensive zone is not an important number if our team waits for rivals to pass through the half of the pitch to start pressing.</p><p>It also happens that some metrics will be important in some analyses but not in others. This is the case of the distance covered. For the physical aspect, this metric is key to preventing fatigue and injuries. But in the tactics aspect, it doesn’t give us too much information as we don’t know about accelerations, directions or locations in the field for example.</p><h4>4. Communicate with simple visualizations</h4><p>This aspect is key for data analytics to be used and applied correctly. We can have the best data analysis, but <strong>it comes to nothing if we cannot transmit effectively our ideas to directives or coaches</strong>.</p><p>Conclusions obtained from data must be communicated in a language so that <strong>any person can understand and use them in the decision-making process</strong>. In many cases, it is preferable to sacrifice some model accuracy to be able to communicate and explain how are the metrics built.</p><p>Visualizations take a big role in this aspect. They should be the most graphic and as simple as possible. The objective here is to show evidence of the main idea without confusing people with too much information.</p><p>For example, we can see the next graph showing the defensive intensity in an easy way to understand.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*Ww2Wo2sxvS8STnkCAaQNdw.png" /><figcaption>Defensive intensity map — Wyscout data</figcaption></figure><h4>5. Know data analytics limitations</h4><p>To be able to use data analytics in the decision-making process, it is not enough to know its benefits, but it’s important for us to <strong>know their limitations and weaknesses</strong>.</p><p>We have to take into account that, even though mathematical models can approximate most of the things, <strong>they will never be 100% exact</strong>.</p><p>For example, if we are using the Expected Goals metric to evaluate offensive and defensive performances, we must know that this model only considers shots. This means that we are not going to take into account dangerous attacks that, for any reason, were not finished by a shot.</p><p>Another information that is hard to detect, in the way that data is collected nowadays, is the body orientation. So if we analyze passing opportunities in a moment of the game, it could be that some of those passes were impossible to make due to the player’s body orientation.</p><h3>Conclusion</h3><p>In summary, for data analytics to be a powerful tool in football, we must use it as a complement to other types of analysis.</p><p>Also, to be able to obtain actionable and relevant conclusions, we must select metrics that (1) are good indicators of what we are trying to measure, (2) take into consideration the context and (3) are important to the team’s playing style. These conclusions must be communicated with simple visualizations, for any person in the team to be able to understand and use them in the decision-making process.</p><p>On the other hand, we must understand that mathematical models and data collection are not 100% exact and so we have to considerate their limitations when using them.</p><p>The data revolution is already happening in football and the best teams in the world are using it to make smart decisions.</p><p>If you’re interested in incorporating data analytics in your club, I invite you to write to us by mail to andre@bdatafutbol.com or via <a href="https://twitter.com/bdatafutbol">Twitter</a>.</p><p><em>If you believe data and new technologies help us to understand football better and add a different point of view visit </em><a href="https://www.bdatafutbol.com/"><em>bdatafutbol.com</em></a><em> and follow us on </em><a href="https://twitter.com/bdatafutbol"><em>Twitter</em></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e6411418ca13" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[5 buenas prácticas para aplicar el Big  Data en un equipo de fútbol]]></title>
            <link>https://medium.com/@andrebrener/5-buenas-pr%C3%A1cticas-para-aplicar-el-big-data-en-un-equipo-de-f%C3%BAtbol-2ab4e5b4c21c?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/2ab4e5b4c21c</guid>
            <category><![CDATA[soccer]]></category>
            <category><![CDATA[futbol]]></category>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Mon, 01 Jul 2019 13:28:27 GMT</pubDate>
            <atom:updated>2019-10-04T16:29:29.371Z</atom:updated>
            <content:encoded><![CDATA[<h3>5 buenas prácticas para aplicar el Big Data en un equipo de fútbol</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IgOjdp_Qc4DlNHh2ngc_PA.png" /><figcaption>Dafydd Steele presentando en la Conferencia organizada por Seattle Sounders</figcaption></figure><p>El Big Data está revolucionando el mundo del fútbol. <strong>El </strong><a href="https://www.nytimes.com/2019/05/22/magazine/soccer-data-liverpool.html"><strong>Liverpool</strong></a><strong>, </strong><a href="https://www.ft.com/content/908752aa-3a1b-11e9-b72b-2c7f526ca5d0"><strong>Barcelona</strong></a><strong>, </strong><a href="https://www.theguardian.com/football/2014/oct/17/arsenal-place-trust-arsene-wenger-army-statdna-data-analysts"><strong>Arsenal</strong></a><strong>, </strong><a href="https://www.forbes.com/sites/annatobin/2018/08/09/premier-league-title-holders-man-city-uses-data-to-improve-its-game/#667083c04d90"><strong>Manchester City</strong></a><strong>, entre otros, ya están utilizando el análisis de datos</strong> para mejorar el rendimiento del equipo, analizar rivales, prevenir lesiones y optimizar la gestión del mercado de pases.</p><p>Durante este último mes tuvimos la oportunidad de visitar el campo de entrenamiento del Arsenal y de los Seattle Sounders, además de presenciar la capacitación de <a href="https://statsbomb.com/">StatsBomb</a> en Londres y la conferencia <a href="https://www.eventbrite.com/e/2019-seattle-sounders-fc-sports-science-seminar-roots-of-performance-registration-54182146258#">Sounders Sports Science &amp; Analytics</a>.</p><p>A lo largo del viaje pudimos intercambiar ideas y aprender de personas que aplican Big Data en el Liverpool, Arsenal, Milan, Leicester City, Seattle Sounders y Toronto FC, entre otros.</p><p>A partir de estos encuentros, nos gustaría explicar cuál creemos que es la función del análisis de datos en un cuerpo técnico/club y cuáles son las mejores prácticas para su incorporación.</p><h3>Big Data en los Clubes</h3><p>El objetivo principal de la utilización de datos es obtener información adicional para tomar cualquier tipo de decisión , ya sea a nivel cuerpo técnico o dirección deportiva.</p><p>El uso de este tipo de análisis permite reducir tiempos, mientras que las conclusiones obtenidas pueden ser utilizadas para generarse nuevas preguntas sobre aspectos que pueden estar escondidos o como fuente objetiva para confirmar/rechazar pensamientos, intuiciones y diagnósticos del cuerpo técnico.</p><p>Si bien la incorporación de los datos en un equipo tiene muchos beneficios, <strong>una aplicación incorrecta nos puede llevar fácilmente a a conclusiones erróneas y malas decisiones</strong>. Para evitar que esto suceda, veamos los principales puntos a tener en cuenta a la hora de realizar análisis de datos.</p><h4>1. Utilizar los datos como herramienta complementaria</h4><p>Así como el dato es una información adicional para la toma de decisiones, es necesario complementarlo con otros tipos de análisis para que sea una herramienta poderosa. Esto quiere decir que <strong>el análisis de datos no debe ser utilizado como única fuente de información para tomar una decisión</strong>.</p><p>Si bien los datos pueden guiarnos en la búsqueda de nuevos refuerzos, nadie va a fichar un jugador o dejar de hacerlo solamente basándose en sus números.</p><h4>2. Contextualizar el dato</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KaKxFTdoaXbPSLGxDo1PuA.png" /><figcaption>Presentación de SportsLogic en la Conferencia organizada por Seattle Sounders</figcaption></figure><p>El dato por sí solo no tiene ningún sentido. Para poder obtener conclusiones sensatas es importante <strong>siempre agregarle algún tipo de contexto.</strong></p><p>Por un lado, <strong>utilizando benchmarks podemos saber si el valor medido es alto o es bajo</strong>. Dependiendo del objetivo del análisis, esta comparación puede hacerse con valores históricos (para el mismo jugador/equipo) o con números de otros jugadores/equipos que sean comparables.</p><p>Por ejemplo, que un jugador haya recorrido 10km en un partido no nos dice mucho. Pero si luego vemos que ese jugador recorre en promedio 14km por partido, podemos entender mejor ese valor.</p><p>Por otro lado, es fundamental mantener la visión futbolística y no dejarse llevar por la matemática. Dado que <strong>todo dato va a depender de las tácticas y estrategias de cada equipo,</strong> hay que analizar cómo estas cosas impactan en las métricas de evaluación.</p><p>Sería un error, por ejemplo, utilizar el porcentaje de pases correctos para comparar defensores de equipos que salen jugando con otros que están en equipos con un estilo más directo.</p><h4>3. Diferenciar lo importante de lo interesante</h4><p>El fútbol está lleno de estadísticas: goles, remates, pases, quites, etc. El desafío entonces es saber <strong>cuáles de ellas realmente sirven para evaluar y tomar decisiones </strong>y cuáles son solamente un número<strong>.</strong></p><p>Por un lado, hay que seleccionar <strong>métricas que sirvan como indicadores de lo que se quiera medir</strong>. Esto implica, por ejemplo, utilizar la métrica de <a href="https://medium.com/@andrebrener/toma-de-decisiones-en-el-f%C3%BAtbol-usando-big-data-41ee82c3466f">Goles Esperados (xG)</a> como un primer indicador del rendimiento ofensivo y defensivo en vez de la cantidad de remates realizados/recibidos.</p><p>Pero por otro lado,<strong> las métricas seleccionadas deben estar alineadas al estilo de juego del equipo</strong>. Por ejemplo, la cantidad de pases que hacen los rivales en zona baja no tiene importancia si nuestro equipo espera a que el rival supere la mitad del campo para presionar.</p><p>Puede suceder también que algunas métricas sean importantes en algunos análisis pero que no tengan mucho sentido en otros. Este es el caso de las distancias recorridos. Para la parte física, está métrica tiene una gran relevancia a la hora de prevenir fatigas y lesiones. Ahora en el aspecto táctico no nos da mucha información ya que no sabemos velocidades, direcciones o posiciones en el campo, entre otras cosas.</p><h4>4. Comunicar con visualizaciones simples</h4><p>Este aspecto es muy importante para que el análisis de datos sea utilizado y aplicado de forma correcta. Podemos tener el mejor análisis de datos, pero <strong>no sirve de nada si no podemos transmitir las ideas de forma efectiva a directivos o entrenadores</strong>.</p><p>Dicho esto, las conclusiones obtenidas a partir de los datos deben poder comunicarse en un lenguaje de tal forma que <strong>cualquier persona pueda entenderlas y utilizarlas para la toma de decisiones</strong>. Tal es así que en muchas ocasiones es preferible sacrificar efectividad de un modelo matemático complejo con tal de mejorar la comunicar y explicación.</p><p>Las visualizaciones juegan un rol principal en este aspecto. Las mismas deben ser lo más gráficas y simples posibles. Hay que intentar mostrar la idea principal sin confundir al consumidor final con demasiada información.</p><p>Por ejemplo en el gráfico siguiente podemos ver una visualización de la intensidad defensiva de un equipo en un mapa que resulta sencillo de entender.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*uOFYsUsmXiZR9YKSUGdCdA.png" /><figcaption>Mapa de intensidad defensiva — datos de Wyscout</figcaption></figure><h4>5. Conocer las limitaciones</h4><p>Para utilizar el análisis de datos en la toma de decisiones, no es suficiente con saber sus beneficios, sino que<strong> también debemos conocer sus limitaciones</strong>.</p><p>Hay que tener en cuenta que, si bien hay muchas cosas que los modelos matemáticos pueden aproximar, éstos <strong>nunca van a ser 100% exactos</strong>.</p><p>Por ejemplo, si utilizamos los Goles Esperados para evaluar ofensivas y defensivas, debemos saber que este modelo solamente tiene en cuenta remates. Esto quiere decir que no vamos a contabilizar las situaciones de gol, no importa cuan peligrosas sean, que por alguna razón no haya habido un remate.</p><p>Otra información difícil de detectar por la forma en que hoy se recolectan los datos es la orientación corporal del jugador. Entonces si analizamos las posibilidades de pase que tuvo un jugador en algún momento del partido, es probable que varios de esos pases hayan sido imposibles de realizar debido a la orientación del cuerpo.</p><h3>Conclusión</h3><p>En resumen, a la hora de utilizar los datos en el futbol no debemos olvidarnos de que su poder radica en ser un complemento a otros tipos de análisis.</p><p>Además, para poder obtener conclusiones accionables y relevantes, debemos elegir las métricas de forma tal de que sean buenos indicadores de lo que querramos medir, que tengan en cuenta el contexto y que sean importantes para el estilo de juego del equipo. Estas conclusiones deben ser comunicadas de forma visual y simple, para que cualquiera dentro de un equipo pueda entenderlas y utilizarlas en la toma de decisiones.</p><p>Por otra parte, debemos entender que los modelos matemáticos no son 100% exactos y por ende hay que considerar las limitaciones cuando los utilizamos.</p><p>Los datos están revolucionando el mundo del fútbol y los mejores equipos del mundo ya están utilizándolos para tomar decisiones inteligentes.</p><p>Si estás interesado en incorporar el análisis de datos en tu club, te invito a escribirnos por mail a andre@bdatafutbol.com o vía <a href="https://twitter.com/bdatafutbol">Twitter</a>.</p><p><em>Si crees que los datos y las nuevas tecnologías ayudan a entender mejor el fútbol y aportan información adicional a lo tradicional visita </em><a href="https://www.bdatafutbol.com/"><em>bdatafutbol.com</em></a><em> y siguenos por </em><a href="https://twitter.com/bdatafutbol"><em>Twitter</em></a><em>.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2ab4e5b4c21c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[San Lorenzo está por el buen camino]]></title>
            <link>https://medium.com/@andrebrener/san-lorenzo-est%C3%A1-por-el-buen-camino-729bdd9b691f?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/729bdd9b691f</guid>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[futbol]]></category>
            <category><![CDATA[soccer]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Tue, 19 Feb 2019 13:34:40 GMT</pubDate>
            <atom:updated>2019-02-19T13:34:40.568Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*8TFdYWgUcPPOSwJV.jpg" /></figure><p>Ya sabemos que San Lorenzo está atravesando un mal momento futbolístico. Hace ya 11 partidos que no consigue la victoria y, para colmo, recién en el 4to partido pudo convertir el primer gol del año.</p><p>La <a href="https://medium.com/@andrebrener/se-le-est%C3%A1-terminando-la-suerte-a-san-lorenzo-c60427dd71ae">segunda mitad del 2018 fue muy mala</a>, lo que provocó la salida del cuerpo técnico anterior y la asunción de Almirón, quien tuvo que adaptarse a las circunstancias y jugadores que tenía a su disposición. Ya en el 2019, con el nuevo cuerpo técnico al mando de la pretemporada y con varios refuerzos en el plantel, los resultados no mejoraron.</p><p>Pero veamos, ¿su rendimiento sigue siendo tan malo como en el 2018? ¿Qué podemos esperar ver en futuro?</p><h3>Rendimiento: 2018 vs 2019</h3><p>Empecemos haciendo una comparación entre el rendimiento en el 2018 y en el 2019 en esta edición de la Superliga.</p><p>Para los que nos leen por primera vez , los <em>goles esperados </em>(<em>xG</em>) se utilizan para medir la cantidad de goles que un equipo o jugador merece convertir. Esta métrica indica la probabilidad de gol de un tiro basado en el contexto de la jugada y la situación de juego.</p><p>La suma de los <em>xG</em> de todos los tiros de un equipo indica la cantidad de <em>xG</em> del equipo. Se asume que a lo largo del tiempo, los jugadores y equipos deberían convertir y recibir la misma cantidad de <em>xG </em>respectivamente. Por lo tanto, si los goles de un equipo superan ampliamente sus <em>xG</em>, se esperaría que su producción goleadora comience a bajar, y viceversa. Para más información, este <a href="https://objetivoanalista.com/xg-goles-esperados/">artículo</a> de Objetivo Analista lo explica muy bien.</p><p>Ahora con la métrica de <em>xG</em> podemos medir mejor el rendimiento ofensivo y defensivo de un equipo por fuera del resultado.</p><p>En el siguiente gráfico podemos ver que <strong>en el 2019 se generaron mejores chances de gol y se redujeron las situaciones de gol en contra y los goles recibidos</strong>. Sin embargo <strong>el gran problema de San Lorenzo es la falta de gol</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*Xtl00SNPS5K8LXgik_loWA.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>Si bien los resultados todavía no lo demuestran, podemos decir que <strong>en el 2019 existe una mejora en el rendimiento</strong>.</p><h3>Versión 2019: La falta de gol</h3><p>Ahora que ya confirmamos que el problema de San Lorenzo es la sequía goleadora, veamos su generación de chances en el torneo.</p><p>En el siguiente gráfico podemos ver que San Lorenzo es de los equipos que más situaciones de gol generaron en el 2019.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ntjtibZmYRtUbWfTUtmMxQ.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>No solo eso, sino que Blandi es de los jugadores con mayor cantidad de goles esperados en el año.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*nUfAbH44u-A7VrUmo3V2Sw.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>Si.. ya sabemos que lo que importan son los goles convertidos. Pero también es verdad que sin situaciones no hay goles. Hasta podríamos decir que la habilidad más grande de un delantero es generar chances de gol, por lo que es ahí donde esta métrica pasa a tener importancia.</p><p>Si genera tantas situaciones de gol, ¿por qué le cuesta tanto convertir?</p><p>A partir de este análisis, podemos ver que <strong>el problema de San Lorenzo no está en la generación de chances.</strong> Blandi está haciendo un gran trabajo realizando tiros desde posiciones peligrosas, pero<strong> está fallando en la efectividad</strong>.</p><p>En el caso de Blandi, hay que tener en cuenta que este año volvió a jugar desde su lesión en noviembre del año pasado. Dado esto, es probable que todavía esté fuera de ritmo y tenga que readaptarse. En caso de mantener este nivel de chances de gol, podemos esperar que <strong>Blandi retome la puntería y vuelva a ser el goleador que supo ser</strong>. Ya en el último partido con Newell’s se lo vio mejor, anotando un gol y conectado con el juego, especialmente en el pase a Fértoli en la jugada que Reniero falló en el segundo palo.</p><p>¿Y el resto? ¿Por qué no marca goles?</p><p>La realidad es que en el ámbito de situaciones de gol, casi que no hay otros jugadores.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*wXzZPLjlqID2qRMjLmcRrA.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>A partir de este gráfico podemos calcular el porcentaje de chances de gol que tiene Blandi en San Lorenzo y compararlo con el resto de los equipos. El 52% de Blandi es mucho más alto del de otros líderes de sus equipos como el 37% de Pavón en Boca, el 26% de Togni en Defensa y Justicia y el 17% de Matías Suarez en River, por ejemplo.</p><p>L<strong>as situaciones de gol de San Lorenzo dependen mucho de Blandi</strong>. Dado que el 9 todavía está calentando los motores después de la lesión, el equipo lo sufre y no logra convertir.</p><h3>Conclusión</h3><p>Al principio del artículo nos preguntábamos si San Lorenzo estaba mejor que el año pasado. Ahora podemos concluir <strong>que en el 2019 se está viendo una mejor versión de lo que fue el 2018</strong>.</p><p>Pudimos identificar que, si bien pudo mejorar el ataque y la defensa, le está faltando elgol. Sin embargo, vimos que el problema no radica en la creación de situaciones de gol, sino en la poca efectividad.</p><p>San Lorenzo está sufriendo mucho la racha negativa es de Blandi, ya que el 9 es casi el único que tiene chances de gol. Esta falta de gol puede ser un tema de readaptación luego de su lesión y, dado que su nivel de generación es bueno, es probable que no se prolongue por mucho más. Igualmente se debería trabajar para que otros jugadores ofensivos también lleguen al arco rival para generar más peligro.</p><p>Es verdad que siempre se quiere ganar, pero dado el contexto en donde ya no se puede aspirar a nada en esta Superliga, quizás es mas importante encontrar el funcionamiento para poder pelear la Copa Libertadores y la Copa Argentina, que ahora pasa a ser un torneo de suma importancia.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=729bdd9b691f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Cómo Analizar Rivales como Bielsa en Menos de 1 Minuto — Parte 2]]></title>
            <link>https://medium.com/@andrebrener/c%C3%B3mo-analizar-rivales-como-bielsa-en-menos-de-1-minuto-parte-2-3416f1a82643?source=rss-2dee5ac50b3d------2</link>
            <guid isPermaLink="false">https://medium.com/p/3416f1a82643</guid>
            <category><![CDATA[soccer]]></category>
            <category><![CDATA[football]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[spanish]]></category>
            <dc:creator><![CDATA[Andre Brener]]></dc:creator>
            <pubDate>Tue, 05 Feb 2019 13:58:32 GMT</pubDate>
            <atom:updated>2019-02-05T13:58:32.469Z</atom:updated>
            <content:encoded><![CDATA[<h3>Cómo Analizar Rivales como Bielsa en Menos de 1 Minuto — Parte 2</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/0*iXDMeWl5sAMOfTkl.jpg" /></figure><p>La semana pasada publicamos un <a href="https://medium.com/@andrebrener/c%C3%B3mo-analizar-rivales-como-bielsa-en-menos-de-1-minuto-12a351708f50">artículo</a> en donde utilizamos nuevas tecnologías para <strong>realizar los mismos análisis que mostró Bielsa en conferencia de prensa, pero en tan solo unos pocos segundos</strong>.</p><p>Dada la buena repercusión que generó el reporte, decidimos mostrar nuevos análisis y gráficos que también<strong> pueden obtenerse automáticamente y pueden ser muy útiles a la hora de analizar un equipo</strong>.</p><p>Para este reporte nos enfocaremos en 3 tipos de información:</p><ol><li>Estilo de juego.</li><li>Saques de esquina.</li><li>Saques de arco.</li></ol><h3>1. Estilo de Juego</h3><p>En el artículo anterior vimos la forma de obtener todas las formaciones y alineaciones con las que jugó un equipo. Si bien esto es útil para conocer las variantes de sistemas tácticos que puede llegar a utilizar el entrenador, no da mucha información sobre el estilo de juego del equipo. Por ejemplo un 4–4–2 de Unión probablemente no tenga nada que ver a un 4–4–2 de River.</p><p>Para analizar el estilo de juego veamos:</p><ol><li>Movimiento de los jugadores.</li><li>Red de pases.</li><li>Estilo de pases.</li></ol><p>A modo de ejemplo, veamos el resultado de este reporte aplicado a River en el partido contra Union del 23 de enero en el Monumental, por la 12da fecha de la Superliga.</p><p>Este análisis y los siguientes <strong>se generaron de manera automática eligiendo el equipo, la liga y las fechas de corte</strong> (en este caso de tal forma para incluir solamente este partido).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AuN6BerNqzc3H2VhZo2cjg.png" /><figcaption>Captura de herramienta utilizada con tipos de análisis generados</figcaption></figure><h4>1.1 Movimiento de los jugadores</h4><p>Utilizando mapas de calor, podemos <strong>tener una idea de cómo se movieron los jugadores y qué zonas del campo ocupó cada uno</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OXbI44SFJfNiRHJZ3g1iDg.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>Algunas conclusiones que podemos sacar a partir de estos gráficos son:</p><ul><li>Quintero jugó en 3/4 del campo recostado por la zona derecha ataque.</li><li>Casco pasó mucho al ataque durante el partido.</li><li>Borré jugó mucho fuera del área. Si bien estuvo un poco más tirado a su derecha, tuvo libertad para moverse por todo el frente de ataque.</li><li>Fernández se limitó a jugar por la izquierda.</li></ul><p>Este gráfico también puede realizarse para cada jugador en cada posición, dentro de cada esquema, para uno o varios partidos.</p><h4>1.2 Red de pases</h4><p>Ahora veamos las conexiones que tuvo River en el partido y los jugadores más importantes dentro de la red de pases.</p><p>Para realizar este análisis, sumamos los cantidad para cada combinación de pasador-receptor y luego calculamos la centralidad de la red. A partir de este gráfico, podemos <strong>identificar quiénes son los jugadores más importantes en la circulación del juego de un equipo</strong>.</p><p>Esta información gráfico puede servir para tener en cuenta al elaborar las estrategias de marca y de presión para romper el circuito de juego del rival, entre otras cosas.</p><p>A continuación vemos que Quintero y Palacios fueron los jugadores más importantes en la circulación de juego de River.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*qfbyGJITr0sBWfMKw_wHvQ.png" /><figcaption>Datos de Wyscout</figcaption></figure><h4>1.3 Estilo de Pases</h4><p>Para realizar este análisis, agrupamos los pases completos en diferentes secciones dependiendo la dirección. Luego, para cada uno de esos grupos, calculamos la cantidad y la longitud promedio de los pases para visualizar estos datos en un radar. La idea del radar fue inspirada en el trabajo de <a href="https://twitter.com/etmckinley"><strong>@</strong>etmckinley</a>.</p><p>Todo este proceso <strong>fue realizado programáticamente de forma tal que los gráficos se obtienen en un par de segundos</strong>.</p><p>Para entender mejor la lectura de los radares de pases, veamos una comparación entre el juego más lateralizado de Gastón Gimenez (Velez Sarsfield) y el más directo de Emanuel <em>Bebelo</em> Reynoso (Boca Juniors).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*F8-9yiVrbXKuu_lQ0iRyWA.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>Ahora que ya entendemos los radares de pases, pasemos al siguiente nivel: radares de pases de un equipo.</p><p>El concepto es el mismo que el anterior pero ahora lo vemos dentro de la formación. De esta forma podemos tener una visión general del equipo y saber básicamente qué tipo de pases intentó cada jugador.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*FOtqZqxiHnRNoc1BMBeAlg.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>Algunas conclusiones que podemos sacar a partir de este gráfico son:</p><ul><li>Enzo Perez hizo muchos pases en diagonal hacia adelante y casi nunca jugó para atrás.</li><li>Quintero en general hizo pases cruzados.</li></ul><p>Estos gráficos pueden realizarse para cada jugador en cada posición, dentro de cada esquema, para uno o varios partidos.</p><p>Para concluir esta sección del artículo, podemos decir que<strong> </strong>combinando los mapas de calor, la red de pases y los radares de pases de un equipo <strong>podemos tener una muy primera impresión del estilo de juego del equipo en tan solo unos segundos sin haber visto nada del partido</strong>.</p><h3>3. Saques de esquina</h3><p>Ahora que ya tenemos una buena idea del estilo de juego, veamos cómo ejecuto los córners.</p><p>Para realizar este análisis, nos fijamos los primeros toques posteriores a todos los saques de esquina. Para medir la efectividad, dividimos el campo en 3 (primer palo, centro y segundo palo) y calculamos el porcentaje de resultados positivos sobre el total en la zona.</p><p>Este análisis sirve para tener una primera impresión de cómo un equipo juega sus saques de esquina y qué zonas son más peligrosas. Puede utilizarse <strong>para estudiar al rival, pero también para hacer un análisis propio y usarlo para mejorar en este aspecto</strong>.</p><p>Para las secciones de pelota parada (córners y saques de arco), utilizamos los datos de todos los partidos de River en la Superliga 2018–19.</p><p>En el siguiente gráfico vemos que River intentó mucho tirar los saques de esquina al primer palo (especialmente desde la izquierda) sin tener éxito.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*6rs_6GIYGOMiD0RppoIpfg.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>Este análisis se puede detallar y profundizar en muchos aspectos como tener en cuenta la pierna del lanzador o ver la dirección de los despejes para ir a buscar la segunda jugada, entre otras.</p><p>También puede realizarse para los saques de esquina en contra para identificar debilidades en el área del rival.</p><h3>4. Saques de arco</h3><p>Al igual que en los córners, nos fijamos los primeros toques posteriores a todos los saques de arco. Para medir la efectividad, dividimos el campo en 3 (izquierda, centro y derecha) y calculamos el porcentaje de resultados positivos sobre el total de cada zona.</p><p>Este análisis sirve para tener una primera impresión de cómo un equipo sale jugando. Puede utilizarse<strong> para estudiar al rival y desarrollar un plan de presión o para hacer un análisis propio y ver de qué forma mejorar la salida</strong>, entre otras cosas.</p><p>En el gráfico siguiente vemos que la idea principal de River es salir jugando por los costados. En caso de no tener salida clara, se busca a algún delantero a la espalda de los volantes rivales (preferentemente sobre la izquierda) para bajársela a los volantes que llegan de frente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*_kbclg-yStquKq1FBZX2UA.png" /><figcaption>Datos de Wyscout</figcaption></figure><p>Este análisis se puede detallar y profundizar viendo quiénes son los jugadores que más reciben en cada una de las zonas, o si el receptor tiende a bajarla, a pasar para atrás o a peinarla por ejemplo.</p><h3>Conclusión</h3><p>La semana pasada vimos cómo hacer los mismos análisis que hace Bielsa en menos de 1 minuto. En esta segunda parte, agregamos otros gráficos que, si bien no sabemos si los utiliza Bielsa, pueden ser muy útiles a la hora de analizar tanto al rival como al equipo propio.</p><p>Esta información adicional también se obtiene en menos de un minuto. Es decir que, combinando los dos artículos, <strong>podemos generar un montón de información para analizar equipos (rivales o propios) en unos segundos</strong>.</p><p>Tal como especificamos en el reporte anterior, este informe es estándar, pero también se puede extender y personalizar para que cualquier cuerpo técnico pueda analizar, de manera automática, lo que le parezca más importante.</p><p>Estos reportes no buscan reemplazar al análisis de video, sino que lo complementa. A partir de este tipo de reportes, el analista puede entender cuáles son las cosas más importantes a enfocarse.</p><p>Además, tal velocidad en la obtención de los datos para el análisis <strong>adquiere más importancia cuando el equipo se encuentra compitiendo simultáneamente en varios campeonatos</strong> y, más aún, con rivales desconocidos del exterior.</p><p>Si trabajas en un cuerpo técnico y crees que este tipo de reportes puede mejorar la preparación de partidos, escribinos a <a href="http://andre@bdatafutbol.com/"><em>andre@bdatafutbol.com</em></a>.</p><p><em>Si crees que los datos y las nuevas tecnologías ayudan a entender mejor el fútbol y dan una visión diferente a la tradicional seguime en Twitter en </em><a href="https://twitter.com/bdatafutbol"><em>@bdatafutbol</em></a><em>.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3416f1a82643" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>