Herramienta para mejorar la táctica
Un trabajo científico desarrolló un método que posibilita optimizar el funcionamiento de un equipo de fútbol analizando la red de pases entre los jugadores.
Se dice que en el fútbol puede ganar cualquiera. Es cierto. Algunos equipos ignotos han derrotado a campeones del mundo. Pero digamos todo: la probabilidad de que Sacachispas le gane al Barcelona es prácticamente nula.
En otras palabras, el fútbol no es totalmente azaroso, sino que tiene regularidades que están determinadas por el sistema táctico. O sea, los jugadores no hacen lo que quieren adentro de la cancha. Por ejemplo, tienen que ocupar determinadas posiciones, tienen ciertas zonas de acción y tienen roles.
Si el juego fuera completamente azaroso, probablemente todos los jugadores correrían atrás de la pelota y el sistema sería ineficiente. De igual manera, si el juego estuviera perfectamente determinado, se jugaría como en un metegol; no habría una gambeta. Entre el azar puro y el determinismo absoluto hay un abanico infinito de sistemas de juego posibles.
De ese gran conjunto de alternativas, el director técnico elige la que considera mejor para sus dirigidos. No obstante, a veces el equipo juega bien y otras veces juega mal. Esto puede ocurrir, incluso, durante el transcurso de un mismo partido.
La recopilación de datos sobre lo que sucede en una cancha de fútbol es un fenómeno en crecimiento. Este hecho comenzó a atraer a los científicos.
Por ejemplo, en la final del Mundial de Qatar entre Argentina y Francia, nuestro seleccionado estaba jugando muy bien y se había puesto en ventaja por dos goles. Pero, en algún momento del segundo tiempo, el combinado francés empezó a remontar e igualó el marcador. ¿Qué fue lo que sucedió en el medio para que eso ocurriera?
El análisis de lo que hace que un equipo juegue mejor o peor es responsabilidad inmediata del director técnico. También, acostumbran decir lo suyo los periodistas deportivos. En ambos casos, aunque de diferente manera, las estadísticas del partido resultan de gran ayuda.
Tanto es así, que la recopilación de datos sobre lo que sucede en una cancha de fútbol es un fenómeno en crecimiento. De hecho, durante el partido, muchos jugadores llevan sensores en el cuerpo que registran información tan variada como la fuerza con la que se le pega a la pelota o los kilómetros recorridos.
Andrés Chacoma.
Desde hace algún tiempo, esta creciente disponibilidad de datos comenzó a atraer a los científicos. Es, por ejemplo, el caso de Andrés Chacoma, investigador del CONICET en el Departamento de Física de la Facultad de Ciencias Exactas y Naturales de la UBA, que acaba de publicar un paper en Physical Review E, la revista científica de la Sociedad Norteamericana de Física.
“Estuvimos trabajando con una base de datos que reúne todos los eventos que se vieron en todos los partidos de la temporada 2017-2018 de las cinco ligas europeas más importantes”, cuenta. “Lo que hacemos nosotros esencialmente es usar los datos para tratar de encontrar patrones estadísticos que puedan ayudar a mejorar la performance de los equipos”.
¿Bien o mal?
Responder la pregunta de cómo mejorar el juego de un equipo, requiere previamente establecer de alguna manera cuándo se está jugando bien y cuándo se está jugando mal. “A la estadística tradicional le cuesta medir esas cosas”, acota Chacoma. “La herramienta que usamos nosotros para cuantificar este tipo de cosas son las redes. En particular, las redes de pases entre los jugadores”.
El grupo quería ver cuáles son las configuraciones de las redes de pases de los jugadores en las cuales los equipos están jugando bien o están jugando mal.
El investigador comenta que esta metodología se usa, por ejemplo, para estudiar la interacción entre las personas en las redes sociales. “La interacción más sencilla que uno puede medir en el fútbol son los pases, que son una medida de cómo los jugadores están conectados entre sí, que es algo que puede ir cambiando a lo largo del partido”, consigna.
Fue así que, del inmenso cúmulo de información de la base de datos de las ligas europeas, seleccionaron una parte: “Nos dedicamos a estudiar las redes de pases entre los jugadores. Queríamos ver cuáles son las configuraciones de esas redes de pases en las cuales los equipos están jugando bien o están jugando mal”.
Para eso, tuvieron que establecer parámetros de lo que era jugar bien y jugar mal. Decidieron que un equipo está jugando bien cuando realiza tiros al arco y, además, está adelantado en el campo. Por el contrario, el equipo está jugando mal cuando está atrasado y recibe tiros al arco. “Son redes de 50 pases. De los últimos 50 pases previos al tiro al arco”, aclara.
Al final, obtienen dos tipos de redes (ver figura): de cuando están jugando bien y de cuando están jugando mal. Entonces, las comparan. “Buscamos diferencias en la estructura de esos dos conjuntos de redes. Y esas diferencias, uno las puede de cuantificar con distintas métricas que se usan para las redes. Por ejemplo, una métrica que se llama clustering, que mide si en la red hay estructuras triangulares. Entonces, si el clustering es alto, es porque tenemos jugadores que se están pasando la pelota de manera triangular, como que están triangulando bien. Otra métrica que usamos, por ejemplo, es la centralidad, que mide qué tan importante es un jugador en la red, pensado cuál es la probabilidad de que ese jugador tenga la pelota en un momento dado”, explica Chacoma, y señala. “Lo que encontramos es que hay diferencias significativas en la estructura de ambos tipos de redes. Es decir, nuestra herramienta permite determinar cuándo un equipo está jugando bien y cuándo está jugando mal”.
Frecuencia de interacciones entre jugadores del Barcelona. La intensidad del color es proporcional al número de pases observados. (a) En situaciones de alto rendimiento. (b) En situaciones de bajo rendimiento.
El jugador bloqueado
Uno de los equipos que utilizaron para hacer el estudio fue el Barcelona de Messi e Iniesta. En ese caso, vieron que los momentos en los que el equipo jugaba mal era cuando Iniesta tenía un clustering bajo en comparación con las situaciones en las que el equipo estaba jugando bien. Por lo tanto, dedujeron que, si se quería optimizar el funcionamiento del equipo, la pregunta a responder era qué configuración de pases se tiene que dar para que Iniesta tenga un clustering alto.
“Nuestra herramienta permite determinar cuándo un equipo está jugando bien y cuándo está jugando mal”.
“Yo podría decirle al entrenador que si hace jugar más por el lado donde juega Iniesta va a aumentar el clustering de Iniesta y eso va a llevar a mejores redes de pases. O sea, esta herramienta te permite meterte en la táctica del equipo”, afirma Chacoma.
De la misma manera, el método demostró ser útil para resolver lo que en el paper publicado se define como “el problema del jugador bloqueado”, que es una situación que se da con cierta frecuencia en un partido de fútbol, que consiste en bloquear a un jugador que es clave para el juego de un equipo con el objetivo de que no acceda a la pelota.
Por ejemplo, cuando se lograba bloquear a Messi, otros jugadores del Barcelona empezaban a decaer en las métricas. En este caso, según el estudio, la pregunta a responder es cómo reconfigurar la red de pases para que los jugadores que están alrededor de Messi puedan compensar la ausencia de Messi y hacer de nuevo crecer las métricas que llevaron a una red de alta performance.
“Es un problema de optimización. Vos sacás al jugador a la cancha y analizás qué red de pases tiene que haber para que los jugadores vuelvan a tener métricas relacionadas a una alta performance sin la presencia de Messi. Y eso de alguna manera, te lleva a una red de alta performance en presencia del jugar bloqueado”, ilustra, y subraya: “Muchas veces, la estadística se centra en marcar el problema del jugador individual, pero no sabemos cómo compensar con el equipo la pérdida del jugador individual. La propuesta nuestra es una reconfiguración del sistema de pases, del sistema de juego del equipo, para compensar la pérdida de ese jugador”.
– Cuál es la originalidad científica de este trabajo?
– Las redes se vienen usando esencialmente para describir diferentes problemas. Nuestra contribución es que con esta herramienta podemos intentar resolver problemas concretos. Podemos usar los datos para hacer recomendaciones tácticas. Tampoco podemos asegurar que esas recomendaciones funcionen siempre y completamente, porque es un sistema netamente probabilístico.
