StatsBomb firma un acuerdo con el Levante UD

El Levante UD ha llegado a un importante acuerdo con StatsBomb, el proveedor de datos avanzados de fútbol líder del mercado. Gracias a este nuevo marco, los granotas podrán tener acceso a las mejores estadísticas obtenidas a través de analizar más de 3.400 eventos de cada partido celebrado en más de 90 competiciones de todo el mundo.

5 futbolistas a tener en cuenta en el Tournoi Maurice Revello

Falta solo un día para que arranque uno de los eventos deportivos más importantes y prestigiosos del fútbol mundial: el Tournoi Maurice Revello (anteriormente conocido como el torneo de Toulon).

Durante las siguientes dos semanas, muchos de los jóvenes más talentosos del planeta se verán las caras en una nueva edición que reúne a las selecciones nacionales de Argentina, Arabia Saudí, Francia, Panamá, Indonesia, Venezuela, México, Ghana, Japón, Argelia, Colombia y Comoras.

Grandes leyendas del fútbol mostraron su valía en anteriores ediciones: Zidane, Cristiano Ronaldo, Cafú, Lampard, James Rodríguez…hay tantos que la lista no terminaría nunca.

La pregunta entonces es, ¿cuántos de los jóvenes que participarán en esta edición se convertirán en las grandes estrellas del panorama futbolístico? Imposible saberlo aunque, en StatsBomb, orgullosos proveedores oficiales de datos del torneo, hemos querido proponeros 5 nombres para abrir boca. Estas son las ventajas de poder disponer de los mejores datos del mundo. ¡Ah! Y, por supuesto, tendremos los mejores análisis y datos de todos y cada uno los partidos que se disputen no solo del Tournoi Maurice Revello sino también de la Sud Ladies Cup que tendrá lugar en Junio.

La Conferencia StatsBomb de 2022

La Conferencia de StatsBomb vuelve este año y la celebraremos en un escenario inmejorable: el estadio de Wembley, Londres

Día: Martes 20 de Septiembre de 2022

Lugar: Estadio de Wembley

Añade este evento a tu calendario >> 

Hemos decidido adelantar un poco la fecha de este evento tan especial para adaptarnos lo mejor posible al parón internacional que, este año, cambia debido al Mundial de fútbol. Como siempre, este evento reunirá a las figuras más ilustres del sector, quienes compartirán con todos los asistentes las últimas novedades en torno al uso de datos de las organizaciones deportivas más vanguardistas de todo el planeta.

Entradas ya disponibles.

StatsBomb en el Sports Data Fórum 2022

StatsBomb acudirá al Sports Data Fórum 2022, uno de los principales eventos en España dedicado al análisis deportivo basado en datos que se celebrará del 24 al 31 de marzo en el Ramón Sánchez-Pizjuán. 

¿Quieres saber por qué StatsBomb es el líder en datos deportivos dedicados a facilitar la toma de decisiones? ¿Tener acceso a los mejores datos jamás creados para elaborar análisis más profundos o desgranar con más detalle las jugadas claves de los partidos? ¿Eres uno de nuestros clientes y quieres saber más acerca de todas las novedades y servicios que tenemos en marcha?

Mándanos un correo a pablo@statsbombservices.com y nos pondremos en contacto para poder organizar un encuentro durante el evento.

 

El equipo StatsBomb

Estudio de Caso: Alianza Lima, Campeón de la Liga 1 de Perú 2021

A finales de noviembre, Alianza Lima se consagró campeón de la Liga 1 de Perú 2021, su primer título en cuatro años. El triunfo se logró sólo 12 meses después de su peor temporada en la era profesional del fútbol peruano y representó el primer gran éxito del club bajo la gerencia de José Bellina.

Bellina asumió el cargo de gerente deportivo a principios de 2021 e inmediatamente señaló su intención de mejorar los procesos de evaluación y selección de jugadores. En octubre, el popular club peruano se convirtió en uno de los más de 100 alrededor del mundo que se benefician del acceso a los datos y modelos de vanguardia de StatsBomb.

Hablamos con José sobre el rol de los datos y las herramientas de análisis de StatsBomb en el trabajo del club.

StatsBomb (SB): Hola José. Primero, nos gustaría felicitarte a ti y al equipo por la gran temporada realizada y la conquista del título. Si damos un pequeño paso atrás, ¿Qué retos os llevaron a apostar por contratar los servicios de StatsBomb?

José Bellina (JB)
: Principalmente, tener una evaluación objetiva del rendimiento de nuestro equipo y nuestros jugadores, así como de jugadores de diferentes ligas que queramos evaluar a profundidad para incorporar a nuestro equipo.

SB: ¿Cómo os han ayudado a resolver estos retos los datos y las herramientas de análisis de StatsBomb ?

JB
: En la evaluación de equipos y jugadores podemos tener más claro cuales son nuestros defectos y virtudes, así como los del rival. Por otro lado, nos ayuda a eliminar percepciones en el proceso de scouting, intentando ser más objetivos en la toma de decisiones. En todas las renovaciones y contrataciones que hemos realizado hemos utilizado la data de StatsBomb como un soporte fundamental para tomar la decisión.

SB: ¿Qué herramienta de nuestra plataforma de análisis StatsBomb IQ usáis con más frecuencia? ¿Por qué?

JB: Utilizamos en gran manera las comparaciones de nuestros jugadores con el promedio de la Liga, así como comparamos a nuestros jugadores con los que potencialmente queremos contratar. Así tenemos una idea más clara de quién está rindiendo más y por qué.

SB: ¿Cuáles de nuestras métricas y modelos han sido particularmente útiles en su trabajo?

JB: Lo que hemos desarrollado son indicadores en todas las posiciones. Para los delanteros usamos unas métricas en particular, para los defensas otras, y así sucesivamente. Todo esto va de acuerdo a lo que nosotros valoramos como métricas claves por puesto. Por ejemplo, en todas las posiciones de ataque valoramos mucho el xG por tiro, ya que nos ayuda a evaluar la toma de decisiones del jugador. El xG asistido también es una métrica clave, así como los counterpressures (presiones tras pérdida). Pero en general utilizamos 7-8 métricas por cada puesto.

SB: ¿Por qué decidisteis trabajar con StatsBomb?

JB: Porque consideramos que son la empresa que mejor recopilación de data tiene, y adicionalmente le dan un enfoque mucho más importante a la estadística predictiva en vez de a la descriptiva. No queremos saber qué pasó, queremos saber qué va a pasar, y en eso StatsBomb es el mejor.

SB: ¿Qué es lo que más os gusta de StatsBomb?

JB: La calidad de la data. Es lo más importante.

SB: ¿StatsBomb ofrece buena atención al cliente?

JB
: La atención al cliente es muy buena. Recibimos respuestas rápidas, algo que es muy importante para nosotros.

SB: Finalmente, ¿Qué importancia tiene nuestro producto en el trabajo del club?

JB
: Consideramos que StatsBomb es una herramienta clave para el club. Como uno de los equipos más importantes del país, queremos estar a la vanguardia de los procesos de scouting y evaluación de rendimiento y StatsBomb nos ayuda para lograrlo.


Si trabajas en un club, un medio de comunicación, una agencia de jugadores o una casa de apuesta deportivas y quieres saber más sobre lo que StatsBomb puede hacer por ti, ponte en contacto con nosotros >> www.statsbomb.com/es/contacto/

Datos gratuitos: La Euro 2020 con StatsBomb 360

La semana pasada, agregamos los datos de la última temporada de Lionel Messi en el Barcelona a nuestra base de datos gratuitos. Esta semana, tenemos algo muy especial para la comunidad de analistas y investigadores: datos gratuitos de la Euro 2020, y no solo los datos de evento normales sino también toda la información adicional que proporciona nuestro nuevo producto StatsBomb 360.

¿Qué es StatsBomb 360?

StatsBomb 360 es la próxima revolución en los datos de evento de fútbol. Ya revolucionamos la industria en 2018 con el lanzamiento de StatsBomb Data y la inclusión de una imagen de cada tiro, un freeze frame, que nos proporciona la posición tanto del portero como de los atacantes y defensores en el momento del tiro. Con StatsBomb 360, recogemos un freeze frame para todos los eventos en un partido, mostrando la posición de todos los jugadores en la pantalla. Esta información adicional abre muchas posibilidades de análisis, cosas como:

  • Pases que rompen líneas
  • Recepciones entre líneas, al pie, o al espacio
  • Distancia respecto a los defensores
  • Líneas de pase abiertas… ¡y cerradas!
  • Defensive Island Events (DIEs) - cuando equipos crean situaciones de 1v1 donde los defensores están sin coberturas/ayudas cercanas
  • Formación defensiva en cada evento

Esto solo es la punta del iceberg. Nuestros clientes ya han empezado a analizar y sacar provecho de la esta nueva información y nosotros mismos estamos generando nuevas ideas día a día.

Ahora, vosotros tenéis la oportunidad de investigar los datos y hacer su propio análisis.

Cabe mencionar que si solo queréis aprovechar de los datos de evento normales de la Euro 2020 podéis hacerlo sin problema alguno. Podéis usar nuestra guía vigente sobre el uso de StatsBomb Data en R, utilizar nuestra herramienta de Python, statsbombpy, para acceder a los datos o buscar en la web una de las varias guías escritas por gente de la comunidad.

Pero aquí, os daremos el código del software de programación R para empezar a trabajar con los datos de StatsBomb 360. Os mostraremos como encontrar los Freeze Frame de StatsBomb 360, combinarlos con los datos de evento normales, utilizarlos para calcular la cantidad de atacantes y defensores en el área en todos los centros de la Euro 2020 y finalmente, hacer un plot de un centro dado con las localizaciones de todos los jugadores en la pantalla.

Antes de nada, hay que actualizar el paquete StatsBombR para tener acceso a las nuevas funciones relacionadas a StatsBomb 360: get.360matchFree y StatsBombFree360Events.

Ya con esto hecho podemos empezar el proceso de importación. Primero, importamos los datos de evento normal de la Euro 2020.

library(tidyverse)
library(StatsBombR)

Comp <- FreeCompetitions() %>%
filter(competition_id==55 & season_id==43)

Matches <- FreeMatches(Comp)

events <- StatsBombFreeEvents(MatchesDF = Matches, Parallel = T)

events = allclean(events)

events = get.opposingteam(events)

Luego, importamos los datos de StatsBomb 360, los combinamos con los datos normales y guardamos este conjunto de datos para uso futuro.

datos360 <- StatsBombFree360Events(MatchesDF = Matches, Parallel = T)

datos360 = datos360 %>% rename(id = event_uuid)

events = events %>% left_join(datos360, by = c("id" = "id"))

events = events %>% rename(match_id = match_id.x) %>% select(-match_id.y)

save(events, file = "Euro_2020_con_360.RData")

Con el conjunto de datos guardado, ahora lo utilizaremos para encontrar los 10 centros de la Euro 2020 en los que habían más atacantes en el área.

Primero, reducimos la cantidad de eventos con los que estamos trabajando para allanar un poco el próximo proceso, filtrando los eventos para incluir solo a los pases.

ffs = events %>%
group_by(team.name) %>%
filter(type.name=="Pass") %>%
select(id, match_id, team.name, OpposingTeam, player.name, type.name, minute, second, location.x, location.y, pass.end_location.x, pass.end_location.y, pass.type.name, pass.cross, freeze_frame)

Luego, desplegamos los freeze frame para tener las localizaciones de los jugadores en cada uno de ellos en el mismo dataframe que los eventos a las que se relacionan.

ffs = ffs %>% unnest(freeze_frame) %>%
mutate(ff_location.x = (map(location, 1)), ff_location.y = (map(location, 2))) %>%
select(-location) %>%
mutate(ff_location.x = as.numeric(ifelse(ff_location.x == "NULL", NA, ff_location.x)), ff_location.y = as.numeric(ifelse(ff_location.y == "NULL", NA, ff_location.y)))

Finalmente, filtramos otra vez para incluir solo a los centros en juego dinámico que acabaron en el área de penalti y calculamos la cantidad de atacantes y defensores en el área en cada uno de ellos. Luego, ordenamos los centros por la cantidad de atacantes en el área y hacemos una lista de los 10 centros en los que habían más atacantes en el área.

centros = ffs %>%
filter(pass.end_location.x>102 & pass.end_location.y>18 & pass.end_location.y<62) %>%
filter(is.na(pass.type.name) | pass.type.name=="Recovery" | pass.type.name=="Interception")%>%
filter(pass.cross==TRUE) %>%
filter(keeper==FALSE) %>%
group_by(team.name, OpposingTeam, id) %>%
summarise(atacantes = sum(teammate==TRUE & actor==FALSE & ff_location.x>102 & ff_location.y>18 & ff_location.y<62, na.rm = TRUE), defensores = sum(teammate==FALSE & ff_location.x>102 & ff_location.y>18 & ff_location.y<62, na.rm = TRUE), ata_v_def = atacantes-defensores) %>%
ungroup() %>%
arrange(desc(atacantes)) %>%
slice(1:10)

El resultado:

Ahora, haremos un plot de las localizaciones de los jugadores tanto del equipo atacante como del equipo defensivo en uno de estos centros.

Primero, filtramos para incluir solo al centro con más atacantes en el área (Polonia vs. Suecia), cogiendo el id de este centro del dataframe previo, y creamos una nueva columna para nombrar los cuatro tipos de jugador: el que realiza el centro, un compañero de este jugador, un jugador rival o el portero rival.

chart = ffs %>%
filter(id=="57074cd6-5525-49d5-8528-be4bfb329e9b") %>%
mutate(tipo_de_jugador = case_when(actor==TRUE & teammate==TRUE ~ "Activo", teammate==TRUE ~ "Compañero", teammate==FALSE & keeper==FALSE ~ "Rival", keeper==TRUE & teammate==FALSE ~ "Portero"))

De ahí, podemos hacer el plot.

ggplot() +
annotate("rect",xmin = 0, xmax = 120, ymin = 0, ymax = 80, fill = NA, colour = "black", size = 0.6) +
annotate("rect",xmin = 0, xmax = 60, ymin = 0, ymax = 80, fill = NA, colour = "black", size = 0.6) +
annotate("rect",xmin = 18, xmax = 0, ymin = 18, ymax = 62, fill = NA, colour = "black", size = 0.6) +
annotate("rect",xmin = 102, xmax = 120, ymin = 18, ymax = 62, fill = NA, colour = "black", size = 0.6) +
annotate("rect",xmin = 0, xmax = 6, ymin = 30, ymax = 50, fill = NA, colour = "black", size = 0.6) +
annotate("rect",xmin = 120, xmax = 114, ymin = 30, ymax = 50, fill = NA, colour = "black", size = 0.6) +
annotate("rect",xmin = 120, xmax = 120.5, ymin =36, ymax = 44, fill = NA, colour = "black", size = 0.6) +
annotate("rect",xmin = 0, xmax = -0.5, ymin =36, ymax = 44, fill = NA, colour = "black", size = 0.6) +
annotate("segment", x = 60, xend = 60, y = -0.5, yend = 80.5, colour = "black", size = 0.6)+
annotate("segment", x = 0, xend = 0, y = 0, yend = 80, colour = "black", size = 0.6)+
annotate("segment", x = 120, xend = 120, y = 0, yend = 80, colour = "black", size = 0.6)+
theme(rect = element_blank(),
line = element_blank()) +
# add penalty spot right
annotate("point", x = 108 , y = 40, colour = "black", size = 1.05) +
annotate("path", colour = "black", size = 0.6, x=60+10*cos(seq(0,2*pi,length.out=2000)), y=40+10*sin(seq(0,2*pi,length.out=2000)))+
# add centre spot
annotate("point", x = 60 , y = 40, colour = "black", size = 1.05) + annotate("path", x=12+10*cos(seq(-0.3*pi,0.3*pi,length.out=30)), size = 0.6, y=40+10*sin(seq(-0.3*pi,0.3*pi,length.out=30)), col="black") +
annotate("path", x=107.84-10*cos(seq(-0.3*pi,0.3*pi,length.out=30)), size = 0.6, y=40-10*sin(seq(-0.3*pi,0.3*pi,length.out=30)), col="black") +
geom_point(data = chart, aes(x = ff_location.x, y = ff_location.y, fill=tipo_de_jugador), size = 6, alpha = 0.8, shape=21) + #3
theme(axis.text.x=element_blank(),
axis.title.x = element_blank(),
axis.title.y = element_blank(),
plot.caption=element_text(size=13,family="Source Sans Pro", hjust=0.5, vjust=0.5),
plot.subtitle = element_text(size = 18, family="Source Sans Pro", hjust = 0.5),
axis.text.y=element_blank(), legend.position = "top",
legend.title=element_text(size=18,family="Source Sans Pro"),
legend.text=element_text(size=16,family="Source Sans Pro"),
legend.margin = margin(c(20, 10, -65, 50)),
legend.key.size = unit(1.5, "cm"),
plot.title = element_text(margin = margin(r = 10, b = 10), face="bold",size = 24, family="Source Sans Pro", colour = "black", hjust = 0.5),
legend.direction = "horizontal",
axis.ticks=element_blank(),
aspect.ratio = c(65/100),
plot.background = element_rect(fill = "white"),
strip.text.x = element_text(size=13,family="Source Sans Pro")) +
labs(title = "El centro de la Euro 2020 con más atacantes en el área", subtitle = "Przemysław Frankowski, Polonia vs. Suecia, 23/06/2021",
caption = "Creado con los datos gratuitos de StatsBomb\n https://github.com/statsbomb/open-data") +
coord_flip(xlim = c(85, 125))

Con este resultado:

Este código solo representa un punto de partida para investigaciones más profundas. Incluso con un cambio sencillo de los filtros para incluir a diferentes variables, podéis crear algo distinto. Tenemos muchas ganas de ver lo que vosotros haréis con estos datos.

Si necesitáis un poco de inspiración, varios académicos y analistas presentaron sus investigaciones con StatsBomb 360 en la StatsBomb Conference 2021. Podéis ver los videos (en inglés) en nuestro canal de Youtube o leer los artículos de investigación (también en inglés) aquí.