Noticias

Algunos clientes y medios de comunicación han tenido la oportunidad de probar nuestra plataforma StatsBomb IQ a lo largo de esta temporada. Ahora ha llegado el momento de anunciarlo públicamente y ponerlo a disposición de todo el público. 

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

En marzo, lanzamos StatsBomb 360, la próxima revolución en los datos de evento de fútbol. Nuestros clientes ya han empezado a sacar provecho de este producto único en el mercado y estamos empezando a incluir elementos de 360 en nuestra plataforma de análisis StatsBomb IQ. StatsBomb 360 proporciona datos de evento contextuales. 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 el plano. La primera herramienta relacionada con StatsBomb 360 en IQ es el Freeze Frame Viewer, un visor de imágenes que permite filtrar y visualizar los Freeze Frame de manera sencilla. La imagen de un campo de juego en el centro de la pantalla representa el Freeze Frame de la acción seleccionada, mientras que la a su derecha visualiza la acción en el contexto de la posesión de la que forma parte. Se puede analizar los Freeze Frame en IQ o exportarlos en varias formas y formatos. Los Freeze Frame se pueden filtrar por tipo de acción (pase, recepción de balón, presión…), tipo de jugada (juego dinámico, saque de portería, saque de esquina…), sector del campo, equipo, jugador o estado del marcador, y también existen calificadores adicionales como si la acción se trata de un centro, un pase filtrado o una asistencia o pase clave. Cada búsqueda se puede guardar para uso futuro. Con las variables ya seleccionadas, se pueden utilizar las flechas horizontales para hojear por las acciones filtradas. Así, los analistas se benefician de una manera rápida y fácil de obtener información valiosa sobre la colocación de los jugadores de un equipo en determinados escenarios sin la necesidad de recurrir a los videos de los partidos en la fase inicial del análisis. Por ejemplo, aquí están cuatro saques de portería del Chelsea (amarillo) en su partido contra el Manchester City (azul) en septiembre. Hay un visible patrón: un jugador a cada lado del portero, otro más abierto a la derecha y otro en una posición central en la frontal del área. Luego, se pueden analizar los Freeze Frame de otros partidos para comprobar que el patrón se repite. Parece que sí en el caso del Chelsea. Asimismo, existe la opción de utilizar las flechas verticales a la izquierda del Freeze Frame para hojear por todas las acciones del partido y así ver lo que ocurrió en las acciones posteriores y analizar cómo las cambiaron la forma tanto del Chelsea como de su rival. En este ejemplo del penúltimo saque de portería del gráfico de arriba, del partido entre el Chelsea y el Leicester City, la secuencia fue así:

  1. Eduardo Mendy realiza un pase
  2. Thiago Silva recibe el pase
  3. Kelechi Iheanacho del Leicester inicia una acción de presión
  4. Thiago Silva realiza un pase
  5. Hakim Ziyech recibe el pase bajo la presión de Çağlar Söyüncü
  6. Çağlar Söyüncü comite una falta sobre Hakim Ziyech

Esta herramienta también tiene mucha utilidad en el análisis de las acciones a balón parado, aportando información sobre la colocación y distribución tanto de los atacantes como de los defensores. Así, es posible identificar las diferentes rutinas de un equipo y analizar cómo sus rivales intentan defenderlas. Por ejemplo, se pueden filtrar los Freeze Frame para analizar los saques de esquina que acabaron en tiros. El Athletic Club es uno de los equipos de La Liga que ha creado más tiros de saques de esquina en lo que va de temporada, entonces tiene sentido usarlo como ejemplo. Aquí están ocho ejemplos de saques de esquina suyos desde la derecha que acabaron en tiros. Una vez más, es importante destacar que existe la posibilidad de ver los Freeze Frame de las acciones posteriores. En este caso, el Freeze Frame del tiro serviría para ver la colocación final de los jugadores e intuir los movimientos intermedios. El Freeze Frame Viewer también vale para el análisis de situaciones de juego dinámico. Por ejemplo, se puede analizar la estructura de la defensa de un equipo en el momento en el que su rival recupera el balón en el tercio medio del campo. Aquí están cuatro ejemplos de esa situación, elegidos al azar, del partido entre el Atlético Madrid (rojo) y el Real Betis (azul) en octubre. En cada imagen, es el Betis que ha acabado de recuperar el balón. El Atlético está defendiendo el gol a la izquierda de cada imagen. El Atlético está más o menos bien posicionado en cada imagen, algo que tiene sentido dado que ningún equipo de La Liga ha concedido menos tiros en fases de transición en lo que va de temporada. El Granada, por el contrario, es el equipo que ha concedido más tiros en esas situaciones y en estos cuatro ejemplos, de nuevo elegidos al azar, de su reciente partido contra el Deportivo Alavés parece tener una estructura menos sólida en estas fases de transición. Con imágenes así, un analista podría identificar los puntos débiles de un rival y sugerir estrategias para aprovecharlos. En el caso del Granada, casi siempre hay un jugador rival abierto en el centro del campo para combinar y agilizar el avance hacia el gol. Cabe mencionar que StatsBomb 360 no es sólo un producto para las grandes ligas de Europa. StatsBomb 360 está o estará disponible próximamente en 38 ligas del mundo. Se puede visualizar un saque de portería del Málaga de la Segunda División española… …o un saque de esquina del Santos Laguna de la Liga MX… …o un pase filtrado de Éver Banega del Al Shabab de la Liga Profesional Saudí. En StatsBomb, nos comprometemos a proporcionar a nuestros clientes las herramientas que necesitan para triunfar y el Freeze Frame Viewer es sólo una de las muchas novedades que recién han llegado o pronto llegarán a StatsBomb IQ. Si trabajas en un equipo de fútbol, un medio de comunicación o una agencia de jugadores y quieres saber más sobre nuestros datos y herramientas de análisis y scouting líderes de la industria, por favor ponte en contacto con nosotros: https://statsbomb.com/es/contact/

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 imagen. 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 imagen. 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») + #4 coord_flip(xlim = c(85, 125)) #8 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.

En StatsBomb estamos comprometidos a apoyar la comunidad de analistas y investigadores de datos de fútbol y fomentar nuevas investigaciones y análisis. Es por eso que ofrecemos de manera gratuita acceso a los datos de una selección de competiciones al público. La selección incluye los últimos mundiales tanto masculino como femenino, la FA Women’s Super League y todos los partidos de liga de Lionel Messi. En este último, acabamos de actualizar los datos disponibles para incluir la 2020-21, la última temporada de Messi en el Barcelona. Así que ahora es posible analizar la carrera completa de Messi en el club en el que creció y en el que disfrutó de muchísimos triunfos. Se puede encontrar aquí los detalles de cómo acceder a los datos y trabajar con ellos en el software de programación R, y aquí más ejemplos de uso, incluyendo mapas de tiros y xG asistido. ¿Sois más de Python? Se puede encontrar aquí los detalles en nuestra herramienta de Python, statsbombpy. En ambos casos, la especificación de datos es un documento imprescindible para entender la estructura de los datos y ver los nombres de las varias variables. Esta nueva temporada de datos de Messi tiene las siguientes ids:

  • competition_id: 11
  • season_id: 90

Si necesitáis un poco de inspiración, hemos escrito varios artículos en el hemos utilizado estos datos para analizar la evolución de Messi como futbolista:

Asimismo, existen muchos ejemplos de gente que han creado cosas muy interesantes con nuestros datos gratuitos: https://twitter.com/R_by_Ryo/status/1164129771850063872?s=20 https://twitter.com/Soumyaj15209314/status/1413597587987443713?s=20 https://twitter.com/Blayasensat/status/1415234623920119813?s=20

StatsBomb, el proveedor de datos avanzados de fútbol líder en la industria, ha llegado a un acuerdo multianual con el Liverpool FC, actual campeón de la Premier League de Inglaterra. Como parte del acuerdo, el Liverpool FC se convierte en el primer club de la élite en contratar StatsBomb 360, el nuevo producto revolucionario de StatsBomb. El Liverpool FC, club de referencia en el uso de datos avanzados en fútbol, ha contratado los servicios de datos de StatsBomb para más de 80 competiciones y StatsBomb 360 para 38 de ellas. Tras el lanzamiento público en el evento online StatsBomb Evolve, StatsBomb 360 proporciona la posición de todos los jugadores en el frame de cada evento en un partido, dando aún más contexto a los más de 3,300 eventos por partido de StatsBomb, los más precisos y detallados de la industria. Esta información adicional permite a los equipos realizar un análisis todavía más profundo respecto a los datos de evento estándares, permitiendo descubrir nueva información sobre aspectos defensivos, estructura de los equipos, y el rendimiento individual sin necesidad de recurrir a tediosos y complejos datos de tracking. Desde su origen en 2018, StatsBomb se ha convertido en uno de los proveedores de datos con mayor crecimiento en el mundo del deporte. Clubes profesionales y otras entidades de más de 20 países trabajan ya con StatsBomb tanto en análisis predictivo y de rendimiento como en la identificación y contratación de jugadores. El CEO de StatsBomb, Ted Knutson, sobre el acuerdo: «Estamos encantados de trabajar con el Liverpool FC. Desde hace años es un club reconocido por estar a la vanguardia de la revolución analítica en fútbol, y es una enorme validación para StatsBomb que el Liverpool FC haya confiado en nosotros para proporcionarle datos que serán una parte importante de su infraestructura de análisis. «Hemos estado trabajando en StatsBomb 360 durante meses, y tener un cliente de un perfil tan alto en el lanzamiento es un indicio de lo significativo que será este producto en el mundo del fútbol.»


StatsBomb 360 está disponible ya mismo. Si eres un club de fútbol, organización deportiva o medio de comunicación y quieres ponerte en contacto con nosotros puedes hacerlo ya mismo aquí.

En 2017, empezamos a recoger nuestros propios datos. Estábamos seguros de que con más y mejor información podríamos mejorar los modelos existentes y abrir nuevas posibilidades de análisis. Uno de los grandes avances fue la introducción del ‘Freeze Frame’ de StatsBomb, un imagen capturado en el momento en el que se realiza el tiro que nos proporciona información vital como la posición del portero y de los defensores y atacantes. Esa fue la primera vez que revolucionamos la industria. Lo haremos otra vez el 17 de marzo en nuestro evento online StatsBomb Evolve con la presentación de un nuevo salto adelante en los datos avanzados de fútbol: StatsBomb 360. En el periodo previo al evento, estamos publicando una serie de artículos en los que explicamos la utilidad de algunos de los datos y métricas actualmente disponibles de StatsBomb, los más precisos y detallados que existen. Ya hemos tratado nuestros datos exclusivos de presión y su utilidad en el análisis tanto de equipos como de jugadores, y dos variables relacionadas a los pases que también son exclusivas de StatsBomb: el pie con el que se realiza el pase y la altura del pase. Esta semana, nuestro tema es el ‘Freeze Frame’. Para cada tiro, capturamos un imagen que nos proporciona la siguiente información:

  • La posición del portero.
  • La colocación del portero: tumbado, movimiento, fijo.
  • La posición de los defensores y de los atacantes.

Esta información adicional relativa a la situación del tiro ha mejorado mucho los resultados de nuestros modelos de goles esperados (xG). Los modelos de otros proveedores de datos no incluyen la posición del portero, un factor primordial. La posición de los defensores, algo que tampoco tienen en cuenta los modelos de otros proveedores, también tiene mucho que ver con la dificultad de la ocasión. Esta información adicional se encuentra únicamente en los datos de StatsBomb y es por eso que, aunque somos conscientes de que no existe el modelo perfecto, tenemos la certeza de que nuestros modelos son los más precisos y útiles que existen. Asimismo, podemos utilizar esta información adicional para analizar otras cosas. Por ejemplo, para cada tiro trazamos un cono así que extiende del jugador que realiza el tiro a la portería: El cono es algo que usamos principalmente en la evaluación de los porteros y su posicionamiento pero también tiene utilidad para identificar la cantidad de defensores en la línea del balón, los que tienen más posibilidades de bloquear un tiro. Podemos ver si existe algún tipo de correlación entre los equipos que tienen más defensores dentro de este cono y los que tienen los mejores porcentajes de tiros bloqueados. Como promedio, los equipos de las cinco grandes ligas tienen menos de un defensor en el cono cuando conceden tiros desde dentro del área, pero el patrón es lo que se esperaba. La correlación no es perfecta pero en general los equipos que más a menudo tienen un defensor en la línea del balón consiguen los mejores porcentajes de tiros bloqueados. No es ninguna sorpresa ver al Atlético Madrid en la parte superior derecha del gráfico. El equipo de Diego Simeone también sobresale en el gráfico siguiente que traza la calidad media de los tiros concedidos, el xG por tiro concedido, contra la cantidad de defensores no solo en el cono pero simplemente entre balón y portería (goal side en el lenguaje del fútbol británico). Existe un patrón muy visible: los equipos que tienen más defensores entre balón y portería conceden tiros de una calidad más baja que los que tienen menos defensores posicionados así. El Atlético se encuentra en un extremo del gráfico y el Spezia de la Serie A en el otro. Si echamos un vistazo a sus respectivas mapas de tiros concedidos (en juego dinámico y sin incluir los remates de cabeza, como en el gráfico), queda muy clara la diferencia. Para colmo, no es solo que el Spezia conceden tiros de una calidad más alta sino que también conceden un tiro más por partido que el Atlético: 10.88 a 9.58. Como siempre con estos tipos de gráficos, también es interesante identificar los equipos que no siguen el patrón general. Equipos como la Roma o el Alavés, por ejemplo. En el lado ofensivo, podemos trazar la velocidad media de los ataques que terminan en tiro contra la cantidad de defensores rivales entre balón y portería. Aquí no existe un patrón claro. Hay equipos que atacan de manera rápida y consiguen llegar a zonas de remate con una cantidad relativamente baja de defensores rivales entre balón y portería, pero también hay otros que no lo consiguen como el Burnley o el Getafe. Conjuntos como el Atlético Madrid, el Barcelona o el Paris Saint-Germain atacan de manera más metódica pero aún así consiguen perforar las defensas contrarias. Equipos como el Atalanta, el Lyon o el Borussia Mönchengladbach combina bien el juego de posesión con ataques rápidos en fases de transición para llegar al último tercio con menos defensores entre balón y portería. Un gráfico más. La cantidad media de atacantes dentro del área cuando los equipos realizan tiros desde dentro del mismo. Equipos dominantes realizan mucho tiros desde dentro del área y también suman muchos atacantes dentro del área cuando los realizan. El Atalanta remata más desde dentro del área que cualquier otro equipo de las cinco grandes ligas pero lo hace sin tener una cantidad muy elevada de atacantes allí, algo que merece un análisis más detallado. El Brighton y la Fiorentina en la parte superior del gráfico y el Metz y el Lorient en la parte inferior sobresalen como casos apartes. Existen muchos otros análisis que se pueden realizar con estos datos, análisis que se pueden hacer únicamente con los datos de StatsBomb, los mejores y más detallados de la industria. Únete a nosotros el 17 de marzo para conocer el próximo avance de los datos en fútbol: StatsBomb Evolve.