Noticias

El Club Tigres y StatsBomb, líder en el mundo como proveedor de datos avanzados en el futbol, unen sus fuerzas para trabajar en conjunto.

El Villarreal CF, flamante semifinalista de la última edición de la Champions League, ha llegado a un acuerdo para renovar su compromiso con StatsBomb, el proveedor de datos deportivos avanzados líder del mercado.

StatsBomb, el proveedor líder en datos deportivos avanzados, ha llegado a un acuerdo con el Club de Fútbol Monterrey Rayados, uno de los equipos más relevantes de todo México y Latinoamérica

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.

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.

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. 

Hablamos con Andrés Conesa, Jefe de Analítica en Orlegi Sports, sobre el rol que han desempeñado las herramientas de StatsBomb en el Atlas FC y, por supuesto, del impacto que ha tenido el uso de datos en la consecución del título.

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

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/

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.

Ejemplo: Los saques de portería del Chelsea

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.

Tomas de saques de portería del Chelsea

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.

Ejemplo: Los saques de esquina del Athletic Club

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.

Athletic Club saques de esquina

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.

Ejemplo: La estructura defensiva del Atlético de Madrid

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.

Cobertura global

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/contacto

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 free_allevents_360.

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 <- free_allevents_360(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.