En 2016, el Brentford FC gastó 1,6 millones de libras en Neal Maupay, un delantero francés que no aparecía en ningún radar mediático. Dos años después lo vendió al Brighton por 20 millones. No fue suerte — fue un modelo estadístico que detectó un jugador subvaluado antes que el mercado. Hoy, ese tipo de operación ya no es la excepción: es el estándar.
Si trabajás en fútbol — o querés hacerlo — y todavía pensás que el big data es algo que usan solo los clubes de la Premier League, este artículo te va a cambiar la perspectiva.
Qué es el big data aplicado al fútbol
Big data es un término que suena abstracto, pero en fútbol tiene una definición muy concreta: es la capacidad de capturar, almacenar y analizar volúmenes masivos de eventos de juego que un humano no podría procesar manualmente.
Cada partido de una liga profesional genera entre 2.000 y 4.000 eventos — pases, recuperaciones, duelos, tiros, progresiones, presiones — registrados por proveedores como StatsBomb, Opta, Wyscout o InStat. A eso se suman datos de tracking (posición de cada jugador 25 veces por segundo), GPS de entrenamiento, métricas físicas y datos médicos.
El resultado es un volumen de información que necesita herramientas específicas para ser útil. Ahí entra el big data: no es solo "tener muchos números", es tener la infraestructura y los modelos para extraer decisiones de esos números.
Qué tipo de datos se capturan hoy
Los datos en fútbol se dividen en tres grandes familias:
1. Datos de eventos (event data)
Cada acción con balón se registra con coordenadas, tipo, resultado y contexto. StatsBomb, por ejemplo, captura más de 3.400 eventos por partido, incluyendo métricas exclusivas como presión contextualizada, coordenadas corporales y datos posicionales 360°.
Ejemplos: pases completados, duelos ganados, xG (goles esperados), xA (asistencias esperadas), progresiones con conducción, recuperaciones en campo rival.
2. Datos de tracking (tracking data)
Registran la posición de los 22 jugadores y el balón entre 10 y 25 veces por segundo. SkillCorner revolucionó este segmento al extraer datos de tracking directamente desde la señal de video del partido, usando visión computacional — sin necesidad de sensores físicos.
Con tracking data podés medir: velocidad punta, distancia recorrida a alta intensidad, patrones de pressing, espacios entre líneas, compacidad defensiva.
3. Datos físicos y médicos
GPS de entrenamiento, carga interna (frecuencia cardíaca, RPE), historial de lesiones, horas de sueño, nutrición. Estos datos alimentan modelos de prevención de lesiones y gestión de carga.
Casos reales: clubes que ganaron con datos
El big data en fútbol no es teoría. Hay resultados medibles.
Brentford FC — El Moneyball inglés
Matthew Benham, dueño del Brentford y del FC Midtjylland, aplicó modelos estadísticos al fichaje de jugadores desde 2015. La estrategia: identificar talento subvaluado en mercados que los clubes grandes ignoran, desarrollarlo y venderlo con margen.
Los números hablan solos: entre 2016 y 2023, el Brentford gastó alrededor de 75 millones de libras en fichajes y recaudó más de 190 millones en ventas. El caso de Maupay es emblemático, pero no aislado — Ollie Watkins, Saïd Benrahma y Bryan Mbeumo siguieron el mismo patrón.
Liverpool FC — Analítica de élite
La contratación de Mohamed Salah no fue una corazonada de Klopp. El departamento de analítica del Liverpool identificó su contribución alta en xG, su capacidad de pressing constante y su velocidad como el fit perfecto para el sistema de alta intensidad. Lo mismo con Diogo Jota y Luis Díaz. Liverpool convirtió la analítica en un pipeline de fichajes que alimentó una Champions League y una Premier.
Brighton & Hove Albion — Scouting de fronteras
Brighton detectó a Moisés Caicedo en Ecuador analizando métricas de duelos defensivos y progresión de balón. A Alexis Mac Allister lo identificaron en Argentina por su versatilidad en pases creativos — antes de que fuera campeón del mundo. El club compra sistemáticamente en mercados sudamericanos e infravaluados usando modelos propios.
FC Midtjylland — Campeón por datos
El club danés, también bajo el paraguas de Benham, usó inteligencia artificial para armar un plantel competitivo con una fracción del presupuesto de sus rivales. Optimización de set pieces, identificación de jugadores por métricas de rendimiento contextualizado y gestión de carga física — todo data-driven. Resultado: títulos de liga danesa compitiendo contra presupuestos tres veces mayores.
Para qué se usa el big data en un club
Las aplicaciones se dividen en cuatro áreas:
Scouting y fichajes — Filtrar miles de jugadores por métricas específicas para armar shortlists antes de ver un solo video. Es la aplicación más visible y la que tiene retorno económico más directo. Si te interesa el rol del scout moderno, tenemos una guía completa sobre cómo ser scout de fútbol profesional.
Análisis táctico — Entender cómo juega tu equipo y cómo juega el rival. Los datos de tracking permiten visualizar patrones de pressing, espacios en defensa, zonas de creación y tendencias en set pieces.
Rendimiento y prevención de lesiones — Cruzar datos de GPS, carga de entrenamiento y métricas físicas para detectar jugadores en riesgo de lesión antes de que ocurra. Algunos clubes reportan reducciones de hasta un 30% en lesiones musculares después de implementar estos modelos.
Estrategia de negociación — Saber cuánto vale realmente un jugador comparando su rendimiento con el de jugadores similares que se transfirieron recientemente. Data como herramienta de negociación, no solo de evaluación.
Herramientas que se usan hoy
El ecosistema de herramientas de big data en fútbol se consolidó fuertemente en los últimos años. Hudl adquirió sucesivamente a Wyscout, InStat y StatsBomb, creando un ecosistema integrado de datos + video.
Las herramientas clave:
- Hudl StatsBomb — Datos de eventos de élite con integración directa en Python y R. Más de 3.400 eventos por partido.
- Wyscout — Más de 600 competiciones y 550.000 perfiles de jugadores. El estándar de la industria para scouting.
- SkillCorner — Tracking data desde video, sin sensores. Revolucionario para ligas sin infraestructura de cámaras propias.
- Olocip — IA aplicada a predicción de rendimiento. Fundada por el exfutbolista Esteban Granero.
- Mediacoach — Plataforma oficial de LaLiga para tracking y análisis táctico.
Para datos gratuitos, FBREF (propiedad de Sports Reference, alimentado por StatsBomb) es la referencia: se actualiza diariamente y permite exportar a hojas de cálculo, Python o Power BI. Si querés un análisis detallado de cada plataforma, mirá nuestra guía de las mejores herramientas de análisis de fútbol.
El big data en Sudamérica: la gran oportunidad
Acá es donde la historia se pone interesante para quienes leen desde este lado del mapa.
Las ligas sudamericanas, especialmente las segundas divisiones y torneos regionales, son el mercado más ineficiente del fútbol mundial. La cobertura de datos es desigual, la infraestructura de tracking es limitada y muchos jugadores prometedores ni siquiera aparecen en las plataformas principales con estadísticas completas.
Esto genera una asimetría brutal: los clubes europeos que invierten en cubrir estos mercados con datos consiguen jugadores a precios de ganga. Brighton compra en Ecuador. Brentford compra en ligas francesas inferiores. El próximo paso lógico es que alguien sistematice el acceso a datos de calidad en las ligas menores de Sudamérica.
Esa es exactamente la brecha que FutbolScan busca cerrar: datos, informes y scouting profesional donde otros todavía no miran.
En resumen
El big data ya no es una ventaja competitiva futurista — es el piso mínimo. Los clubes que no lo usan compiten a ciegas contra rivales que ven todo. Y la buena noticia es que las herramientas se democratizaron: hoy un analista independiente con Python, FBREF y una suscripción a Wyscout puede hacer un análisis que hace diez años requería un departamento entero.
Lo que sigue siendo escaso es el criterio para hacer las preguntas correctas. Los datos son la materia prima. El valor está en saber qué buscar.
¿Querés entender cómo se aplican los datos al scouting real?
FutbolScan combina análisis de datos con contexto de ligas sudamericanas. Trabajamos con scouts, representantes y clubes que necesitan información procesada, no solo números en bruto.
- Sumate gratis a la comunidad y accedé a nuestros informes de muestra. Crear cuenta gratis.
- Si necesitás un análisis específico, te lo armamos con métricas y contexto. Pedir análisis.
- Si buscás un perfil de jugador concreto, te proponemos candidatos con datos. Pedir recomendación.
