Los modelos que rigen actualmente el mundo del análisis de datos en el fútbol tienen todos un denominador común: el gol. El más básico, y cada vez más popular, son los goles esperados, es decir la probabilidad de un tiro de ser gol. Todos sus derivados (asistencias esperadas, construcción xG, xG parados) comparten el hecho de ser métricas donde lo que importa es el gol. Incluso modelos como el de peligro esperado (xT, por su nombre en inglés: Expected Threat), miden el peligro como la posibilidad de que la jugada acabe en gol. Y, aunque son lo más importante, los goles son esporádicos en un partido. Hoy, intentaremos analizar la acción más repetida en cualquier partido de fútbol: los pases.
La revolución de la Contribución de Pases con respecto a otros modelos de pases es que se tiene en cuenta la toma de decisiones, y no sólo su ratio de finalización. Es decir, otros modelos miden la probabilidad de que un determinado pase se complete correctamente, en función de la posición de inicio y fin del pase. De esta manera, dando 0,67 xPase a un pase o 0,82 a otro de la misma manera que lo hace xG, podemos obtener el número de pases esperados. Nuestro modelo funciona de manera diferente. No asigna una probabilidad a cada pase, sino que, desde el punto de vista del jugador, considera todos los pases posibles y sopesa factores como el riesgo, la dificultad y el beneficio. El algoritmo nos proporciona dos métricas: la amenaza media de los pases y cómo se compara con el jugador medio, lo que se denomina amenaza añadida. Con nuestra métrica de contribución a los pases pretendemos medir e identificar a aquellos jugadores que no sólo pasan el balón mejor que un jugador medio, sino que también toman mejores decisiones en los pases en términos de poner a su equipo en una mejor situación para marcar un gol. De esta manera, eliminamos de la ecuación a aquellos jugadores que hacen el pase fácil hacia atrás para recompensar a los jugadores que realmente benefician a sus equipos arriesgándose con un pase relevante, siempre y cuando estos pases se completen con éxito.
En la última edición de La Liga hubo 355.744 pases, de los cuales 272.809 fueron acertados. En cambio, solo hubo 942 goles. Eso son casi 378 pases intentados por gol, lo que hace que nos sea imposible asignarle a cada pase un valor relacionado con el gol. El xT se lo asigna, pero solo a los pases muy cercanos a la portería contraria. Y es que hay muchos pases en un partido: están los saques de centro, los córners, los saques de banda, los pases entre centrales, el pase que rompe líneas y te deja solo ante el portero… ¿Cómo podemos hacer para valorar todos estos pases? Usaremos como ejemplo a Óscar Mingueza y su debut en Champions. Está claro que sus pases no tienen como finalidad la creación de oportunidades de disparo; esa labor corresponde a jugadores como Pedri, Dembélé o Messi.
Este es el mapa de pases de Mingueza frente al Dinamo de Kiev, un partido que se disputó a finales del mes de noviembre. Nuestro objetivo es valorar su faceta de pasador durante el partido. Hasta ahora, los análisis te dicen que ha completado 86 pases de los 93 que intentó, lo que representa un 92% de acierto. También puedes saber el número de pases en campo contrario, o al último tercio. Puedes saber incluso el xT que generó o el xA. Pero todas estas métricas no nos dicen nada. Quizás los pases que intentó eran muy fáciles, por eso acertó tanto. ¿Qué es ese 92% comparado con el 88% de Dest o el 77% de Trincao? ¿Quién de los tres pasó mejor? ¿Jugaron mejor o peor que el jugador medio?
El algoritmo, como decíamos, mide la peligrosidad de un pase. Ésta depende, en última instancia, de la posición en la que está el receptor del balón. Es decir, si el receptor es un compañero, el pase tendrá más peligrosidad cuanto más cerca de la portería rival esté. Pero si el pase es fallado, el pase tiene mucho más peligro en campo contrario que cerca del córner rival. ¿Y cómo se mide la plusvalía? Se trata de comparar la peligrosidad del pase que se realiza con la que tuvieron, de media, todos los pases cercanos a esta posición.
Volvamos a Kiev. Minuto 51:34. Mingueza controla el balón en el centro del campo. Podría intentar un pase largo al área contraria para que Braithwaite intente anotar, pero probablemente sería fácil para el arquero. Podría hacer un simple pase a Lenglet: sin dificultad, pero con mucho riesgo si el pase es equivocado. En cambio, juega con Dest. El americano acabará marcando un gol en esa misma acción. Algunos modelos premiarían a Mingueza con una pre-pre-pre-asistencia, o que haya acumulado 0,17 xG, o incluso que haya generado 0,01 xT con ese pase. La Contribución de Pases nos dice, simultáneamente, la amenaza del pase y cómo se compara con lo que se puede esperar de un pase en esa posición.
Esta es una serie de pases dada por Antoine Griezmann contra el Athletic de Bilbao. Analicémosla para ver cómo le iría en nuestra nueva métrica de Contribución de Pases:
Pase 1: Pase perdido en el área propia
Probabilidad de finalización: ALTA
Amenaza en caso de fallar: MUY ALTA
Amenaza en caso de acierto: BAJA
Resultado final: FALLO
Contribución de pase: Altamente negativa
Pase 2: Pase hacia atrás en campo propio
Probabilidad de finalización: ALTA
Amenaza en caso de fallar: ALTA
Amenaza en caso de acierto: BAJA
Resultado final: ÉXITO
Contribución de pase: Ligeramente positiva
Pase 3: Pase hacia atrás en campo contrario
Probabilidad de finalización: MEDIO
Amenaza en caso de fallar: ALTA
Amenaza en caso de acierto: BAJA
Resultado final: ÉXITO
Contribución de pase: Ligeramente positiva
Pase 4: Pase hacia atrás en campo contrario (junto al área rival)
Probabilidad de finalización: BAJA
Amenaza en caso de fallar: MEDIO
Amenaza en caso de acierto: MEDIO
Resultado final: ÉXITO
Contribución de pase: Positivo
Pase 5: Pase hacia delante en el área rival
Probabilidad de finalización: BAJA
Amenaza en caso de fallar: BAJA
Amenaza en caso de acierto: ALTO
Resultado final: ÉXITO
Contribución de pase: Altamente positivo
En resumen, el nuevo algoritmo que presentamos en Driblab, una consultoría especializada en el análisis estadístico de jugadores y equipos, es una forma innovadora de tratar los pases, que nos muestra dos dimensiones del pase: el valor de los pases y la plusvalía que genera el jugador en cuestión. Se mide su decisión y su ejecución. En dos semanas, estudiaremos los resultados que nos proporciona esta nueva métrica.
Nuestra base de datos cuenta con más de 180.000 jugadores distribuidos en más de 180 competiciones, abarcando así información de todo el fútbol mundial. Aquí puedes conocer mejor cómo trabajamos y qué ofrecemos.
