Índice SciSkill – Por qué y cómo

Influencia

Desde el inicio, el objetivo con el Índice SciSkill fue crear una manera objetiva de medir el nivel de habilidad de los futbolistas alrededor del mundo. Para poder remover los elementos subjetivos en la medición, nuestro proceso tuvo que incluir el mismo ingreso de información para todos lo jugadores y así poder producir un índice que tenga resultados justos y objetivos.

Como el resultado de varias empresas de recolección de datos, variando alrededor del mundo, el Índice SciSkill depende exclusivamente de un ingreso de información básico que siempre es almacenado en las competiciones: alineaciones, goles, substituciones y resultado del partido. Desde este ingreso de información, nuestro índice se enfoca en la influencia que cierto jugador tiene en el rendimiento de su equipo, y no tanto en sus acciones específicas dentro del campo.

Al medir exclusivamente la influencia que un jugador tiene en el rendimiento de su equipo, no somos capaces de detectar algunos elementos como habilidades en los pases específicos. Sin embargo, creamos un Índice específico para todos los jugadores profesionales alrededor del mundo que permite, a los usuarios de la plataforma SciSports,  visualizar inmediatamente el nivel actual de habilidad del jugador y proveer una perspectiva objetiva sobre si sería una pieza que encaje en su club.

Potencial

Entregando una métrica objetiva para medir la influencia actual de un jugador en su equipo es útil, pero el reclutamiento en el fútbol suele tener como objetivo el adelantarse a la competencia para así encontrar al siguiente jugador estrella. Esto es lo que genera el Potencial de SciSkill cuando entra en juego. Al estimar la influencia actual de un jugador, el siguiente paso fue utilizar algoritmos de machine-learning (aprendizaje automático) para estimar el potencial crecimiento de jugadores – en línea con datos históricos de los jugadores que han seguido una trayectoria de carrera similar. Esto, consecuentemente, entrega el nivel de habilidad potencial de un jugador en el pico de su edad.

Al usar la plataforma SciSports para filtrar jugadores por Potencial, los usuarios son capaces de identificar a los futbolistas más prometedores y compararlos con jugadores que están actualmente en el pico de sus carreras. Todo esto ayuda a informar de una mejor manera a los clubes cuando estén reclutando nuevos jugadores.

Ingreso de datos

En términos de ingreso de datos, solo usamos la información básica de cada partido para asegurar una igualdad de condiciones entre las ligas. Por lo tanto, las variables a considerar para la información de SciSkill son las siguientes:

• Alineación (incluyendo posición en el campo)
• Substituciones
• Tipo de partido (ej. liga, copa, internacional)
• Fortaleza de la competición
• Goles anotados
• Minutos jugados

SciSkill en uso

Dentro de la plataforma, el SciSkill y Potencial pueden ser usado ambas con funcionalidades adicionales. Mientras que el Índice se mantiene igual como lo señalado líneas arriba, los usuarios dispondrán de herramientas adicionales para explorar jugadores a profundidad.

En el ejemplo líneas abajo, podemos ver cómo las nuevas actualizaciones ayudarán con proveer de las herramientas necesarias para comparar jugadores por nivel de habilidad, así como filtrar por posición y/o edad. Este ejemplo demuestra cómo Manuel Locatelli se sitúa en términos de SciSkill y Potencial comparado a las opciones actuales en el mediocampo para Arsenal.

Al filtrar en términos de posición y/o edad, esta visualización permite a los usuarios ver cómo un posible fichaje se sitúa comparado a los jugadores actuales en el club. En el caso de encima, Locatelli se sitúa como uno de los mejores mediocampistas en Potencial comparado a las opciones actuales del Barcelona.

Al ser capaz de filtrar jugadores por SciSkill en diferentes áreas, los usuarios serán capaces de entender mejor a la plantilla y dónde es que se necesita fortalecerla (de ser necesario). Por ejemplo, filtrar por edad dentro de un club puede demostrar que necesitan reclutar más jugadores Sub-23 para desarrollo futuro. Y, cómo demuestra el caso de Sven Botman líneas abajo, reclutar a jugadores más jóvenes se apoya en las estimaciones de Potencial de la habilidad en su edad pico.

Para poder seguir los desarrollos más recientes de los jugadores, el indicador de desarrollo en seis meses (resaltado en verde) provee de información útil adicional sobre la progresión de un jugador en términos de nivel de habilidad. Junto con ello, estimaciones de desarrollo potencial permiten una información bastante útil para los usuarios.

Un aspecto importante a tomar en cuenta cuándo se usa el SciSkill para analizar jugadores es el cómo se suma a una estrategia integral de reclutamiento. Una serie de filtros dentro de la plataforma pueden filtrar jugadores en una base de datos de más de 180,000 jugadores, para después marcar a las opciones más interesantes como el primer paso en la búsqueda de un jugador. Como siguiente paso, una investigación adicional es necesaria: ya sea dentro de la plataforma con más información útil a profundidad o con scouting de video y/o en vivo.

El algoritmo

El algoritmo es un modelo de algoritmo iterativo de machine learning (aprendizaje automático) que determina la calidad de un jugador basado en información histórica. La habilidad actual de un jugador es evaluada mediante el entrenamiento del algoritmo con datos históricos. Cuando sabemos la alineación de un equipo, podemos predecir el resultado de un partido (y hemos estado superando a los corredores de apuestas durante el período de validación).

Junto a esa información, es importante saber que los valores de SciSkill de un jugador solo son ajustados cuando disputa un partido. En el caso de un jugador en un período largo de inactividad, los valores son corregidos debido a la falta de tiempo de juego. Además, un jugador transfiriéndose a otra liga tendrá un impacto en su SciSkill. El algoritmo toma en consideración la fortaleza/exigencia de la liga en la cual el jugador se está desempeñando, lo cual significa que los valores pueden incrementar o decrecer basado en los movimientos a otros clubes y los minutos disputados en sus nuevos destinos.

Ejemplo: Equipo A juega contra Equipo B y el resultado esperado del encuentro es 2-1, pero el partido acaba en un 3-1. Por lo tanto, las calificaciones ofensivas de todos los jugadores del Equipo A incrementaría por que han superado las expectativas de rendimiento. Esta mejora se distribuye a través de los jugadores, en una proporción basada en su contribución ofensiva por posición. Similarmente, la calificación defensiva de todos los jugadores en el Equipo B decrecerían basado en sus contribuciones defensivas.

Validación

Tras años de experiencia dentro de la industria profesional del fútbol, nos hemos dado cuenta que nuestra plataforma y el Índice SciSkill son capaces de generar rápidamente una lista de los jugadores más interesantes por liga o región en solo un par de clicks. Alineados con las necesidades específicas y objetivos de cada cliente, esto ha demostrado ser una combinación efectiva para mejorar considerablemente los procesos de toma de decisiones en el reclutamiento de jugadores.