El análisis de datos dejó de ser una curiosidad de oficina para convertirse en el sistema operativo del deporte moderno. Lo que hace dos décadas era un experimento contracultural en las oficinas del béisbol, hoy define cómo se recluta, se entrena, se compite y se conecta con los hinchas en casi todas las disciplinas profesionales.
El legado de Moneyball
La historia tiene un origen famoso. A principios de los 2000, los Oakland Athletics, con uno de los presupuestos más chicos de la MLB, usaron análisis estadístico para identificar jugadores subvalorados. El método quedó retratado en el libro Moneyball de Michael Lewis (2003). En 2002, los Athletics ganaron su división y encadenaron una celebrada racha de 20 victorias al hilo, demostrando que los datos podían competir contra los dólares.
En el fútbol, los herederos más visibles de esa idea están en la Premier League. Brentford, de Matthew Benham, y Brighton, de Tony Bloom, construyeron sus reclutamientos alrededor de modelos estadísticos propios, comprando jugadores que el mercado había tasado mal. El caso Brighton es contundente: Moisés Caicedo, fichado por unas 4 millones de libras, fue vendido al Chelsea por un récord británico reportado en 115 millones; Alexis Mac Allister, por menos de 7 millones, ganó un Mundial y se fue al Liverpool. Brentford, por su parte, subió desde las divisiones inferiores hasta la estabilidad en la Premier League, vendiendo jugadores con grandes ganancias. El modelo se imitó en toda Europa y sostiene buena parte de lo que explicamos en nuestra guía para principiantes sobre análisis deportivo.
Prevención de lesiones y carga de trabajo
Quizá la aplicación más importante sea mantener a los atletas en la cancha. Los rastreadores GPS, popularizados por empresas como Catapult, son hoy ubicuos en el deporte de élite: miden distancia recorrida, sprints, aceleraciones y carga total en entrenamientos y partidos. Los científicos del deporte usan esos datos para manejar la fatiga y detectar riesgo de lesión antes de que ocurra. Varias franquicias de la NFL y la mayoría de los clubes de la MLS adoptaron esta tecnología, y los legisladores del fútbol permitieron formalmente el uso de dispositivos en partidos en 2015. La misma lógica impulsa uno de los debates más calientes del básquet, que abordamos en nuestra nota sobre la gestión de carga en la NBA.
Cómo cambiaron las tácticas
La analítica no solo cambió quién juega, sino cómo se juega. El básquet es el ejemplo más claro: una vez que los equipos cuantificaron el valor esperado de cada tiro, el tiro de media distancia dio paso a los triples y a los tiros cerca del aro, transformando el ataque en toda la liga. Lo contamos completo en cómo la analítica cambió la selección de tiros. En la NFL, los modelos de probabilidad de victoria volvieron a los entrenadores mediblemente más agresivos en cuarta oportunidad, parte del cambio más amplio que vimos en cómo los datos reconfiguran el llamado de jugadas. En el fútbol, los goles esperados (xG) pasaron de los blogs de analistas a las transmisiones masivas, dándole a técnicos e hinchas un lenguaje común para hablar de calidad de ocasiones, no solo de resultados.
Arbitraje y transmisión
Los sistemas de datos también cambiaron lo que creemos. El rastreo óptico de Hawk-Eye, adoptado para el línea en el tenis de élite a mediados de los 2000, hizo revisables las decisiones más discutidas; sistemas similares de cámaras hoy alimentan la tecnología de gol en el fútbol y el fuera de juego semiautomático en los grandes torneos, incluidos los últimos Mundiales. Esa misma infraestructura alimenta las transmisiones: los gráficos de velocidad, distancia y posicionamiento en tiempo real, que antes eran solo para analistas, ahora son contenido estándar para el espectador, enriqueciendo la cobertura y alimentando el hábito de la segunda pantalla.
El negocio y los límites
Fuera de la cancha, la disciplina moldea el lado comercial. Los clubes y las ligas usan datos de audiencia para personalizar contenido, segmentar abonados y apuntar la venta de entradas; los patrocinadores exigen cada vez más engagement medible en lugar de solo exposición de logo, un cambio que analizamos en cómo los patrocinios se vuelven data-driven. Los juegos de fantasía y los productos interactivos de estadísticas mantienen al hincha conectado entre fechas, convirtiendo los datos crudos en entretenimiento.
Nada de esto significa que los datos hayan resuelto el deporte. Los modelos son tan buenos como sus insumos, y las variables más importantes —carácter, cohesión, respuesta a la presión— siguen siendo difíciles de cuantificar. Los clubes que trataron la analítica como un reemplazo del juicio, y no como un potenciador, cometieron errores caros; incluso las organizaciones más data-driven combinan sus modelos con el scouting tradicional. Hay además preocupaciones genuinas sobre la privacidad de los atletas a medida que se expande el monitoreo biométrico, y sobre el desequilibrio competitivo cuando los equipos ricos arman departamentos de datos más grandes.
Pero la dirección está clara. La pregunta en el deporte moderno ya no es si usar datos, sino qué tan bien usarlos. Los equipos que ganen la próxima década no serán necesariamente los que tengan más números, sino los que mejor combinen la planilla con la mirada, el modelo con el entrenador, y la medición con el ser humano que describe. Para el hincha, esta revolución es en su mayoría un regalo: el lenguaje analítico que vivía en las oficinas ahora enriquece la experiencia de ver el partido. Las transmisiones explican decisiones en lugar de solo juzgarlas, y un aficionado curioso puede meterse con los mismos conceptos que usan los profesionales. Hay una curva de aprendizaje, y no todos quieren su deporte servido con gráficos. Pero entender por qué un equipo presiona arriba, descansa a una estrella o elige a un prospecto desconocido hace los partidos más ricos, no más fríos. Los números siempre estuvieron ahí, escondidos dentro de la jugada. La analítica simplemente le enseñó al deporte, y a su audiencia, a leerlos.
