El fútbol representa el 1,44 % del PIB de España. Por lo tanto no resulta sorprendente que el mercado de fichajes de futbolistas sea un acontecimiento televisivo que, en ocasiones, forma parte de la cabecera de diferentes telediarios.
En este sentido, no solo se busca contratar a los y las mejores futbolistas, sino que, con el objetivo de aumentar la probabilidad de victoria en cada encuentro, los clubes también se rodean de cuerpos técnicos de primer nivel.
Cómo aplican los datos el FC Barcelona y el Athletic Club
Bajo este contexto, el Barça Innovation Hub llegó a un acuerdo con la empresa Made of Genes para optimizar el rendimiento del FC Barcelona. Dicha compañía desarrolla, entre otras funciones, gemelos digitales: modelos computacionales que integran biomarcadores, genómica, variables psicológicas y hábitos de vida para simular cómo responderá un atleta ante distintos estímulos. Se trata de un avatar virtual sobre el que poder probar diferentes inputs y evaluar los outputs, testeando de forma virtual distintas estrategias para decidir posteriormente la idónea a implementar en el deportista.
Del mismo modo, el Athletic Club formalizó una alianza con el centro de investigación CIC bioGUNE acreditado como “Centro de Excelencia Severo Ochoa”. La sinergia entre ambas entidades tiene como doble objetivo posicionarse como un referente en la investigación aplicada al fútbol y fomentar el deporte como vía hacia un estilo de vida saludable.
Estos casos ilustran cómo las entidades deportivas aplican el análisis de datos para optimizar el rendimiento, empleando tanto modelos de machine learning interpretable como algoritmos no explicativos (black box).
Qué predice el machine learning en LaLiga: nuestro estudio
En esta línea, a principios de 2026 mis colegas y yo publicamos el artículo “Can Locomotor Performance Predict the Final Result of a Football Match? A Machine Learning Approach” donde utilizamos algoritmos interpretables con el objetivo de evaluar la capacidad predictiva del resultado de los partidos (victoria o derrota) en LaLiga y LaLiga2, a partir de variables espacio-temporales registradas durante las temporadas 2021-2022 y 2022-2023. Los resultados revelaron que la variable con mayor capacidad predictiva fue la distancia total recorrida sin posesión del balón. El modelo alcanzó un área bajo la curva ROC (característica operativa del receptor) de 0,85, lo que demostró que, en el 85% de los pares seleccionados al azar (victoria – derrota), el sistema asignó correctamente una mayor probabilidad a la victoria.
Más allá del alto rendimiento
Sin embargo, aunque los ejemplos expuestos se centran en la predicción del rendimiento deportivo, estas técnicas de análisis de datos son extrapolables a otros ámbitos, tales como el fomento del deporte. Por ejemplo, podría resultar de gran interés predecir la adherencia de un grupo de niñas a una sesión deportiva o cualquier otra variable en cualquier otro contexto deportivo.
Teniendo en cuenta la importancia de poder predecir diferentes situaciones o escenarios en nuestra área de estudio (Ciencias de la Actividad Física y del Deporte) considero que dotar a los y las profesionales de dicha competencia resulta de gran interés. Esto permitirá enriquecer su criterio metodológico y les ayudará a optimizar la toma de decisiones en su desempeño profesional. Eso sí, predecir no es planificar: explico por qué en Criterio 1: la planificación del entrenamiento debe realizarla un ser humano, no una IA.
