Carnegie Mellon revoluciona la analítica deportiva: insights basados en datos para ventaja competitiva

Los analistas deportivos actuales tienen acceso a más y mejores datos que nunca. Expertos de la Universidad Carnegie Mellon están transformando esos datos en conocimiento, usando estadística y ciencia de datos para ayudar a equipos profesionales a ganar ventaja competitiva.

Datos de seguimiento sin precedentes

"Cada décima de segundo, los chips Next Gen de la NFL proporcionan información sobre la posición de cada jugador en el campo: dirección, velocidad", explica Ron Yurko, profesor asistente en el Departamento de Estadística y Ciencia de Datos de CMU y director del Centro de Analítica Deportiva de Carnegie Mellon.

El seguimiento de jugadores va más allá de la NFL. "La MLB tiene información sobre cada swing en las Grandes Ligas. En béisbol y baloncesto tienen 'datos de pose esquelética', donde sabemos en cada fracción de segundo dónde están el codo, el hombro, la rótula, en el espacio tridimensional", añade Yurko, también socio académico de la NFL.

Entrevista exclusiva con Ron Yurko

La pregunta clave —para dueños, directivos, entrenadores, analistas, apostadores y aficionados— es qué hacer con tantos datos. A continuación, una entrevista exclusiva de Tech Briefs con Yurko, editada por extensión y claridad.

Tecnología de captura de datos

Tech Briefs: ¿Qué tecnología usan para recopilar estos datos? ¿Puede explicarlo en términos sencillos?

Yurko: En Carnegie Mellon no recopilamos los datos directamente; provienen de la NFL. La NFL tiene chips RFID en las hombreras de cada jugador. Estos captan su posición cada décima de segundo, velocidad, dirección, cambios de dirección, aceleración durante la jugada. Como investigadores, accedemos a esos datos —ya sea mediante colaboraciones con la NFL o publicaciones de datos que ellos proporcionan— y trabajamos con ellos. ¿Qué nuevos insights podemos obtener? Nuestros estudiantes trabajan en estos proyectos, participan en la competición anual Big Data Bowl de la NFL, y eso conduce a oportunidades laborales.

A nivel universitario, no hay chips en las hombreras, pero hay una cantidad enorme de vídeo. Usando tecnología de visión por computadora e IA, podemos convertir ese vídeo en datos de seguimiento muy similares a los de los chips de la NFL. Los equipos de la NFL ya trabajan con ese tipo de datos ricos en todo el fútbol universitario para decidir qué jugadores elegir en el draft.

Chips RFID y sistemas de cámaras

Tech Briefs: ¿Puede hablar de los chips que usan?

Yurko: En la NFL son chips RFID —señales infrarrojas captadas en los estadios. Son sistemas de posicionamiento local que dan datos extremadamente ricos. Además, la NFL se ha unido a la MLB y la NBA con sistemas completos de cámaras alrededor del estadio. Este año la NFL usa un sistema de cámaras, creo que es Hawk-Eye, para detectar la posición del balón y marcar el primer down —si el balón cruza la línea— en lugar de usar las cadenas tradicionales. Ahora eso puede automatizarse.

Con esa misma tecnología, la NFL ahora tiene acceso a la posición literal de manos, codos, rodillas de los atletas —una representación esquelética completa de jugadores de fútbol en el campo a fracciones de segundo. Esa tecnología existe y se usa en la NFL. Lleva años usándose en MLB y NBA, pero ahora se extiende a otros deportes.

¿Qué liga tiene la tecnología más avanzada?

Tech Briefs: ¿Qué liga diría que tiene la tecnología más avanzada?

Yurko: En este momento, la Major League Baseball. Probablemente ha sido la más avanzada en uso de tecnología y estadística —"Moneyball" es la historia famosa de principios de los 2000 sobre el uso de datos de los Oakland A's.

Los equipos de MLB fueron definitivamente los primeros en adoptar la integración de tecnología y modelado estadístico, machine learning, para evaluar jugadores. Se ve no solo en equipos sino también en los propios jugadores. Los jugadores acuden a laboratorios de lanzamiento —usan cámaras de alta velocidad, entienden qué pasa al modificar el agarre de la pelota; cómo cambia las fuerzas, la trayectoria y el movimiento; diseñan nuevos lanzamientos. Usan toda esa tecnología y datos para ser mejores jugadores. El béisbol va por delante.

En la NFL, cuando los datos de seguimiento de chips empezaron en 2017, eso provocó una carrera armamentística: los equipos empezaron a contratar científicos de datos, ingenieros de machine learning, para averiguar cómo trabajar con toda esa información.

¿Qué se hace con todos esos datos?

Tech Briefs: Usted dijo: "Literalmente cada décima de segundo, los chips Next Gen de la NFL dan información sobre posición, velocidad y dirección de cada jugador. La pregunta ahora es qué hacer con todos esos datos". Mi pregunta es: ¿cuál es la respuesta? ¿Qué hacen con esos datos? ¿Cuáles son los siguientes pasos?

Yurko: Buena pregunta. Lo que hemos estado investigando, y lo que sabemos que usan los equipos de la NFL, es cómo caracterizar el movimiento que observamos y entender qué es movimiento de alto valor, posicionamiento de alto valor —por ejemplo, qué defensores juegan la mejor cobertura contra receptores mientras corren rutas. Esas eran estadísticas a las que no teníamos acceso antes en las hojas de estadísticas tradicionales. Si tenías un defensor cubriendo a un receptor, y era un defensor increíble al que el mariscal de campo nunca intentaba lanzar, nunca conseguía una intercepción, nunca un placaje, nunca tenía estadísticas de conteo.

Transcripción del video

El video incluido en el artículo original contiene una transcripción donde Yurko compara el fútbol con una cena: el scouting y el entrenamiento son el filete, la analítica deportiva es el puré y la salsa —algo que puede hacer una buena comida excelente. Destaca que el Centro de Analítica Deportiva de Carnegie Mellon (CMSAC) es su centro de investigación, educación y eventos. Sus estudiantes se han convertido en el estándar de lo que buscan equipos y ligas profesionales. Con chips en las hombreras, saben cada décima de segundo la velocidad, dirección y orientación de los hombros de cada jugador. Se centran en construir metodología estadística, métodos de machine learning y herramientas de IA que generen insights accionables. Dado el conjunto de datos, ¿pueden ser lo suficientemente creativos en su análisis para identificar insights útiles que creen ventajas competitivas? Dentro de una jugada, pueden predecir literalmente dónde terminarán en el campo, cuántas yardas ganarán, la probabilidad de touchdown. Todo eso requiere metodología sofisticada. El deporte significa mucho para mucha gente. Los datos dan otra forma de conectar con el deporte. Poder tomar datos no estructurados, profundizar y contar una historia es muy gratificante. Es increíble ver a estudiantes de CMU convertir sus pasiones en carreras que moldean el futuro del fútbol profesional.