Impacto de los futbolistas de la "Premier League 2017-2018" en la probabilidad de salir campeón a través de un método de simulación con inferencia beyesiana

Abstract

El proceso de scouting que tiene por objetivo la búsqueda de nuevos jugadores en los clubes de fútbol profesional, actualmente es deficiente por la inexistencia de una herramienta que ayude a analizar la cantidad de datos e información que se tienen disponibles. En los últimos años, clubes de Europa y algunos clubes de América han desarrollado sistemas basados en datos de rendimiento para apoyar la gestión de contratación de jugadores, sin embargo estos aún no se han desarrollado desde una mirada más global. El objetivo principal de esta tesis es construir un sistema para cuantificar el efecto de un jugador en las probabilidades de campeonar de un equipo de fútbol, en base al rendimiento deportivo de los jugadores en la temporada 2017-2018 de la Premier League con datos proporcionados por Wyscout. La metodología consta de tres etapas. En primer lugar, se calculan las probabilidades de elegir una acción por un jugador en cierta zona del campo, bajo las condiciones del partido, utilizando un modelo Multi-logit e Inferencia Bayesiana para estimar los parámetros. Luego, se calculan las probabilidades de ejecutar de forma correcta esa acción con un modelo Logit, basándose tanto en las condiciones del partido como en los jugadores involucrados en dicho evento, estimando los parámetros que definen esta probabilidad con Inferencia Bayesiana. Finalmente, la última etapa consta del modelamiento de un sistema de recomendación basado en simulaciones. Para esto, se construye un modelo de simulación de Cadenas de Markov en donde cada uno de los eventos es un nodo de la cadena y las probabilidades de transición entre un nodo y otro se construyen a partir de la combinación de las probabilidades calculadas en la etapa uno y dos. De esta forma, se simula el torneo completo en una gran cantidad de iteraciones, permitiendo en primer lugar, comparar el rendimiento predictivo de los resultados con el modelo de Poisson, que supera levemente al modelo de Cadenas de Markov con un acierto predictivo de 39,37% vs. 44,45% y en segundo lugar, realizar experimentos para evaluar distintos jugadores que podrían llegar a un club y cuantificar el efecto de ese jugador en la probabilidad de campeonar del equipo. La flexibilidad para ensayar y probar en la simulación permite hacer más eficiente la búsqueda de nuevos jugadores para cada club, reducir el campo de opciones a explorar, el tiempo que le dedican los scouts a este proceso y eliminar el sesgo que se genera al validar este proceso solo con el juicio de expertos. De esta forma, ayuda a concentrarse e aquellos deportistas que podrían ser una buena opción a contratar, haciendo el proceso más eficiente y ahorrando recursos para los clubes.