big-data-ayuda-adquisicion-talento-deportivo

¿Cómo puede ayudar el Big Data en la adquisición de talento deportivo?

Que el análisis de datos ha llegado para quedarse, es una realidad. Cada vez es más común oír hablar del Big Data o el Data Science en el deporte. La infinidad de estadísticas que se pueden obtener sobre formas y optimización del juego, así como la reducción y prevención de lesiones, hace de esta disciplina algo fundamental para los clubes en la actualidad. Ahora bien, si el estudio de los datos ayuda a predecir resultados y jugadas, ¿cómo puede ayudar el Big Data en la adquisición del talento deportivo? 

Esto mismo es lo que ha investigado el Dr. David López, profesor del Posgrado en Dirección de Operaciones de Euncet Business School, junto con Laura Calvet y Rocío de la Torre. En su paper “Contribution of data analytics in sports talent acquisition”, presentado en el 2020 Online Workshop on “Sports and Health Analytics Research, han analizado el papel del Big Data en la adquisición de talento deportivo. 

Cómo el Big Data puede ayudar en la adquisición del talento deportivo

Talento joven, asignatura pendiente para los clubes

En la actualidad, los clubes deportivos se dejan guiar por el juicio de expertos a la hora de apostar por el talento joven. Pero, a pesar de ser una de las técnicas utilizadas históricamente, tiene muchos defectos. El juicio de expertos conlleva a un alto índice de fracaso, carreras truncadas y pérdidas económicas para el club. 

Y es que, las características de estas jóvenes promesas todavía no están formadas. Todo lo relacionado con su proyección es puramente producto de la imaginación, que más adelante se verá sujeta a factores como las características psicográficas y demográficas, la cultura organizativa, etc. 

Desafíos de la industria del deporte debido al dato

Los resultados históricos hablan por sí solos. Pocos son los jugadores de cantera que acaban en los primeros equipos. La ineficiencia de la captación en las edades tempranas no está funcionando como debería. Thomas H. Davenport, académico y autor norteamericano especializado en analítica, innovación de procesos empresariales, gestión del conocimiento e inteligencia artificial, afirma que aquellas empresas que sean capaces de atraer y retener el talento estarán entre las más competitivas. El reclutamiento de talento joven es una actividad crítica que, mediante la Big Data, puede revertir la situación. 

Autores como Baker, De Bosscher, De Rycke y Hanlon, siguiendo con la línea de Davenport, afirman que existe un creciente interés en comprender los costos y beneficios de las iniciativas para la identificación temprana de jugadores talentosos, así como en desencadenar los factores que influyen en el desarrollo de los atletas. 

Así pues, el punto clave sigue siendo la identificación temprana de jugadores talentosos. Y, para ello, se necesitan técnicas predictivas para pronosticar el desarrollo de estos atletas en edades tempranas. 

MoneyballLos análisis estadísticos tradicionales se centran en puntos anotados, promedios y número de goles. Las necesidades actuales se van sofisticando y ya no son suficientes. La película Moneyball (2011) ya introdujo la posibilidad de la analítica como estrategia competitiva. En el film se enfocó a equipos de mercados pequeños con recursos relativamente limitados. 

Datos sobre hábitos e indicadores de rendimiento para evaluar el potencial de los jugadores

Muchos entrenadores emplean datos sobre hábitos e indicadores de rendimiento para evaluar el potencial de sus jugadores con el fin de: 

  1. Evaluar su desempeño
  2. Clasificarlos
  3. Estimar su valor
  4. Ubicarlos en la mejor posición que puedan ocupar

Estos ajustes pueden suponer una manera de ahorrar costes para algunos clubs. 

Big Data

Data Analytics, reinventando la industria del deporte

La aplicación del análisis de datos en la industria del deporte está comportando una gran transformación dentro del sector:

  • Departamento de Big Data en los clubes. Clubes de fútbol como Liverpool, Barcelona o Arsenal ya destinan un área en su organización para el análisis de datos. Con ello pretenden mejorar el rendimiento, analizar rivales, prevenir lesiones, así como optimizar la gestión del mercado de fichajes, y la adquisición de nuevos talentos. 
  • Nuevas plataformas para la gestión y análisis de datos. Cada vez se está sofisticando más la forma de obtener y tratar los datos con la aparición de nuevas plataformas como Wiscout y Scisport
  • Mejoras en la captación y generación de datos. Compañías como Intel han creado dispositivos portátiles de internet de las cosas con los que capturar información de los jugadores en tiempo real (streaming).
  • Transformación de los profesionales de la gestión deportiva. Tras el impacto y potencial del Big Data en la industria del deporte, ya empiezan a crearse titulaciones universitarias oficiales dedicadas a la gestión deportiva, enfocadas especialmente en la ciencia Ondata. Ejemplo de ello lo encontramos en el Grado en Ciencias y Tecnologías aplicadas al Deporte y al Fitness de Euncet Business School, formación pionera en España. 
  • Cambio de hábitos en los aficionados. El consumo de datos de los aficionados se ha sofisticado. Cada vez se consumen datos más complejos, tanto para ocio y diversión, como para utilizar aplicaciones de casas de apuestas online. 

Hay que tener en cuenta también el papel que pueden jugar las Redes Sociales, ya que son un predictivo importante. En base a los histogramas y las citaciones se pueden predecir determinados éxitos. 

3 tipos de análisis para medir eficacia, eficiencia y calidad del reclutamiento

Existen 3 tipos de análisis utilizados en la asistencia técnica y en recursos humanos para medir la eficiencia, la eficacia y la calidad del reclutamiento y su impacto. 

Análisis descriptivo

Es utilizado cuando un jugador ya tiene unas características preestablecidas y se tiene que decidir sobre si juega o en qué posición lo hará. Este análisis no se suele utilizar en los talentos jóvenes, ya que aún no han formado sus características básicas. 

Análisis predictivo

Se basa en el análisis interno (pronosticar lo que sucederá en el futuro dentro del equipo, cuál es el nivel de desempeño del jugador), y en el análisis externo (ver si habrá campañas de atracción de nuevos atletas, etc). Este tipo de análisis se focaliza en predecir, mediante la búsqueda de patrones, cómo será el futuro, qué tácticas se establecerán y cómo se comercializará.

Existen 5 claves en las que el análisis predictivo puede ayudar a RRHH:

  • Aceptar perfil y segmentación del atleta o empleado para ver o prever análisis de lealtad.
  • Pronóstico de capacidad y necesidades de contratación.
  • Selección de personal.
  • Análisis del sentimiento, cada vez más importante. El FCB ha creado un equipo para el bienestar mental de Leo Messi.
  • Gestión del riesgo de fraude de los empleados. 

Análisis prescriptivo

A partir de los patrones descubiertos en el anterior análisis, trata de sugerir mejores decisiones utilizando técnicas de datos como el modelado de decisiones, Machine Learning, heurística, simulación, redes neuronales. 

Intenta evaluar el efecto y el impacto de las decisiones proporcionadas con el fin de modificarlas antes de su implementación. 

Retos del Big Data y el deporte

  1. Aún no se considera la optimización y aprendizaje sobre la adquisición de talento deportivo relacionada con el Big Data.
  2. Las técnicas clásicas de estadística (como la regresión lineal múltiple) son populares, pero el Machine Learning se empieza a utilizar cada vez más. 
  3. No se debe considerar sólo las características del individuo, sino también las características del equipo y la cultura organizativa del club. 
  4. Las empresas y gobiernos empiezan a ser conscientes del valor de los datos y de la necesidad de contar con científicos de datos, pero muchos departamentos aún no han hecho la transición y siguen empleando prácticas tradicionales basadas en intuiciones y rutinas. 
  5. Falta crear un plan de gobernanza del dato, ya que es la gestión general de la disponibilidad, usabilidad, integridad y seguridad de los datos utilizados por una organización. 
  6. Se debe verificar que los resultados no estén sesgados por variables como clase social, orientación sexual, raza o nacionalidad, entre otros.