Optimizing football analytics: Dimensionality reduction meets machine learning for offensive and defensive player profiling
RESUMEN DIVULGATIVO
Optimización del análisis futbolístico: perfilado de jugadores en facetas ofensivas y defensivas en base a la reducción de la dimensionalidad y al aprendizaje automático
El estudio desarrolló un modelo analítico multivariante para identificar, cuantificar y predecir los factores que determinan los perfiles ofensivo y defensivo de futbolistas profesionales, con vistas a mejorar la segmentación funcional, el análisis de rendimiento y la toma de decisiones en scouting y planificación táctica basada en datos. Se compiló mediante web scraping en Python una base de 2689 registros jugador-liga (2530 jugadores) de las cinco grandes ligas UEFA en 2022-2023, de los que 1624 registros superaron el filtro de 450 minutos; se aplicó análisis de componentes principales (PCA) y aprendizaje automático explicable (SHAP) con ocho algoritmos comparados para predecir PC1 Ofensivo y PC1 Defensivo. El primer componente ofensivo sintetiza acciones generadoras de ocasiones (acciones previas al tiro 13,3 %, recepciones progresivas 13,0 %, tiros totales 12,7 %) y el primer componente defensivo destaca entradas (19,1 %), bloqueos (15,6 %) e intercepciones (15,6 %). La inclusión de SHAP permite una interpretación en profundidad de los modelos y aporta una herramienta útil para scouting, análisis táctico y desarrollo de jugadores.
Hallazgo clave
El perfil ofensivo de un futbolista profesional se resume sobre todo en acciones previas al tiro, recepciones progresivas y tiros totales, mientras que el perfil defensivo se resume en entradas, bloqueos e intercepciones, y los modelos explicables con SHAP permiten identificar qué estadísticas pesan más en cada caso.