Cómo convertirse en analista de datos de fútbol: en qué consiste realmente el trabajo

El fútbol nunca ha estado falto de números. Goles, asistencias, tiros, posesión y porcentajes de pase forman parte del juego desde hace décadas. Lo que ha cambiado es la cantidad de información a la que pueden acceder los clubes y hasta qué punto esa información interviene hoy en fichajes, rendimiento, planificación de plantilla y decisiones del cuerpo técnico.

Un partido profesional puede generar miles de acciones registradas. Según las herramientas de las que disponga un club, los analistas también pueden estudiar dónde estaba colocado cada jugador, a qué velocidad se movía, qué líneas de pase estaban abiertas, lo compacto que era un bloque defensivo, en qué momento empezaba a romperse una presión o qué ocurría sin balón antes de que apareciera una ocasión. Si a eso se añaden varias temporadas de datos de jugadores, vídeo, informes de scouting, información de entrenamiento y pruebas físicas, el volumen termina siendo mucho mayor de lo que un entrenador o un scout puede procesar por sí solo.

El trabajo de un analista de datos de fútbol consiste en convertir todo ese material en algo útil. A veces será encontrar jugadores que encajen en un perfil de fichaje. Otras, entender por qué un equipo está generando peores ocasiones, comparar las exigencias físicas de diferentes competiciones o comprobar si un patrón detectado en vídeo se repite con la frecuencia suficiente como para ser relevante.

La realidad diaria del puesto suele ser bastante menos espectacular que la imagen pública de la analítica de fútbol. Un analista no pasa todos los días descubriendo talentos infravalorados ni construyendo modelos que deciden por el club a quién fichar. Buena parte del trabajo consiste en plantear una pregunta sensata, decidir qué datos pueden ayudar a responderla, comprobar que esos datos son fiables y dejar claro hasta dónde llega la evidencia.

¿Qué hace realmente un analista de datos de fútbol?

No existe una única versión del puesto. Un analista puede trabajar en captación y scouting, con el primer equipo, en ciencias del deporte, en una academia o dentro de un departamento más amplio de estrategia deportiva. En los clubes grandes, estas áreas pueden tener analistas, científicos de datos e ingenieros de datos distintos. En estructuras más pequeñas, una sola persona puede acabar cubriendo parte de varias funciones.

Un analista centrado en scouting puede pasar buena parte de la semana comparando jugadores de distintas ligas, manteniendo herramientas de búsqueda, estudiando posibles sustitutos para un futbolista de la plantilla o ayudando a decidir qué nombres merece la pena seguir con más atención. Alguien más cerca del primer equipo puede trabajar sobre creación de ocasiones, salida de balón, presión, transiciones defensivas o el próximo rival. Un perfil más vinculado a ciencias del deporte puede ocuparse con mayor frecuencia de GPS, cargas de sprint y exigencias físicas.

Por eso los títulos de los puestos pueden confundir. Dos clubes pueden publicar una vacante de “Football Data Analyst” y estar buscando perfiles muy diferentes. Uno puede dar mucho peso a Python y SQL. Otro puede pedir una mezcla de vídeo, dashboards y apoyo al scouting. En un tercer club, el mismo título puede estar mucho más cerca del rendimiento físico. Para entender una oferta, la descripción de responsabilidades suele decir bastante más que el nombre del puesto.

Un buen análisis empieza muchas veces antes de abrir un notebook o escribir una consulta. Empieza con el problema futbolístico.

Imaginemos que un club busca un lateral izquierdo. La necesidad parece sencilla hasta que se empieza a definir el rol. ¿Tiene que fijar la banda y atacar por fuera? ¿Meterse por dentro cuando el equipo tiene la pelota? ¿Defender grandes espacios a la espalda de una presión alta? ¿Conducir bajo presión? ¿Repetir desdoblamientos? ¿Poder jugar también como carrilero? ¿Es más importante su velocidad de recuperación que su volumen de centros?

Esas decisiones determinan qué conviene medir. Si el perfil está mal definido, añadir más datos suele producir una versión más complicada de la misma pregunta imprecisa.

Cuando el rol queda claro empieza la parte más técnica. Puede ser necesario limpiar y unir datos de distintos proveedores. Hay que valorar el nivel de las competiciones. Los minutos jugados, la posesión del equipo o el estilo de juego pueden distorsionar comparaciones directas. A veces se construye un modelo; otras veces la respuesta sale de un análisis estadístico bastante sencillo, muchas comprobaciones y bastante tiempo dedicado a asegurarse de que la comparación tenga sentido.

La última parte es comunicarlo. Entrenadores y scouts no necesitan revisar el código que hay detrás del análisis. Necesitan saber qué se ha encontrado, cuánta confianza merece el resultado y qué debería mirarse después. A veces eso requiere un dashboard. Otras, un informe breve. En algunos casos, la mejor salida es una sola visualización y una conversación de cinco minutos.

Los datos detrás del fútbol moderno

“Datos de fútbol” no significa una sola cosa. El tipo más conocido son los datos de eventos, que registran acciones durante el partido: pases, tiros, conducciones, entradas, intercepciones, presiones, duelos, faltas y otras acciones. Esos registros pueden incluir dónde ocurrió la acción, hacia dónde fue el balón, si tuvo éxito y otros detalles relacionados con la jugada.

Gran parte de la analítica que hoy resulta familiar se apoya en este tipo de información. Expected goals (xG), expected assists (xA), pases progresivos, conducciones progresivas, mapas de tiro, redes de pase o entradas al área dependen de datos de eventos estructurados.

El problema es que los datos de eventos solo registran una parte del juego. Un delantero puede arrastrar a dos defensas con una carrera y abrir espacio para un compañero sin tocar la pelota. Un centrocampista puede cerrar una línea de pase durante varios segundos sin registrar una acción defensiva. Un central puede decidir no jugar hacia dentro porque el receptor está bien marcado; precisamente la decisión correcta es no hacer ese pase.

Mucho de lo que ocurre en fútbol sucede entre los eventos que terminan registrados.

Los datos de tracking añaden otra capa al registrar repetidamente la posición de los jugadores y del balón durante el partido. Con ellos se puede estudiar la amplitud del equipo, la altura de la línea defensiva, los movimientos sin balón, las distancias entre jugadores, las estructuras de presión y las opciones disponibles para quien tiene la pelota. Ya no se trata solo de saber si un pase se completó, sino también de valorar lo difícil que era, cuánta presión tenía el jugador y qué otras opciones estaban abiertas.

También están los datos físicos. Distancia total, carrera a alta intensidad, distancia en sprint, velocidad punta, aceleraciones y deceleraciones ayudan a describir las exigencias de un rol. Son importantes en rendimiento, pero también tienen utilidad en scouting. Un jugador puede encajar técnicamente en un equipo y, aun así, no tener el perfil físico que exige la función para la que se le está evaluando.

Dentro de un club, la información puede ir mucho más allá. Un analista puede trabajar con datos GPS, cargas de entrenamiento, información médica y de disponibilidad, notas de scouting, evaluaciones de cantera, contratos y observaciones internas acumuladas durante varias temporadas.

La dificultad no está en utilizarlo todo. Está en saber qué parte de esa información ayuda de verdad con la pregunta que hay encima de la mesa.

Por qué el contexto importa más que una lista de métricas

No hace falta demasiado tiempo para aprender el vocabulario básico de la analítica de fútbol. xG, xA, PPDA, field tilt, possession value, pases progresivos y decenas de métricas específicas de cada proveedor están al alcance de cualquiera. Lo más difícil es aprender cuándo un número está diciendo algo importante y cuándo el contexto explica casi todo.

El expected goals es un buen ejemplo. Un modelo de xG estima la probabilidad de que un tiro termine en gol utilizando información como la localización y el ángulo y, según el modelo, otros detalles de la situación. Cada proveedor construye el suyo de forma distinta, así que el mismo tiro puede recibir valores ligeramente diferentes.

La utilidad del xG no está en ponerle un decimal a cada disparo. Sirve para separar la calidad de las ocasiones del resultado final.

Dos delanteros pueden terminar una temporada con 15 goles. Uno puede estar llegando cada semana a posiciones excelentes y definiendo a un nivel normal. El otro puede haber marcado varios tiros muy difíciles a partir de una colección de ocasiones bastante peor. La columna de goles dice que ambos marcaron 15. Lo que hubo detrás puede ser muy distinto.

El mismo problema aparece con estadísticas más sencillas. Un central con un 94 % de acierto en el pase puede ser un jugador extraordinario para progresar con balón, o puede pasarse el partido jugando corto y sin riesgo. Un extremo con muchas conducciones progresivas puede ser excepcional en el uno contra uno, o puede jugar en un equipo de transiciones que le deja metros por delante varias veces por encuentro. Un centrocampista con cifras defensivas enormes puede dominar sin balón, o simplemente formar parte de un equipo que pasa gran parte del tiempo defendiendo.

Los datos por 90 minutos corrigen el tiempo de juego, pero no resuelven por sí solos la comparación. Importan la posesión, el marcador, el rol, el nivel del equipo, las instrucciones del entrenador y la competición.

El trabajo reciente de scouting del Manchester City ofrece un buen ejemplo. En septiembre de 2026, un reportaje sobre su proceso mostró que el club no trata a todos los laterales como si fueran el mismo tipo de jugador. City distingue perfiles, entre ellos laterales más defensivos, jugadores que se meten por dentro y laterales que juegan altos y abiertos. La distinción se hace antes de comparar números: primero se define el rol y después se busca qué datos sirven para evaluarlo. El reportaje de BBC Sport sobre el proceso de fichajes del Manchester City.

Eso se parece mucho más a la analítica profesional que colocar dos gráficos radar juntos y decidir quién ocupa más superficie.

Cómo usan los clubes los datos en los fichajes

La captación es probablemente el área en la que resulta más fácil entender por qué los clubes necesitan analistas de datos. El problema de partida es enorme. Ningún departamento de scouting puede observar con profundidad a todos los futbolistas profesionales de todas las competiciones que podrían ser relevantes. Hay que decidir dónde dedicar el tiempo.

Los datos son uno de los filtros utilizados para hacerlo.

El caso del Manchester City permite ver bien la escala. Según el reportaje publicado en 2026 sobre su funcionamiento, el club parte de una base de datos de aproximadamente 650.000 jugadores. Una vez acordado el perfil buscado, los filtros analíticos pueden reducir ese universo a una lista larga de aproximadamente 20 a 50 nombres. A partir de ahí se cruza la información con el trabajo de scouting y la lista vuelve a reducirse antes de entrar en una evaluación más profunda. BBC Sport.

La cifra llama la atención, pero el orden del proceso es más importante. Para que los filtros tengan sentido, alguien tiene que definir primero qué jugador busca el club. Después, los datos tampoco toman la decisión final. Hugo Viana, director deportivo del City, insistió en ese mismo reportaje en que la información cuantitativa es solo una parte del proceso, porque no puede describir por completo aspectos como el carácter, la mentalidad o el comportamiento.

Otro ejemplo apareció en el documental del club A Beautiful Obsession. Durante el trabajo para encontrar a un futbolista capaz de asumir parte de las responsabilidades creativas de Kevin De Bruyne, los analistas del City explican que midieron 43 métricas, las redujeron a siete números y utilizaron esas dimensiones para agrupar perfiles similares. Rayan Cherki aparece en la conversación como un jugador que podría evolucionar hacia un perfil parecido al de De Bruyne, y el City terminó fichándolo. Página oficial del Manchester City sobre A Beautiful Obsession.

Lo interesante del ejemplo no es intentar adivinar el modelo exacto que utilizó el club. No conocemos sus 43 variables, cómo las ponderó ni todos los detalles del método. Lo que sí muestra es cuánto trabajo hay antes de que una búsqueda por similitud tenga sentido.

“Encontrar al próximo Kevin De Bruyne” no es una pregunta analítica utilizable. ¿Qué partes de su juego quiere reemplazar el club? ¿Creación de ocasiones? ¿Pases al último tercio? ¿Progresión de balón? ¿Conducción? ¿Amenaza de tiro? ¿Zonas de recepción? ¿Capacidad para jugar bajo presión? ¿Qué peso tiene cada una?

El analista ayuda a convertir esa descripción futbolística en criterios medibles. La lista corta llega después.

Por eso conviene dejar de imaginar la analítica de fichajes como un sistema automático de transferencias. Su utilidad está muchas veces en reducir una búsqueda imposible a un grupo de futbolistas que scouts y responsables de captación pueden estudiar con detalle.

Rendimiento, táctica y análisis del rival

No todos los analistas de datos de fútbol trabajan en fichajes. Algunos pasan la mayor parte del tiempo cerca de los problemas semanales del equipo.

Pensemos en un conjunto que ha empezado a generar menos ocasiones. Las estadísticas más evidentes pueden mostrar que ha bajado el volumen de tiros, pero eso no explica la causa. El analista puede estudiar con qué frecuencia llega el equipo al último tercio, por dónde progresa, si sus centrocampistas reciben bajo más presión, si los laterales están avanzando menos con el balón o si los rivales han cambiado la forma de defender la salida.

Un problema defensivo puede exigir preguntas totalmente distintas. ¿Con qué frecuencia se supera la primera línea de presión? ¿Qué ocurre inmediatamente después? ¿Llega tarde el centro del campo a las segundas jugadas? ¿Están encontrando los rivales siempre el mismo espacio? ¿Ha bajado la línea defensiva durante el último mes?

Este tipo de trabajo suele mejorar cuando los datos y el vídeo se utilizan juntos. El vídeo puede sugerir que existe un patrón; los datos permiten comprobar si se repite lo suficiente como para prestarle atención. También funciona al revés: una cifra extraña puede indicar al analista exactamente qué debería buscar en las imágenes.

El análisis del rival sigue la misma lógica. Al cuerpo técnico le sirve de poco recibir todas las estadísticas disponibles sobre el siguiente oponente. Las preguntas útiles son más concretas. ¿Cómo inicia desde saque de portería? ¿Qué jugador adquiere importancia cuando recibe presión? ¿Prefiere un lado para salir de su propio campo? ¿En qué zonas pierde más balones? ¿Qué situaciones generan sus mejores ocasiones?

Aquí existe bastante solapamiento con el análisis de rendimiento. Tradicionalmente, los performance analysts han estado más cerca del vídeo, la codificación de partidos y las presentaciones tácticas, mientras que los data analysts han trabajado más con datos estructurados, estadística y modelos. En los clubes actuales, esa frontera suele ser mucho menos clara. Ambos perfiles necesitan entender lo suficiente del trabajo del otro para poder colaborar bien.

La parte técnica del trabajo

El tema es el fútbol, pero sigue siendo una profesión de datos.

SQL es importante porque los clubes y las empresas de datos almacenan grandes cantidades de información en bases de datos. El analista tiene que saber localizar los registros adecuados, unir tablas, filtrar información y escribir consultas que puedan repetirse sin reconstruir el mismo proceso a mano cada semana.

Python es muy habitual en analítica de fútbol y data science. R también cuenta con una comunidad fuerte dentro del sector. Ambos sirven para limpiar datos, automatizar tareas, realizar análisis estadístico, construir modelos y crear visualizaciones. Acumular lenguajes de programación en el CV aporta poco; manejar uno de ellos con soltura sobre datos reales y desordenados es mucho más útil.

Excel tampoco ha desaparecido. Las comprobaciones rápidas, listas de scouting y peticiones puntuales siguen pasando por hojas de cálculo. Power BI y Tableau son frecuentes cuando el club necesita dashboards que puedan utilizar entrenadores, scouts o directivos sin tocar el código que hay detrás.

Una parte importante del trabajo es mucho menos vistosa que la gráfica final. Hay que emparejar nombres de jugadores entre proveedores. Las competiciones cambian de nombre. Faltan registros. Un proveedor modifica un campo y una consulta que funcionaba ayer deja de hacerlo. Aparecen duplicados. Alguien descubre que un dashboard lleva una semana mostrando un filtro incorrecto.

Son problemas normales de datos. El fútbol también los tiene.

La estadística es importante por el mismo motivo. Un analista debe moverse con soltura entre medias, distribuciones, varianza, percentiles, probabilidad, correlación, tamaño de muestra e incertidumbre. El fútbol produce constantemente muestras pequeñas y resultados ruidosos. Un futbolista puede tener seis semanas extraordinarias que digan muy poco sobre sus próximos dos años. Un equipo puede jugar bien y perder. Una métrica subyacente puede ser útil sin ser una representación perfecta de la realidad.

El trabajo más avanzado puede incluir regresión, clasificación, clustering, reducción de dimensionalidad o machine learning. La visión por computador también ha ampliado el campo al permitir extraer información posicional a partir del vídeo.

Nada de esto convierte automáticamente un método complejo en un método mejor. Un análisis sencillo que responde con claridad a la pregunta es más útil que un modelo avanzado construido solo porque el analista quería utilizar una técnica concreta.

¿Cuánto fútbol hay que saber?

Lo suficiente para reconocer cuándo los datos se están perdiendo lo importante.

No hace falta haber jugado al fútbol profesional ni haber trabajado como entrenador, pero interpretar bien los datos sin entender el juego es difícil. El contexto táctico cambia las cifras constantemente. Un extremo puede mejorar sus números porque ha cambiado su función, no porque haya mejorado como futbolista. Un centrocampista puede parecer menos progresivo después de fichar por un equipo más fuerte porque otro compañero asume ahora la responsabilidad de hacer avanzar el balón. Un central puede realizar menos acciones defensivas simplemente porque su equipo domina mucho más la posesión.

Los números no explican esas diferencias por sí solos.

También ocurre lo contrario. Alguien puede entender muy bien el fútbol y no tener las habilidades estadísticas o técnicas necesarias para trabajar con datos. Conocer la táctica no enseña SQL. Haber visto miles de partidos no convierte a nadie automáticamente en experto en probabilidad, muestras o limpieza de datos.

Se puede llegar al sector desde las dos direcciones. Algunos empiezan dentro del fútbol y desarrollan después la parte técnica. Otros vienen de matemáticas, informática, ingeniería, economía, finanzas u otras áreas intensivas en datos y tienen que construir su conocimiento futbolístico.

Para quienes vienen de fuera del deporte, ver partidos al mismo tiempo que trabajan con los datos es uno de los hábitos más útiles. Si un jugador aparece como una anomalía estadística, hay que verlo. Si dos futbolistas parecen casi idénticos en los números, conviene mirar a ambos y encontrar dónde termina esa similitud. Si una métrica cambia de forma brusca después de un fichaje o de un cambio de entrenador, merece la pena volver a los partidos.

Con el tiempo se empieza a reconocer qué partes del juego quedan bien reflejadas en los datos y cuáles exigen más cautela.

¿Hace falta una carrera universitaria y cómo se empieza?

No existe una única titulación para convertirse en analista de datos de fútbol. Estadística, matemáticas, informática, data science, ingeniería y economía pueden ofrecer una base sólida. También llegan perfiles procedentes de ciencias del deporte y análisis de rendimiento, sobre todo cuando añaden programación y estadística a sus conocimientos futbolísticos.

Algunos empleadores piden expresamente una titulación relacionada. Otros se fijan más en la capacidad práctica. ¿Puedes trabajar con un dataset grande? ¿Escribes código limpio y reproducible? ¿Entiendes de verdad los conceptos estadísticos básicos? ¿Puedes explicar por qué elegiste una métrica? ¿Sigue teniendo sentido tu análisis cuando alguien ve el partido?

Los puestos de data science más orientados a investigación pueden valorar más los estudios de posgrado, pero la analítica de fútbol no tiene una única vía académica.

Además, es uno de los pocos campos del fútbol profesional en los que se puede construir un trabajo serio antes de tener acceso a los sistemas internos de un club. Los datasets públicos lo permiten. Hudl Statsbomb, por ejemplo, publica datos de eventos abiertos de varias competiciones y ofrece recursos para trabajar con ellos en Python y R. StatsBomb Open Data.

Un portfolio no tiene que ser enorme. Un proyecto bien pensado puede decir mucho más que diez radares de jugadores casi idénticos.

Conviene empezar por una pregunta de fútbol, no por una visualización. ¿Qué centrocampistas progresan el balón de una determinada manera? ¿Ha cambiado la creación de ocasiones de un equipo después de un cambio de entrenador? ¿Qué delanteros llegan de forma repetida a posiciones de tiro de alta calidad? ¿Cómo buscarías jugadores para un rol táctico muy específico?

Después hay que enseñar el razonamiento. Explicar por qué se eligió la pregunta, qué cubren los datos y qué dejan fuera, por qué se utilizaron esas métricas y cómo se comprobaron los resultados extraños. Si es posible, volver al vídeo. Si el análisis tiene limitaciones, decirlo.

Eso se parece mucho más al tipo de trabajo que necesita un club que limitarse a mostrar una gráfica pulida.

Publicar el trabajo también puede ayudar. Una web personal, un repositorio de GitHub o un análisis bien escrito ofrecen a un recruiter algo concreto que revisar. También dan a la gente del sector una base real para hablar contigo. Saber Python importa; mostrar cómo lo utilizas para pensar un problema de fútbol dice bastante más.

¿Cómo es realmente trabajar con datos en fútbol?

No todas las semanas se pasan buscando el próximo fichaje.

Hay limpieza de datos, peticiones urgentes, dashboards que necesitan cambios, consultas que dejan de funcionar y análisis que no llevan a ningún sitio. Puedes pasar horas siguiendo un patrón interesante y descubrir después que desaparece al corregir un único error en los datos. A veces, después de varias horas de trabajo, la conclusión es simplemente que no existe evidencia suficiente para afirmar algo con seguridad.

Eso también es un resultado útil.

Las decisiones alrededor del trabajo pueden tener mucho peso. Un análisis de scouting puede entrar en una discusión sobre un fichaje de millones. Un informe del primer equipo puede llegar al cuerpo técnico poco antes de un partido. Un error no detectado puede mantenerse el tiempo suficiente como para influir en una conversación en la que nunca debería haber entrado.

Los horarios dependen mucho de dónde esté ubicado el puesto. Los trabajos cercanos al primer equipo pueden incluir noches, fines de semana y días de partido. Los departamentos de captación tienen picos claros durante los mercados de fichajes. Los puestos en proveedores de datos o empresas de tecnología deportiva pueden parecerse más a trabajos técnicos convencionales.

Los salarios también varían mucho. Una persona con buen nivel de SQL, Python y estadística puede ganar bastante más en finanzas, tecnología u otra industria comercial. El fútbol atrae a muchos candidatos y no siempre es el sector que mejor paga por ese tipo de habilidades.

El atractivo está en otra parte. El trabajo puede quedar muy cerca de decisiones futbolísticas reales. Un análisis puede cambiar qué jugador observa después un scout, cuestionar una idea instalada dentro del departamento de fichajes o ayudar al cuerpo técnico a entender mejor algo que lleva tiempo viendo sobre el campo.

Además, las habilidades siguen siendo útiles si más adelante se sale del fútbol. SQL, Python, estadística, visualización e ingeniería de datos sirven igual si el siguiente empleo está en otro club, una federación, un proveedor de datos, una empresa de tecnología deportiva o en un sector completamente distinto.

Con el tiempo, un buen analista también aprende qué no merece la pena analizar. Sabe cuándo dos jugadores no deberían compararse directamente, cuándo una muestra es demasiado pequeña y cuándo una métrica está describiendo más al equipo que al futbolista. Revisa los resultados que parecen demasiado perfectos. Si la evidencia es débil, lo dice.

Los clubes modernos pueden recopilar mucha más información de la necesaria para una sola decisión. El trabajo no consiste en meter todos esos datos en la respuesta, sino en decidir cuáles merecen estar ahí.

El proceso de scouting del Manchester City es un buen ejemplo porque los datos no cierran la historia. Cientos de miles de jugadores pueden reducirse a una lista manejable. Los modelos pueden señalar perfiles que merece la pena investigar. El tracking y la información física pueden mostrar cualidades difíciles de comparar de forma consistente a simple vista.

Pero los jugadores de esa lista siguen teniendo que ser vistos. Los scouts siguen necesitando formarse una opinión. Los entrenadores tienen que decidir si encajan. Las cuestiones médicas, contractuales y económicas siguen abiertas.

Ahí es donde el papel del analista queda mejor definido: no tomar la decisión por los demás, sino hacer que quienes la toman dispongan de mejores evidencias.