Modelo de predicción de partidos de fútbol: cómo se construye y cómo se juzga

Un modelo de predicción de partidos de fútbol hace una sola cosa: convierte lo que se sabe antes del pitido inicial en una probabilidad para cada uno de los tres desenlaces, victoria local, empate y victoria visitante. Para un director deportivo o un jefe de análisis, la pregunta útil no es si el modelo es ingenioso, sino qué decisión pueden respaldar sus números y cómo sabrías si son buenos.

La mayoría de los desarrollos parte de la fuerza de los equipos. Los resultados recientes, la forma, los enfrentamientos directos y la calidad de los rivales se comprimen en una valoración para cada bando, y la diferencia entre dos valoraciones ofrece una primera idea de quién es favorito. Ese es también el esqueleto natural del análisis del rival en el fútbol: una estimación de fuerza honesta sobre lo que no sabe es un punto de partida mejor para un informe que un relato construido sobre los dos últimos partidos. Las valoraciones se mueven despacio por diseño, así que hay que ajustarlas con lo nuevo: lesiones, sanciones y, una vez publicadas, las alineaciones confirmadas, normalmente una hora antes del inicio. Un pronóstico hecho antes de conocer los onces y otro hecho después son pronósticos distintos, y un buen producto indica cuál de los dos estás viendo.

La segunda capa es una simulación del número de goles. En lugar de predecir un ganador directamente, se estima cuántos goles es probable que marque y encaje cada equipo, y después se juega el partido miles de veces. Cada marcador simulado cuenta a favor de una victoria local, un empate o una victoria visitante, y los marcadores más frecuentes dan las estimaciones de resultado exacto. Por eso los resultados exactos se leen mejor como una lista corta de desenlaces probables que como un veredicto. Kickwise construye así su pronóstico de marcador exacto: una simulación de goles basada en lo que cada equipo ha marcado y encajado recientemente, calibrada con la visión de las casas de apuestas sobre qué bando es favorito, y con los marcadores más probables como ancla del pronóstico final.

El tercer ingrediente es el consenso del mercado utilizado como información previa. Las cuotas de las casas de apuestas, una vez descontado el margen, concentran muchísima información sobre noticias de los equipos, forma y lesiones. Un modelo que las ignora desperdicia una estimación inicial sólida, y uno que solo las repite no aporta nada. La práctica sensata es tratar el mercado como un dato más y preguntarse qué añade el modelo por encima de él. Donde no hay cuotas, como en muchos partidos menores, tiene que sustituirlas una estimación basada en la forma, y cabe esperar que sea menos precisa. Kickwise combina la lectura de los datos del partido que hace un modelo de lenguaje con el consenso del mercado allí donde existen cuotas, y actualiza el pronóstico cuando llegan las alineaciones.

La precisión es donde se tuercen la mayoría de las conversaciones sobre predicción futbolística con aprendizaje automático, porque un solo partido casi no dice nada. Si a un equipo se le da un 70% de probabilidades, sigue esperándose que pierda unas tres veces de cada diez, y un fallo no es prueba de un mal modelo. Hay que juzgar un modelo a lo largo de muchos partidos, respondiendo a dos preguntas distintas. ¿Está calibrado, es decir, de todos los pronósticos en torno al 70%, acierta aproximadamente el 70%? ¿Y mejora una referencia ingenua? Una regla de puntuación como la puntuación de Brier resuelve ambas cosas y penaliza más los fallos seguros que los cautelosos. Cuanto más baja, mejor, y la cifra solo significa algo al compararla con una referencia.

Así se ve con cifras reales. El historial público de Kickwise conserva el último pronóstico hecho antes del inicio de cada partido y lo califica con el resultado tras los 90 minutos más la prórroga, si la hay (un partido decidido en los penaltis cuenta como empate). En los últimos 90 días, los pronósticos con un 65% de confianza o más acertaron 41 veces de 51 (80%), en partidos donde ganó el local el 61% de las veces, de modo que apostar siempre por el equipo de casa habría dado un 61%. Sumando todos los pronósticos de cualquier nivel de confianza en los últimos 30 días, fueron 62 aciertos de 99 (63%), con una puntuación de Brier de 0,54 frente a 0,65 de una referencia que asigna a cada partido las tasas propias de la muestra de victoria local, empate y victoria visitante. Son muestras modestas, y las cifras de los últimos 7 días (29 de 44, Brier 0,545 frente a 0,623) muestran cuánto se mueve una ventana corta.

Los límites importan tanto como el titular. El empate es el desenlace más difícil de acertar, porque queda entre dos estados que el modelo intenta separar. Los amistosos y los partidos con pocos datos se parecen mucho a lanzar una moneda, y ningún método lo cambia. Para la rotación de la plantilla, eso aconseja usar las probabilidades para dimensionar el riesgo, no para elegir ganadores. Para las expectativas ante una directiva, aconseja presentar un rango y un historial sobre muchos partidos, nunca una promesa sobre uno solo.

Cuando construyas o compres una herramienta, pregúntate cinco cosas. ¿Publica todos los pronósticos que hizo, incluidos los fallos? ¿El pronóstico lleva marca de tiempo respecto a las noticias del equipo? ¿Se califica frente a una referencia declarada y no frente a nada? ¿Dice dónde es débil? ¿Y muestra suficientes partidos para que las cifras se asienten? Esas mismas preguntas responden a casi todo lo que la gente quiere decir cuando pregunta cómo de precisas son las predicciones de fútbol y cómo se hacen en primer lugar: el método solo es tan fiable como el historial contra el que se puede comprobar.