El día que descubrí las estadísticas de Expected Goals cambié completamente cómo analizo los partidos de LaLiga. Fue en 2017, cuando la mayoría de los apostadores todavía tomaba decisiones basándose en el marcador de los últimos tres partidos y la tabla de clasificación. Había un equipo que llevaba cuatro derrotas seguidas pero que en términos de xG generado y concedido era claramente superior a sus rivales. Sus cuotas para ganar el siguiente partido reflejaban las cuatro derrotas, no el rendimiento real. Aposté. Ganaron. Y desde entonces, el análisis estadístico avanzado es la base de mi proceso, no un complemento.
El mercado español de apuestas deportivas mueve 698 millones de euros de GGR al año en el segmento de apuestas deportivas, con 2,15 millones de jugadores activos. Una parte creciente de ese mercado son apostadores que usan herramientas analíticas avanzadas. La buena noticia para quienes empiezan a trabajar con estadísticas: la mayoría de los modelos de los operadores todavía se basan predominantemente en variables simples, lo que deja espacio para quien lleva el análisis un nivel más arriba.
Estadísticas clásicas y sus limitaciones
Empecemos por lo que todos conocen y por qué no es suficiente. Las estadísticas clásicas que los operadores usan como base para sus modelos son: posición en la tabla, últimos cinco resultados, goles a favor y en contra, y el historial de enfrentamientos directos. Nada de esto es inútil; el problema es que todo el mundo lo usa, lo que significa que está ampliamente incorporado en las cuotas.
El historial de enfrentamientos directos es quizá la estadística más sobreestimada del análisis futbolístico. En LaLiga, dos equipos se enfrentan dos veces por temporada. En diez años, hay 20 partidos de referencia. Pero esos 20 partidos incluyen distintos entrenadores, distintas plantillas y distintos contextos de temporada. Que el equipo A haya ganado 12 de los últimos 20 partidos contra el equipo B dice mucho menos sobre el próximo partido que la forma de ambos equipos en las últimas cuatro semanas.
La posesión es otra estadística que el análisis popular sobrevalora. Hay estilos de juego en LaLiga —el Atlético de Simeone es el ejemplo más citado— que consiguen resultados extraordinarios con posesión por debajo del 45%. Lo que importa no es cuánto tiempo tienes el balón; es qué haces con él. Y eso es exactamente lo que captura el xG.
xG explicado: la métrica que cambió el análisis de LaLiga
xG —Expected Goals, Goles Esperados en español— es una métrica que asigna a cada remate una probabilidad de que acabe en gol, basada en variables como la posición del remate, el tipo de remate, la presión defensiva y la parte del cuerpo usada. Un penalti tiene un xG de aproximadamente 0,76 —un 76% de probabilidad de gol—. Un remate de media distancia con la pierna no dominante sin ángulo puede tener un xG de 0,03.
Lo que hace valiosa esta métrica para los apostadores es lo siguiente: el marcador de un partido puede divergir significativamente del balance de xG. Un equipo puede perder 2-0 pero haber generado 2,4 xG y concedido sólo 0,6 xG. Ese equipo no jugó mal; tuvo mala fortuna. Sus cuotas para los próximos partidos reflejarán el 2-0, no el rendimiento subyacente. Ahí está la ineficiencia.
En la práctica, uso el xG de tres formas distintas. La primera es la comparación entre xG generado y goles reales en las últimas seis jornadas: si un equipo lleva marcando consistentemente por encima de su xG, es probable que esté en una racha positiva que revertirá; si está marcando por debajo, puede estar a punto de explotar goleadoramente. La segunda es el xG acumulado en la temporada para identificar equipos cuya posición en la tabla no refleja su calidad real. La tercera es el xG en los últimos tres partidos como indicador de forma inmediata.
PPDA: la presión como dato de apuestas
PPDA —Passes Allowed Per Defensive Action— mide la intensidad de la presión defensiva de un equipo. Se calcula dividiendo los pases permitidos al rival en el campo propio entre las acciones defensivas realizadas. Un PPDA bajo —entre 5 y 8— indica una presión muy alta, como el estilo de presing de los equipos de Guardiola. Un PPDA alto —por encima de 15— señala un equipo que defiende en bloque bajo y deja pasar al rival con el balón sin presionar.
Para las apuestas, el PPDA es especialmente útil en los mercados de goles. Los equipos con PPDA muy bajo tienden a generar transiciones rápidas —sus rivales pierden el balón alto y contraatacan— que producen partidos con más goles y resultado más abierto. Los equipos con PPDA alto suelen generar partidos más compactos, con menos remates y más probabilidad de resultado ajustado o de bajo número de goles. Si las cuotas over/under no reflejan esta diferencia de estilos, hay value.
En LaLiga, el seguimiento del PPDA es también útil para detectar cambios de sistema. Cuando un entrenador nuevo llega a mitad de temporada, el PPDA puede cambiar drásticamente en las primeras cuatro semanas. Ese cambio de comportamiento defensivo tarda semanas en incorporarse completamente en los modelos de los operadores.
Rendimiento post-pausa y datos de carga física
Otro bloque de estadísticas que pocos apostadores usan sistemáticamente es el relacionado con las cargas físicas. Los datos de distancia recorrida, sprints por partido y aceleraciones están disponibles para LaLiga en plataformas de análisis deportivo. Un equipo que ha jugado tres partidos en nueve días en una semana de alta intensidad —por ejemplo, viernes-martes-sábado— tiene una probabilidad estadística de rendimiento inferior en el siguiente partido que un rival que ha descansado siete días. Las cuotas no siempre reflejan esa diferencia con la granularidad necesaria.
Los datos post-pausa FIFA son particularmente interesantes. Los equipos con muchos internacionales enfrentan regresos de jugadores que vienen de vuelos intercontinentales, cambios de zona horaria y partidos de alta intensidad con sus selecciones. Históricamente, la jornada inmediatamente después de una pausa internacional muestra una mayor varianza de resultados que las jornadas normales, lo que implica que hay más partidos donde el equipo «favorito» pierde o empata de lo esperado.
Plataformas de datos gratuitas para LaLiga
La buena noticia es que las estadísticas avanzadas de LaLiga son accesibles sin coste. Understat y FBref ofrecen datos de xG a nivel de partido y de jugador. Sofascore y WhoScored tienen PPDA y estadísticas de presión. LaLiga tiene su propio portal de estadísticas avanzadas desde hace varios años, que incluye datos de físicos.
La mala noticia es que la gran cantidad de datos disponibles puede generar lo que los analistas llaman «parálisis por análisis»: tener demasiadas variables en la cabeza sin un proceso claro para convertirlas en una decisión de apuesta. Mi consejo es construir un proceso simple con dos o tres métricas que entiendas bien, antes de intentar construir un modelo complejo. Un análisis sólido de xG combinado con forma reciente y calendario suele superar en rentabilidad a modelos más complejos que no han sido validados.
Para entender cómo estos datos estadísticos interactúan con los mercados de apuestas disponibles en LaLiga, el análisis de mercados específicos completa el proceso desde los datos hasta la selección del tipo de apuesta.
