Dos pases completados o dos recuperaciones exitosas no tienen necesariamente el mismo impacto en un partido de fútbol. Su verdadero valor depende de cómo modifican las posibilidades de marcar un gol o evitar que lo consiga el rival.
VAEP (Valuing Actions by Estimating Probabilities) es una metodología de analítica avanzada que utiliza modelos predictivos para cuantificar la contribución de cada acción al rendimiento del equipo. Fue presentada en 2019 en la conferencia KDD por Tom Decroos, Lotte Bransen, Jan Van Haaren y Jesse Davis, investigadores de la KU Leuven y SciSports, y desde entonces se ha convertido en una de las referencias del análisis basado en eventos. A diferencia de las estadísticas tradicionales, no se limita a registrar lo que hace un jugador, sino que evalúa cómo sus decisiones modifican las probabilidades de marcar y encajar, incorporando el contexto de cada jugada.
En pocas palabras
Antes de entrar en detalle, estas son las claves que explican cómo funciona VAEP y por qué ha cambiado la manera de valorar el juego.
- Qué mide: El cambio que provoca cada acción en la probabilidad de marcar y de encajar, más allá de su resultado.
- Cómo se calcula: Dos modelos predictivos comparan el estado del juego antes y después de cada acción, y VAEP resta la variación en encajar a la variación en marcar.
- Qué datos usa: Datos de eventos estandarizados en formato SPADL, con las tres últimas acciones como contexto de cada jugada.
- Para qué sirve: Valorar pases, conducciones o recuperaciones, comparar futbolistas por 90 minutos y detectar perfiles en scouting.
Con estas ideas claras, el siguiente paso es entender cómo el modelo convierte cada jugada en un valor medible.
Cómo funciona VAEP para valorar las acciones en fútbol
VAEP mide el valor que aporta cada acción de un futbolista a partir de su impacto en las probabilidades de marcar y encajar un gol. Esta metodología utiliza modelos predictivos para evaluar las acciones dentro de su contexto, en lugar de asignarles una valoración basada únicamente en su resultado.
Las estadísticas tradicionales contabilizan pases completados, recuperaciones o duelos ganados, pero no reflejan necesariamente su contribución al rendimiento. VAEP introduce una perspectiva diferente al analizar cómo cada intervención modifica las expectativas del equipo, independientemente de que la jugada termine en una ocasión de gol.
Para realizar esta valoración, el modelo utiliza el concepto de estado del juego, que representa la situación del partido en un momento determinado. Cada acción transforma ese estado y genera nuevas probabilidades. Al comparar la situación anterior y posterior, VAEP identifica cuánto valor ha añadido o restado el futbolista con su intervención.
VAEP convierte cada pase y cada recuperación en probabilidad de gol. Aprende a calcularlo y a aplicarlo al scouting
En la práctica, el modelo no procesa todo el partido para definir ese estado. Lo aproxima a partir de las tres últimas acciones, ya que esa ventana corta concentra la información más relevante sobre la jugada en curso. Cada acción se describe mediante su tipo, su resultado, la parte del cuerpo utilizada, sus coordenadas de inicio y fin, el instante en que se produce y el jugador y el equipo que la ejecutan.
Este enfoque guarda relación con Expected Possession Value (EPV), que estima el valor esperado de una posesión según su situación. Sin embargo, VAEP centra el análisis en la contribución individual de cada acción, lo que facilita su aplicación al análisis del rendimiento y al scouting.
La comparación con Expected Threat (xT) también ayuda a situar la métrica. xT asigna un valor a cada zona del campo mediante una cadena de Markov y solo valora las acciones que desplazan el balón, como pases y conducciones. VAEP, en cambio, valora cualquier acción registrada, incluidas las defensivas, y tiene en cuenta su resultado y el contexto previo. El siguiente cuadro resume las diferencias entre las tres aproximaciones.
| Métrica | Qué valora | Datos necesarios | Acciones defensivas |
|---|---|---|---|
| VAEP | Cada acción según cómo modifica la probabilidad de marcar y de encajar | Eventos | Sí |
| xT | Zonas del campo según su probabilidad de acabar en gol | Eventos | No, solo pases y conducciones |
| EPV | El valor esperado de la posesión en cada instante | Tracking y eventos | No de forma directa |
Qué datos necesita VAEP para analizar un partido
El cálculo de VAEP requiere datos estructurados que permitan reconstruir las acciones de un partido y describir las condiciones en las que ocurren. La información debe reflejar tanto lo que sucede con el balón como los cambios que experimenta el juego, ya que las probabilidades de marcar y encajar dependen del contexto de cada intervención.
Para construir esta información, los modelos de VAEP trabajan con distintas categorías de datos que permiten representar el estado del partido:
- Datos de eventos (event data): Registran pases, conducciones, recuperaciones, duelos, intercepciones y otras acciones. Cada evento incorpora información sobre el jugador, el equipo, el momento de ejecución y su resultado, lo que permite identificar las intervenciones individuales.
- Información espacial: Incluye las coordenadas de inicio y finalización de las acciones, la distancia a portería y la orientación del ataque. Estas variables ayudan a cuantificar la progresión territorial y a diferenciar movimientos que generan ventajas de aquellos que apenas modifican la posición del balón.
- Secuencias de posesión: Reconstruyen el orden cronológico de los eventos y permiten identificar qué equipo controla el balón en cada momento. También registran pérdidas, recuperaciones y cambios de posesión, fundamentales para interpretar las transiciones entre ataque y defensa.
- Contexto del partido y tracking: Variables como el marcador y el minuto ayudan a contextualizar cada decisión dentro del modelo. La versión original de VAEP se construye solo con datos de eventos, aunque algunas extensiones incorporan el seguimiento posicional de jugadores y balón para medir la presión rival, las distancias entre futbolistas y los espacios disponibles.
Antes de utilizar estos datos, el analista debe normalizar las coordenadas, unificar las categorías de eventos y comprobar su consistencia temporal. Las diferencias entre proveedores o los errores en la identificación de posesiones alteran la representación del juego y afectan directamente a la fiabilidad de las estimaciones de VAEP
De los eventos a las features
Esa normalización suele resolverse con SPADL (Soccer Player Action Description Language), un formato desarrollado por los mismos autores de VAEP para unificar los datos de proveedores como StatsBomb, Opta o Wyscout. SPADL describe cada acción con los mismos atributos, representa el terreno de juego con unas dimensiones estándar de 105 × 68 metros y orienta todas las jugadas como si el equipo en posesión atacara de izquierda a derecha. Su variante Atomic-SPADL va un paso más allá y descompone acciones como el pase en dos eventos, el envío y la recepción, para ganar precisión en la asignación de valor.
A partir de estas acciones estandarizadas se construyen las features que alimentan el modelo. Entre las más utilizadas destacan la distancia y el ángulo a portería al inicio y al final de cada acción, el desplazamiento del balón en los ejes horizontal y vertical, el tiempo transcurrido entre acciones consecutivas, la diferencia de goles en el marcador y un indicador que señala si la posesión ha cambiado de equipo. Estas variables se calculan para cada una de las tres acciones que forman el estado del juego, de modo que el modelo percibe tanto la situación actual como la dinámica que la ha precedido.
Cómo calcular VAEP mediante probabilidades de marcar y encajar
El cálculo de VAEP combina dos modelos predictivos que estiman la probabilidad de que un equipo marque o encaje un gol a partir de un estado concreto del juego. Su objetivo consiste en cuantificar cómo cambia el valor esperado de una situación tras la intervención de un futbolista, considerando tanto su contribución ofensiva como defensiva.
Para obtener estas estimaciones, los modelos utilizan técnicas de machine learning, como regresión logística, XGBoost o LightGBM. Estos algoritmos identifican relaciones entre las características de cada estado y los resultados registrados en partidos anteriores.
El analista también debe definir un horizonte de predicción, que determina cuántas acciones posteriores contempla el modelo. Por ejemplo, una ventana de diez eventos permite estimar la probabilidad de marcar o encajar dentro de esa secuencia.
A partir de ambas predicciones, VAEP compara el estado anterior y posterior a cada intervención mediante la siguiente fórmula.
La componente ofensiva representa la variación en la probabilidad de marcar, mientras que la defensiva refleja el cambio en la probabilidad de encajar. Ambas comparan las estimaciones anteriores y posteriores a la acción. Así, VAEP asigna un valor positivo cuando mejora el balance esperado del equipo y negativo cuando lo empeora.
Sin embargo, la precisión del cálculo depende de la calidad de las probabilidades estimadas. Por ello, los modelos necesitan una calibración adecuada, mediante técnicas como Platt Scaling o regresión isotónica, y una validación con datos de partidos diferentes a los utilizados durante el entrenamiento.
De esta forma, VAEP transforma las predicciones de ambos modelos en una medida cuantitativa del impacto de cada acción, que posteriormente permite evaluar situaciones concretas del juego.
Cómo se entrenan y evalúan los modelos
El entrenamiento parte de un etiquetado binario. En el modelo de marcar, cada acción recibe un 1 si el equipo que la ejecuta consigue un gol dentro del horizonte definido y un 0 en caso contrario. El modelo de encajar sigue la misma lógica con los goles del rival. Como el gol es un suceso poco frecuente, la gran mayoría de las etiquetas son negativas, y ese desequilibrio obliga a evaluar las probabilidades con métricas adecuadas en lugar de fijarse solo en la tasa de acierto.
Las métricas más utilizadas son el Brier score y la log loss, que penalizan las probabilidades mal ajustadas, junto con el AUC, que mide la capacidad del modelo para distinguir las situaciones que acaban en gol de las que no. La curva de calibración completa el diagnóstico, porque muestra si una probabilidad estimada del 5 % se corresponde realmente con un gol de cada veinte situaciones similares. En la práctica, la separación entre entrenamiento y validación suele hacerse por temporadas, ya que las acciones de un mismo partido están correlacionadas y mezclarlas generaría fuga de información. Para aplicar todo este proceso, la librería de Python socceraction reúne la conversión a SPADL, el cálculo de features y la implementación de VAEP, Atomic-VAEP y xT.
Cálculo del valor de un pase y una recuperación paso a paso
El valor de un pase o una recuperación con VAEP depende de cómo cambia el equilibrio entre las probabilidades de marcar y encajar después de cada acción. Por tanto, dos intervenciones exitosas reciben valoraciones diferentes cuando generan ventajas ofensivas o reducen amenazas defensivas de distinta magnitud.
Para entender su aplicación, analizaremos dos situaciones que muestran cómo interpretar estas variaciones.
Caso práctico 1: Pase progresivo que rompe líneas
Un centrocampista ejecuta un pase vertical que supera la línea defensiva rival y deja al receptor en una posición favorable. Antes de la acción, el modelo estima una probabilidad de marcar del 2 % y de encajar del 1 %.
Tras completar el pase, la probabilidad de marcar aumenta al 5,5 %, mientras que el riesgo de encajar alcanza el 1,2 %. El resultado es un VAEP de +0,033, porque la mejora ofensiva supera el incremento del riesgo defensivo.
Caso práctico 2: Recuperación de balón
Un mediocentro intercepta un pase rival y recupera la posesión en una zona comprometida. Antes de intervenir, su equipo afronta una amenaza ofensiva que el modelo refleja mediante una elevada probabilidad de encajar.
Después de recuperar, esa amenaza disminuye y aparece una nueva oportunidad de ataque. VAEP registra ambos efectos desde la perspectiva del equipo que recupera, siempre que el modelo represente correctamente el cambio de posesión.
Esa representación se resuelve con una regla concreta. Cuando la acción anterior pertenece al rival, la probabilidad previa de marcar del equipo que recupera equivale a la probabilidad de encajar que el modelo asignaba al rival en ese estado, y a la inversa. Así, la amenaza que el rival generaba antes de la intercepción se convierte en el punto de partida del cálculo defensivo, y la recuperación recibe crédito por neutralizarla. Además, la implementación de referencia reinicia a cero esas probabilidades previas cuando la acción anterior fue un gol o han pasado más de diez segundos entre ambas acciones, para no arrastrar valor de una jugada ya terminada.
| Acción | Probabilidades antes y después | Cálculo | Resultado VAEP |
|---|---|---|---|
| Pase progresivo |
Marcar 2 % → 5,5 % Encajar 1 % → 1,2 % |
ΔP(marcar) = 0,055 − 0,020 = +0,035 ΔP(encajar) = 0,012 − 0,010 = +0,002 VAEP = 0,035 − 0,002 |
+0,033 |
| Recuperación | Disminuye el riesgo de encajar y aumenta el potencial ofensivo | Se aplica la misma fórmula desde la perspectiva del equipo que recupera, tras el cambio de posesión | Positivo, según las probabilidades estimadas |
Un VAEP positivo indica una mejora del balance esperado, mientras que uno negativo refleja una pérdida de valor. Los resultados cercanos a cero corresponden a acciones que apenas modifican las probabilidades, aunque mantengan su utilidad táctica.
Así, VAEP distingue el éxito de una intervención de su contribución cuantitativa al rendimiento colectivo.
Cómo utilizar VAEP en el análisis del rendimiento y el scouting
VAEP transforma el valor individual de las acciones en indicadores que ayudan a evaluar el rendimiento de los futbolistas y detectar perfiles de interés para los departamentos deportivos. Al agregar los resultados de diferentes partidos, los analistas identifican qué jugadores generan mayor impacto y mediante qué intervenciones contribuyen al rendimiento colectivo.
Para trasladar estas estimaciones al análisis profesional, conviene utilizar diferentes criterios de comparación:
- VAEP por 90 minutos: Normaliza el valor acumulado según el tiempo disputado y facilita la comparación entre futbolistas con distinta participación. Sin embargo, exige muestras suficientes para evitar conclusiones condicionadas por actuaciones aisladas.
- VAEP por tipo de acción: Descompone la contribución individual en pases, conducciones, recuperaciones e intercepciones. Esta segmentación permite distinguir futbolistas que generan ventajas ofensivas de aquellos que destacan por reducir amenazas defensivas.
- Comparaciones por posición: Agrupa jugadores con responsabilidades tácticas similares para evaluar su rendimiento en condiciones comparables. Un central y un extremo desempeñan funciones diferentes, por lo que sus valores requieren una interpretación ajustada al modelo de juego.
- Scouting avanzado: Facilita la identificación de jugadores que aportan valor mediante intervenciones poco visibles en las estadísticas tradicionales, como pases anteriores a una asistencia o recuperaciones que neutralizan ataques peligrosos.
La interpretación de VAEP exige considerar la calidad de los datos, el contexto táctico y las características del rival. Además, los modelos basados en eventos no capturan completamente movimientos sin balón, coberturas o comportamientos colectivos que condicionan el rendimiento.
Más allá de estas cautelas, el rating por 90 minutos sigue siendo la referencia operativa para comparar futbolistas. Se obtiene sumando el VAEP de todas las acciones del jugador y normalizando el resultado según los minutos disputados.
Ese total gana profundidad cuando se separa la componente ofensiva de la defensiva, ya que un mismo valor esconde perfiles muy distintos, desde un mediocentro que suma con recuperaciones hasta un extremo que lo hace con conducciones hacia el área. Para entender por qué el modelo valora una acción de una manera concreta, herramientas de interpretabilidad como SHAP muestran qué variables han pesado más en cada estimación. Ese análisis también ayuda a detectar sesgos, como la tendencia a premiar las acciones cercanas al área rival frente a las que inician el juego desde atrás.
Dominar estas metodologías requiere combinar conocimiento futbolístico, análisis de datos y modelos predictivos. El Máster en Inteligencia Artificial aplicada al Deporte de Sports Data Campus profundiza en estas competencias, incorporando machine learning, métricas avanzadas y aplicaciones de Inteligencia Artificial al análisis del rendimiento y el scouting.
Rellena el siguiente formulario del Máster en Inteligencia Artificial Aplicada al Deporte para prepararte para aplicar IA y análisis de datos al deporte
