El problema que todos ignoramos

Los analistas de fútbol se vuelven locos con el xG, pero la realidad golpea duro cuando la teoría se encuentra con la cancha.

Datos que no mienten, pero sí engañan

Un modelo que convierte cada tiro en una probabilidad suena perfecto, pero olvida que los jugadores no son robots; la presión, el clima, la suerte, todo eso se escapa del algoritmo.

Variables externas fuera del radar

Mirá, la humedad de la tarde de Buenos Aires o el polvo de la arena de Doha pueden cambiar la trayectoria de un balón más que cualquier coeficiente estadístico. El xG no lo captura.

Sobreajuste y su trampa mortal

Cuando entrenas el modelo con datos de la última temporada, terminas con una bestia que solo funciona en ese contexto. El sobreajuste es como un jugador que solo rinde en su propio estadio.

Sesgo de selección

Los partidos que aparecen en los datasets son los que tienen datos completos. Los encuentros con menos cobertura quedan fuera, y ahí se esconden muchas anomalías.

Interpretación errónea del valor

Muchos confunden xG con goles reales. Es una expectativa, no una garantía. Decir que un equipo “debería” ganar por 1.8 xG y luego criticar al entrenador es una falacia.

El factor humano

Los árbitros, los entrenadores, la motivación del equipo: nada de eso entra en la ecuación. El modelo ignora la psicología del juego.

Cómo mitigar los límites

Aquí está el trato: combina xG con análisis de video, incorpora métricas de presión y usa la intuición del scouting. No te quedes solo con la cifra.

Y aquí es por qué deberías revisar los límites del modelo de xG antes de lanzar cualquier predicción.

En la práctica, ajusta el modelo cada temporada, descarta outliers y mantén la mente abierta a los factores que no aparecen en la tabla.