¿Cuánto “vale” un jugador o una jugadora de pádel? ¿Cuál es, más allá de la posición en el
ránking, la base de cálculo para negociar un contrato de patrocinio, o el cachet de una exhibición?
¿El grado de popularidad en redes sociales cuenta? Si es así ¿cómo medimos eso? ¿Un jugador
o una jugadora profesional, a la hora de elegir compañero o compañera, tendría más chances de
éxito -en términos de lograr los mejores resultados posibles de acuerdo al resto de las parejas- si
recurriera al data analytics y a la IA? ¿Un equipo o selección aumentaría sus chances de éxito con
una estrategia de conformación que sea data driven? ¿Dentro del team de los padelistas
profesionales, habrá, más pronto que tarde, un analista de datos a la par de fisios, nutricionistas,
psicólogos y entrenadores? ¿Y en las federaciones nacionales y clubes que compiten por equipos,
ocurrirá lo mismo, o esto es aún un futuro lejano? Finalmente, ¿cuáles son las implicancias éticas,
jurídicas y prácticas de todo esto, y cómo mantener un deporte “justo” y la igualdad entre los
deportistas?
Estamos en un tiempo que se caracteriza por las paradojas: por un lado, asistimos -como sostiene
Marcelo Gantman en su muy interesante libro “El final del Deporte como lo conocimos” (2022)- a
la irrupción de la tecnología y los datos como nuevos condimentos de la práctica deportiva. Por
otro lado, expertas como Rebeca Hwang -líder mundial en el área de la Inteligencia Artificial-
hablan de que el activo más valioso de las personas de cara a un futuro muy cercano impregnado
de IA será la capacidad de conectar con otras personas y de generar emociones en otras
personas, cosas ambas en las que la práctica deportiva, y en definitiva los deportistas, tienen
garantizada la vigencia.
Es decir: los y las deportistas no serán reemplazados por robots porque lo que nos entregan en su
“trabajo” nos llega hasta la fibra más íntima como seres humanos. La reconversión laboral en el
ámbito deportivo dejará a salvo, parece, a los profesionales deportivos, al menos a los y las que
corren detrás de alguna pelota, en deportes físicos y deportes de equipo. (En el ajedrez, los
algoritmos de aprendizaje profundo -deep learning, según su denominación en inglés- hace rato
que no solo sirven para mejorar el entrenamiento de jugadores y jugadoras sino que son, lisa y
llanamente, los rivales a vencer. Para más info, ver más).
Fuera de eso, es preciso decir que TODO lo demás, relativo al mundo deportivo, será (es)
inexorablemente atravesado por la IA, incluso en maneras que aún ni siquiera podemos imaginar.
Atrás, muy atrás, quedaron en Argentina revistas maravillosas sobre el deporte en general, como
EL GRÁFICO -en pádel podemos nombrar a 20&10 y PADDLE MAGAZINE, solo por citar
algunas-, programas de televisión memorables como EL DEPORTE Y EL HOMBRE y DEPORTE
EN ACCIÓN, y también quedó en el olvido lo de esperar con ansias los VHS que se mandaban al
país desde Estados Unidos con partidos de la NBA o de los torneos de tenis, que se veían en
diferido, solo por hacer a vuelo de pájaro un pequeño rescate emotivo mientras a los y las +50 se
nos pianta un lagrimón. Si bien ESPN, grupo de canales especializados en deporte que llegó a las
pantallas de Latinoamérica en 1989, aun resiste gracias a su reconversión y adaptación a las
tecnologías y dinámicas actuales, hoy mandan las redes sociales, el streaming, y Netflix, y el
deporte se consume 24/7 en toda clase de dispositivos. Y ni siquiera pensemos en partidos
completos: videos cortos con las mejores jugadas y videos filmados por los fans, que muestran
otros ángulos de las competencias, se viralizan en minutos y obtienen más visualizaciones que los
partidos en sí. (Como dato histórico de color, tanto ESPN como SPACE tuvieron programas
dedicados al pádel en la década de 1990 en Argentina: PADDLE SHOW (ESPN)
, y TIEMPO DE PADDLE (SPACE), entre otros).
La recolección y análisis de datos en el ámbito deportivo:
El título del artículo menciona al Método Moneyball y la Estrategia K. De Bruyne, y eso me lleva a
hacer primero una breve mención a la forma en que los DATOS (su recolección y su posterior
análisis para convertirlos en información útil) impactan en el ámbito deportivo. La recolección de
datos no es un fenómeno nuevo: lo que ha cambiado son las formas de recolección, y las
magnitudes de lo que se puede recolectar. Hemos pasado de métodos de tipo artesanal (planillas
a mano, luego al viejo pero jamás obsoleto Excel) a la captura masiva de datos provenientes de
fuentes múltiples y dispersas (conocido como big data). (Recomiendo la lectura del sencillo y claro
libro BIG DATA, de Walter Sosa Escudero, Siglo XXI Editores, para ampliar sobre este concepto).
También han variado los métodos para extraer información: del ojo humano, del olfato y la pericia
del analista deportivo o coach experimentado, a los algoritmos de IA que nunca se cansan, todo lo
saben o lo recuerdan -a la manera de un Funes el Memorioso versión tech-, y que son capaces de
procesar en escasos segundos más información que un humano en 100 vidas seguidas.
En esta galaxia de datos y en el afán de descubrir algo nuevo para sorprender al mundo
aparecen, claro está, disparates y “correlaciones espurias” (ver tylervigen.com/spurious-correlations), en el sentido de que correlación no siempre implica causalidad. Qué cosas aportan realmente valor gracias a los algoritmos y a lo que les pedimos, y cuáles no, es tema para otra nota. Baste aquí solo la mención de que más datos y más información no equivalen per se a mayor calidad informativa y mejores opciones de análisis en el campo del deporte. Es importante tener el presente el famoso principio G.I.G.O.: Garbage In, Garbage Out, que se traduce como “si entra basura, sale basura”. Lo importante entonces más que el big data es el Smart data, los datos útiles.
El Método “Moneyball”:
La película MONEYBALL (2011, basada en hechos reales) muestra cómo el coach de un equipo
de béisbol (Billy Beane, interpretado por Brad Pitt) desafía los métodos tradicionales de lógica de
las contrataciones en las distintas franquicias, basados en el buen ojo del reclutador, y los
reemplaza -con mucha resistencia inicial- por datos matemáticos y análisis estadístico avanzado.
Una excelente muestra de que el verdadero valor de un deportista a veces es subestimado (o
directamente pasado por alto) si nos basamos en lo que vemos o intuimos, pero no en datos puros
y duros. Esto adquiere dimensiones mayores en deportes de equipo de muchos jugadores, donde
la especialización es clave y donde hay puestos que opacan a otros (como el Quarteback o
Mariscal de Campo en fútbol americano, el Apertura en rugby, o el “10” en el fútbol), pero que
necesitan de muchas habilidades “invisibles” del resto de los puestos para poder lucirse. Así, la
visión de Beane abrió una puerta a la diversidad y a la inclusión. La conclusión de la película
podría ser esta: Ciencia y datos matan ojo de buen cubero/reclutador. Más adelante ensayaré
cómo sería aplicar la lógica Moneyball al pádel.
La “Estrategia Kevin De Bruyne”:
Más acá en el tiempo, y como una suerte de evolución de lo anterior, nos encontramos con la que
denominé “Estrategia DE BRUYNE”. En abril de 2021, el futbolista belga Kevin De Bruyne pateó el
tablero durante su renegociación contractual con el equipo de fútbol inglés Manchester City:
contrató a un grupo de analistas de big data que ponderaron su rendimiento en relación al resto de
los jugadores de su puesto. Los resultados arrojaron que De Bruyne estaba muy por encima de
todos en las facetas relevantes de su puesto, y que sus aportes eran muy relevantes para el
equipo. Acompañado solamente por su papá, usó también esta circunstancia para demostrarle al
club que se estaban ahorrando el dinero que corresponde tradicionalmente al representante y que,
en definitiva, un aumento “solo” del 30% era una oferta justa y que no se podía rechazar. Les dio
vuelta la tortilla con inteligencIA, de eso no cabe duda.
Imaginemos ahora llevar esta estrategia al pádel, e intentemos responder algunas de las
preguntas del párrafo introductorio.
IA y Data Analytics aplicadas al pádel:
Los deportes en general, han entrado en una era de decisiones data driven: entrenadores,
jugadores, patrocinadores y empresarios toman decisiones estratégicas basándose en datos. La
intuición y las creencias ceden su lugar al análisis y la interpretación de datos. Esta tendencia ya
está presente en el mundo del pádel, y mencionaré dos ejemplos: la plataforma PADELTRAIN padeltrain.com ofrece distintos servicios de Data Analytics para clubes, jugadores
amateurs y jugadores profesionales, y GAMETRAQ https://www.gamecam.se/gametraq es una
cámara de IA avanzada que puede producir servicios de streaming en vivo de alta calidad y
simultáneamente seguir y contabilizar los movimientos de los jugadores, incluyendo análisis de
tiros y posiciones en pista (analítica en tiempo real).
Este nuevo paradigma superador presupone que los datos recolectados son fiables, de calidad y
claros; caso contrario, los outputs (resultados) serán de mala calidad, por el ya mencionado
principio G.I.G.O.
Es importante tener en cuenta que el pádel es un deporte de equipo, pero un equipo “corto”, de
solo 2 integrantes. Los datos en pádel pueden englobar por un lado estadísticas individuales de
cada jugador y, por otro, el desempeño de cada pareja (la propia, y el resto de las parejas que
sean relevantes en cada caso, entendidas como parejas rivales en un circuito o competencia
determinada). Y también se puede estimar el rendimiento hipotético de una pareja que nunca ha
jugado junta.
En base a lo anterior, analicemos ahora los interrogantes mencionados en la introducción:
• ¿Cuánto “vale” un jugador o una jugadora de pádel? ¿Cuál es, más allá de la posición en
el ránking, la base de cálculo para negociar un contrato de patrocinio, o el cachet de una
exhibición? El ejemplo perfecto de negociar con el as del big data bajo la manga es, a mi
entender, la ESTRATEGIA DE BRUYNE. Claro que esto requiere una inversión previa en
profesionales de data analytics por parte del jugador o jugadora, pero el ROI (return of
investment, retorno de la inversión) tiene chances de ser muy alto. No olvidemos que cada
jugador o jugadora es una marca en sí mismo, con lo cual invertir en algo que puede
multiplicar las posibilidades de ganar más dinero será siempre una excelente opción.
• ¿El grado de popularidad en redes sociales cuenta? Si es así ¿cómo medimos eso? En las
redes sociales, la forma en que cada jugador o jugadora se muestre a sí mismo puede
situarlo en un nivel de popularidad que no tenga que ver solo con los resultados o el éxito
deportivo en pista. Las redes posibilitan la auto-publicidad y que cada persona (deportista,
en este caso) defina cómo mostrarse ante el mundo. La IA es, por supuesto, un elemento
clave de las redes; son los algoritmos los que, de acuerdo a las publicaciones, menciones
y engagement de los seguidores, pueden elevar a determinadas personas a la categoría
de influencers, y abrirles las puertas a la monetización de esa popularidad. Actualmente las
marcas deportivas buscan, más que vender un producto, vender “modos de vida” y, en
esta nueva dinámica comercial, un deportista influencer puede tener iguales o incluso
mayores chances que los top de su disciplina de conseguir contratos publicitarios, por
ejemplo. De modo que la respuesta sería SI, cuenta, y esa popularidad se estima mediante
calculadoras como HYPE AUDITOR https://hypeauditor.com/es/ y SOCIAL TALK
https://socialtalk.io/ (que usan, claro está, IA). Como contracara en el mundo de la hiperconexión, la hiperexposición y la popularidad global -y que amerita un artículo
específico- la cuestión de los riesgos reputacionales que asumen las marcas con sus
patrocinios, al estar sus patrocinados hiperexpuestos. Esos riesgos pueden medirse con
plataformas como POLECAT https://www.polecat.com (sí, acertaste, basada en IA….todos
los caminos conducen a la IA…)
• ¿Un jugador o una jugadora profesional, a la hora de elegir compañero o compañera,
tendría más chances de éxito -en términos de lograr los mejores resultados posibles de
acuerdo al resto de las parejas- si recurriera al data analytics y a la IA? En principio diría
que sí; claro que, al tratarse de un deporte de equipo, el entendimiento con el compañero o
compañera requiere de un esfuerzo personal que la IA que solo analiza parámetros
deportivos y de rendimiento no puede medir, porque la sinergia* con un compañero
depende de una multiplicidad de factores. La IA que analiza el desempeño deportivo puede
estimar chances objetivas de éxito en cuanto a resultados, pero se le escapa el “detalle” de
cómo se amalgamarán las dos personalidades en pista. (En verdad esto también se podría
estimar, mediante un algoritmo que se ocupe de compatibilizar personalidades en pista en
base a análisis de emociones; se podrían hacer matcheos similares a lo que hace
Tinder…)
* Del griego synergos, trabajar juntos, cooperar para crecer
• ¿Un equipo o selección aumentaría sus chances de éxito con una estrategia de
conformación que sea data driven? Me atrevo a decir que sí, más allá de que tal vez en el
pádel no se vea como necesario el recurso a los datos en este sentido. Si se explora esta
opción, mucho dependerá de acuerdos institucionales previos en cuanto a la forma en que
se decidirá la integración de los equipos. Si hay estatutos, reglamentos, etc., que indiquen
un procedimiento específico -por ejemplo, guiarse por algún ránking, o un torneo selectivo
previo- habrá que adecuar esas normativas para contemplar decisiones basadas en datos.
Y luego, avanzar con la conformación de un team propio de data anlytics o la contratación
de alguna empresa que se dedique a ello. En ausencia de normativa específica para
seleccionar -por ejemplo, en casos de competencias privadas por equipos, como son la
NORTH AMERICA PRO PADEL LEAGUE https://propadelleague.com/es/ (EEUU), la
HEXAGON CUP https://www.hexagoncup.com/ (Europa) y la WORLD PADEL LEAGUE
https://wplworld.com/ (Asia)- el camino por supuesto es más sencillo. En cualquiera de los
dos casos, las estrategias de selección basadas en datos son un camino que sin duda
valdrá la pena explorar. En el caso de competiciones privadas, si se parte de un
presupuesto limitado para la contratación de jugadores, el MÉTODO MONEYBALL puede
aportar valiosa información y ayudar a equilibrar la cancha con equipos de mayor
presupuesto. Claro está que, a los fines del espectáculo, una franquicia puede optar por un
jugador o jugadora que esté por fuera del radar de la IA, por razones que exceden lo meramente deportivo, y de hecho eso es lo que ocurre en la actualidad. Un influencer como se menciónó en el item anterior…
• ¿Dentro del team de los y las padelistas profesionales habrá, más pronto que tarde, un analista de datos a la par de fisios, nutricionistas, psicólogos y entrenadores? ¿Y en las federaciones nacionales y clubes que compiten por equipos, ocurrirá lo mismo, o esto es aún un futuro lejano? En lo personal, considero que en poco tiempo ya no será un lujo sino una necesidad contar con analistas de datos como parte del staff de los jugadores y jugadoras profesionales, y también en los casos de jugadores menores con proyección al profesionalismo. Lo mismo, y vinculado al item anterior, en las federaciones o asociaciones nacionales y clubes que participen de competiciones por equipos.
Desafíos: cómo mantener un deporte “justo” y la igualdad entre los deportistas
Atrás, muy atrás, quedaron los tiempos retratados en la maravillosa película “Carrozas de Fuego”
(Chariots of Fire, 1981, basada en una historia real de dos atletas británicos que se entrenan para
participar en los Juegos Olímpicos de París 1924), donde Harold Abrahams, uno de los
protagonistas, contrata a un entrenador, desafiando las costumbres -y la ética del deporte olímpico
de entonces, vinculada al amateurismo- que marcaban que un atleta olímpico debía esforzarse
por sí mismo, sin ayuda, para intentar ganar.
Hoy es claro que la IA vino para quedarse y el mundo del deporte cada vez se sirve más de ella y
explora su potencial; hasta dónde queremos usarla, hasta dónde queremos guiar nuestro modo de
estar en pista en base a lo que nos dictan los algoritmos, dependerá de cada uno de nosotros. En
este nuevo escenario, también es crucial no perder de vista que el deporte debe garantizar una
competencia justa y una cierta igualdad de armas entre competidores lo cual, paradójicamente,
nos remite a los principios del olimpismo.
Es importante tener presente que a la IA se le dificulta medir las cualidades intangibles: los
números y los datos no pueden describir y reflejar realmente el IMPACTO de un jugador o de una
jugadora dentro y fuera de la pista. Y también se le escapan del radar los jugadores y jugadoras
con underdog mentality, esos que no eran favoritos y que llegan contra toda predicción, a fuerza
de empeño y dedicación. Punto para la Humanidad, y esto encierra en sí mismo una de las
maravillas del deporte, que es el poder de sorprendernos y emocionarnos a escala humana.
Para terminar, pero no por ello menos importantes, un par de temas que dejan mucha tela para
cortar y que ameritan artículos específicos:
• Desafíos éticos y de privacidad vinculados a la captación y gestión de datos personales en
ámbitos deportivos (datos biométricos, en muchos casos). A modo de ejemplo: la
posibilidad de hacer predicción algorítmica de la propensión de un jugador o jugadora a
lesionarse, y los profundos dilemas éticos -y jurídicos, por ejemplo, a la hora de negociar
contratos- que pueden suscitarse si trasciende dicha información.
• La vinculación de todo lo anterior (IA y big data) con las apuestas on-line en el mundo del
pádel y la elaboración de modelos predictivos
Claroscuros de la IA, que le dicen, y que se vinculan con el debate siempre vigente entre
innovación vs. regulación. Hasta la parte II.
