Scout

Un ranking, no una nota. Mezcla 60% el pronóstico α y 40% la calidad z, cada parte medida en desviaciones típicas dentro de su puesto — un +2.0 es dos desviaciones por encima del jugador medio de su posición.

Solo puntúa a quien rinde por encima de la media de su liga y su puesto (z ≥ 0.5). Sin ese suelo el ranking se llena de chicos baratos que aún no juegan bien.

Antes era mitad calidad y mitad ganga, y el resultado eran jugadores de 28 años en cuartas divisiones: baratos de verdad, inútiles de verdad.

α 12 meses

Cuánto esperamos que cambie su valor de mercado en un año, en porcentaje. Sale de un modelo entrenado sobre 89.983 jugador-temporadas con su rendimiento, la dificultad de su liga, la edad, el precio de partida, la fuerza de su club y sus partidos de copa internacional.

Validado fuera de muestra como se debe: se entrena hasta 2023 y se prueba en 2024 en adelante, con jugadores que el modelo no vio. Correlación de rango 0.72 sobre 43.800 casos.

Es una estimación, y en ligas nuevas acierta menos (0.66 frente a 0.77 en las de siempre).

Y está calibrado por cobertura de datos. Medido fuera de muestra, el modelo crudo prometía de más justo donde menos datos hay: en ligas con cobertura <60% pronosticaba +29% donde se cumplió +16%, y en el decil alto — donde vive el ranking de scout — prometía +33pp de más, mientras a las ligas bien cubiertas les escatimaba. Por eso el top de scout se llenaba de ligas flojas. Cada banda de cobertura se recalibra ahora contra lo que esa banda cumplió de verdad: la promesa de una liga a medio cubrir vale ×0.74, la de una cubierta del todo ×1.08. Tras el ajuste, el exceso queda en ~0 en las cuatro bandas.

★ Mejor del partido

Cuántas veces fue el mejor valorado de los 22 en la cancha esta temporada. SofaScore no publica ese premio como dato: se lo lleva la nota más alta del encuentro, y las notas partido a partido ya las teníamos, así que esto es aritmética sobre lo nuestro, no una fuente nueva.

Mide algo distinto de la z: correlacionan 0.57. La z es constancia, esto son picos. Sobre 89.983 jugador-temporada vale t=+22.6 por encima de calidad, edad, precio y año — de 0 premios a 9 o más, el valor pasó de +14% a +45%.

No mejora el pronóstico: al meterlo al modelo el IC se movió de 0.7232 a 0.7234. El modelo ya sacaba esa señal de otras variables. Está aquí porque se entiende de un vistazo, no porque añada precisión.

Perfil por áreas

Cada eje es el promedio de los percentiles que tenemos para esa área, medidos dentro de su familia de posición y contra las 147 ligas. El problema es que no todas las ligas publican las mismas métricas: la Primera Federación da una de las tres de Finalización, la Premier las tres.

Y promediar una métrica no es lo mismo que promediar tres. Con una alcanza un buen número para llegar a 99; con tres hacen falta tres. Sin corregirlo, el 9,7% de los jugadores con una sola métrica llegaba a 90 o más en Finalización, contra el 0,2% de los que tenían tres — no porque fueran mejores, sino porque su promedio no se diluía. Los completos salían castigados.

Ahora cada jugador se ordena contra los demás medidos con sus mismas métricas, dentro de su familia de posición. Así el 90 quiere decir lo mismo en todos lados: el 10% de arriba entre quienes se miden igual.

No lo elegimos a ojo. En las ligas que publican todo sabemos la respuesta, así que tapamos dos de cada tres métricas justo en las ligas más flojas —que es como la cobertura falla de verdad— y miramos qué regla recupera el número que habríamos dado con información completa. Sobre cinco categorías y 106.000 jugadores, ordenar dentro del grupo fue lo único que dejó las colas parejas en las cinco (10,0% contra 10,0%), y en Defensa fue además lo que mejor reprodujo el orden real entre ligas (error 0.022 contra 0.294 de no corregir nada).

Lo que cuesta: dentro de una categoría, las diferencias de nivel entre grupos de cobertura se aplanan — en Defensa el grupo cegado queda 5,2 puntos por debajo de su verdad. Calibrar el desplazamiento en vez de ordenar recupera eso (sesgo +0,5) y acierta mejor jugador por jugador, pero deja al de liga pobre en un 0,7% de llegar a 90 contra el 17,2% del resto: le devuelve el techo, que es el bug del que veníamos. Para un número que se compara entre fichas preferimos que signifique lo mismo en todas.

✚ Días de baja

Días perdidos por lesión en los últimos dos años, del historial de Transfermarkt, con el tipo de la lesión más larga. Cubre a los 15.167 jugadores de la plataforma.

Lo que cuesta una lesión lo medimos sobre 45.538 jugador-temporada, y la comparación honesta es lesionado contra lesionado: quien tiene cero días fuera puede estar sano o puede no estar jugando, y mezclarlos hace que un golpe corto parezca que suma. Entre los que sí se lesionaron, duplicar los días fuera cuesta −3,6% del valor del año siguiente (t=−12,4). Contra una baja de un mes o menos: 1-3 meses −6,3%, 3-6 meses −12,7%, más de medio año −15,9%.

Tampoco entra al modelo: el IC pasa de 0.7581 a 0.7590. Los minutos ya están dentro y no jugar es el canal de la lesión — con minutos en la regresión, el efecto de los +6 meses se desploma de −7,9% a −0,1%. Y no explica nuestras peleas con el mercado: la mediana es de 0 días en todas las bandas de brecha, y entre las 300 brechas más grandes hay un 13,0% con cuatro meses perdidos contra un 10,5% del resto. Es un dato para leer, no un descuento al precio.

z · calidad

Su nota media de SofaScore, convertida a desviaciones típicas dentro de su propia liga, temporada y posición. Un 7.2 no significa lo mismo en la Premier que en la segunda peruana; esto lo pone en la misma escala.

Antes de estandarizar le descontamos la calidad de su club, porque de lo contrario un buen portero en un equipo de descenso salía castigado por los goles que le meten y un mediocre en el campeón salía premiado.

Valor justo y brecha

El valor justo es lo que su perfil justifica cobrar hoy: calidad, dificultad de liga, edad (curva suave, no tramos), minutos, goles y asistencias, fuerza del club, años de contrato restantes, ser extranjero en su liga, pasaporte de país exportador, y la altura donde el mercado la paga (porteros y centrales). R² — sobre — jugadores de hoy.

La brecha es la diferencia con el precio de Transfermarkt. +50% quiere decir que el mercado lo paga un 50% por debajo de lo que el perfil justifica. Se re-centra contra el puesto mejor pagado que sabe jugar: un extremo que también juega de enganche se compara con enganches.

Validada donde importa: sobre el panel histórico, los jugadores del decil más infravalorado subieron al año siguiente y los del más sobrevalorado bajaron, en los diez deciles sin saltos. Pero no predice que un club pague de más sobre el precio de lista — eso lo probamos contra traspasos reales y no aguanta.

Un solo modelo, y por qué. Cada dato nuevo que llegó —altura, versatilidad, posición fina, mejor del partido, lesiones, y las métricas avanzadas de FotMob (recuperaciones, presión, bloqueos)— pasó por la misma prueba: ¿mejora la capacidad de la brecha para anticipar lo que el mercado hace después, fuera de muestra? Todos mejoran el ajuste al precio de hoy; ninguno mejoró la predicción, FotMob incluido (IC 0,359 sin, 0,352 con, sobre 7.783 jugador-temporadas históricas). Así que se muestran como dato en la ficha y no entran al modelo. Sólo el contrato y el pasaporte entraron, y porque el mercado los paga.

El tope de €60M — a quién NO tasamos. No hay valoración para jugadores de más de €60M, y no están en el Explorador: arriba de ese precio, el valor de mercado es marketing, escasez y cláusulas — cosas que este modelo no mide. Y la historia no alcanza para calibrar: en 98.000 jugador-temporadas no hay ni un caso de ≥€30M al que el modelo llamara sobrevalorado un 40% y se pueda comprobar qué pasó, y las señales de compra en €60–100M acertaron el 13% — peor que una moneda. Antes que inventar un número para Bellingham, nos callamos. Nuestro terreno es el mercado donde compra un club real: de €0 a €60M. Entre €15M y €60M el jugador se muestra, pero una brecha negativa se explica en vez de afirmarse (la prima de estrella no está en la regresión).

Una brecha de +200% no significa lo mismo a los 19 que a los 31, y la probabilidad que la acompaña lo sabe: el modelo de certeza recibe la brecha junto con la edad y el precio, y devuelve lo que una brecha así, en ese perfil, hizo después. En un sub-22 barato P(sube) suele pasar del 80%; pasados los 30, con la misma brecha, cae por debajo del 20%. Ni topes ni tablas: la misma probabilidad para todos, calibrada.