Mi primer año apostando con estadísticas fue un desastre. No porque los datos fueran malos, sino porque usaba los equivocados. Apostaba basándome en la posesión de balón, que resulta ser uno de los indicadores más sobreestimados del fútbol para predecir resultados. Un equipo puede tener el 70% de posesión y perder 0-1 contra un rival que le ha lanzado tres contraataques letales. Lo que necesitaba no era más datos – era mejores datos y la capacidad de distinguir los útiles de los decorativos.
Fuentes gratuitas y de pago de estadísticas de fútbol
El fútbol representa alrededor del 35% del mercado global de apuestas deportivas, y la cantidad de datos disponibles para analizarlo ha explotado en la última década. El problema ya no es encontrar datos sino filtrar los relevantes.
Entre las fuentes gratuitas, FBref es la más completa para las cinco grandes ligas europeas y muchas competiciones adicionales. Ofrece xG por partido, tiros, posesión, pases progresivos, presión alta y decenas de métricas avanzadas. Understat se especializa en xG y permite filtrar por situación de juego – goles de jugada abierta, contragolpe, balón parado. Transfermarkt cubre valores de mercado, historial de lesiones y datos de plantilla. FotMob ofrece resúmenes de partido con xG y estadísticas clave en una interfaz móvil accesible.
Las fuentes de pago añaden profundidad. StatsBomb ofrece datos de tracking con posiciones de jugadores y eventos a nivel de fotograma. Opta (propiedad de Stats Perform) es el proveedor que usan la mayoría de medios y operadores para sus modelos. WhoScored y Sofascore ofrecen planes premium con filtros avanzados y acceso a ligas menores. El coste varía desde 10-20 euros mensuales para plataformas intermedias hasta miles de euros anuales para acceso API directo a proveedores como Opta o StatsBomb.
Mi recomendación para un apostador que empieza: FBref y Understat cubren el 80% de lo que necesitas sin coste alguno. Si después de una temporada de uso disciplinado quieres más granularidad, las opciones de pago justifican la inversión.
Métricas clave: posesión, tiros a puerta, xG y presión alta
No todas las métricas son iguales para predecir resultados. Después de años cruzando datos con resultados de apuestas, he clasificado las métricas en tres categorías: las que predicen, las que complementan y las que engañan.
Las que predicen: xG (goles esperados) es la métrica más potente para mercados de goles – over/under, BTTS. La diferencia entre xG generado y xG concedido te da el «xG neto», que correlaciona fuertemente con la posición en la tabla a medio plazo. Las apuestas en vivo representan más del 62% del mercado de apuestas online, y el xG en tiempo real durante un partido es la métrica más valiosa para decisiones en directo.
Las que complementan: tiros a puerta, entradas en el área rival, pases progresivos y centros al área son métricas que enriquecen el análisis pero que por sí solas no predicen resultados de forma fiable. Son útiles como indicadores de estilo de juego: un equipo que genera muchas entradas en el área es un buen candidato para mercados de over, independientemente de si ha marcado o no en partidos recientes.
Las que engañan: posesión de balón, pases totales y tasa de acierto en el pase son métricas que suenan bien pero que tienen una correlación baja con el resultado del partido. Un equipo puede dominar estas métricas y perder sistemáticamente. Son más indicadores de estilo que de rendimiento. Usarlas como base para apostar es un error que he visto en muchos modelos amateur.
La presión alta – el porcentaje de secuencias defensivas que empiezan en el tercio ofensivo del campo – es una métrica relativamente nueva que me ha resultado útil para identificar partidos con potencial de goles. Dos equipos con pressing alto generan partidos abiertos, con transiciones rápidas y más ocasiones de gol. El mercado no siempre lo recoge porque es una métrica que el apostador medio no consulta.
Cómo interpretar los datos sin caer en la ilusión estadística
El mayor peligro de las estadísticas no es la falta de datos sino su exceso. Cuando tienes acceso a 50 métricas por equipo y partido, es fácil encontrar una combinación que «explique» un resultado pasado pero que no tenga ningún poder predictivo. Es lo que en estadística se llama sobreajuste: el modelo se adapta al ruido en lugar de a la señal.
Mi regla para evitar la ilusión estadística es la del «por qué causal». Para cada métrica que uso, necesito poder explicar por qué debería predecir el resultado. Un xG alto predice goles porque mide la calidad de las ocasiones – la relación causal es clara. Un número alto de saques de banda no predice nada porque no hay mecanismo causal entre sacar de banda y ganar un partido. Si no puedes explicar la causalidad, la correlación estadística que hayas encontrado es probablemente espuria.
Otra trampa habitual es el tamaño de muestra insuficiente. Cinco partidos no son suficientes para establecer una tendencia estadística fiable. Necesitas al menos 10-15 partidos para que la media de xG de un equipo sea representativa, y más de 20 para métricas más volátiles. Apostar basándote en los datos de las 3 últimas jornadas es apostar basándote en ruido.
También presto atención al contexto de los datos. Las estadísticas de un equipo contra rivales del top-5 no son comparables con sus estadísticas contra rivales del descenso. Promediar ambas sin ponderación distorsiona la imagen. Mi modelo separa los datos por quintil de rival – rendimiento contra equipos fuertes, medios y débiles – para obtener una predicción más ajustada al contexto del partido específico.
Las estadísticas de fútbol son la herramienta más poderosa que tiene un apostador, pero solo si las usas con criterio, paciencia y honestidad intelectual. El dato que contradice tu hipótesis es más valioso que el que la confirma, porque te protege de apostar con sesgos. Es el mismo principio que aplico cuando analizo señales en partidos en vivo: buscar la verdad del dato, no la confirmación de mi intuición.
