Los modelos de fútbol se apoyan en cuatro tipos de datos: los goles esperados (xG), la forma reciente, los indicadores de juego (posesión, tiros, duelos) y las cuotas del mercado. El límite viene del propio deporte. Se marcan pocos goles, y la investigación muestra que cuantos menos eventos decisivos tiene un deporte, más pesa el azar en el resultado.
Qué miran los modelos en el fútbol
En los trabajos sobre fútbol aparecen siempre las mismas cuatro familias de datos. Ninguna la inventó la IA. Lo que aportan los modelos es poder cruzarlas con volúmenes enormes.
| Familia | Qué recoge | Dónde se queda corta |
|---|---|---|
| Goles esperados (xG) | La calidad de las ocasiones creadas y concedidas | No dice nada de la puntería real de una plantilla concreta |
| Forma reciente | La dinámica de las últimas jornadas | Depende del nivel de los rivales ya enfrentados |
| Indicadores de juego | Posesión, tiros, duelos, presión | La relación con el resultado varía |
| Cuotas del mercado | La información que ya han agregado los operadores | Ata el modelo al consenso que debería evaluar |
Fíjate en la última fila. Muchos trabajos meten las cuotas como variable de entrada, porque condensan información difícil de reconstruir de otra manera. El precio es entonces punto de comparación y dato del modelo a la vez. Cuando veo un modelo que "discrepa" del mercado, esta es la fila que miro primero: si las cuotas ya van dentro, la discrepancia pesa menos de lo que parece.
Esta página se queda en el fútbol: xG, pocos goles, peso del empate. Para la IA aplicada a los pronósticos en todos los deportes, tienes IA y pronósticos deportivos.
El xG y lo que no te cuenta
Los goles esperados estiman la probabilidad de que una ocasión acabe en gol, según su posición, cómo se ha gestado y el contexto de la jugada. Si los sumas a lo largo de un partido, obtienes una medida del rendimiento ofensivo y defensivo que no depende del marcador final.
¿Para qué sirve? Sobre todo para corregir cómo lees un resultado. Un equipo que gana 1-0 con 0,4 de xG frente a 2,1 no ha hecho el mismo partido que otro que gana 1-0 con 2,3 frente a 0,5.
Los límites están igual de claros. El xG es una media construida sobre un historial amplio. No conoce la puntería de un jugador concreto. Y en un solo partido, la distancia entre goles esperados y goles marcados sigue siendo enorme.
Por qué el fútbol se resiste a los modelos
En el fútbol hay pocos eventos decisivos, así que el azar pesa mucho.
Bunker y Susnjak firman una revisión que reúne más de veinte años de trabajos sobre predicción de resultados en deportes de equipo. En este punto son claros. Dos datos, verificados en el texto de la revisión:
- el fútbol es el deporte más estudiado de todo el corpus y, aun así, la mejor precisión registrada llega al 78 %, lo que lo deja solo en quinta posición entre los deportes comparados;
- algunos deportes mejor clasificados, como el rugby XV, deben parte de su ventaja a competiciones menos equilibradas. La revisión insiste en que la profundidad de la competencia pesa al menos tanto como el deporte en sí.
La revisión recoge también trabajos según los cuales el azar puro puede decidir el desenlace de hasta el 18 % de los partidos de una temporada. Casi uno de cada cinco.
Ojo con esto. Son cifras de investigación sobre predicción de resultados. No son una tasa de acierto que puedas aplicar a una apuesta. Una apuesta se juzga frente a una cuota y su margen, no frente a un porcentaje de respuestas correctas. Yo leo esas cifras como el techo que impone el deporte, no como el resultado de ningún método.
Juego responsable: un modelo no elimina el riesgo. Las apuestas deportivas conllevan un riesgo de pérdida económica. Fíjate un presupuesto, no intentes recuperar lo perdido y usa las herramientas de límites y autoexclusión disponibles. ¿Necesitas hablarlo? La línea de FEJAR, 900 200 225, es gratuita y anónima. Más información sobre el juego responsable.
El empate, un caso aparte
El fútbol es de los pocos deportes grandes con un tercer resultado posible, y es el más difícil de modelizar.
Un empate no tiene firma estadística propia. No indica dominio ni desequilibrio. Es un equilibrio, y puede salir de configuraciones muy distintas. Varios trabajos de la literatura esquivan el problema trabajando con dos clases en lugar de tres. La precisión que muestran sube de forma mecánica, sin que nadie entienda mejor el partido.
Así que, cuando una herramienta te dé una cifra, mira sobre cuántos resultados se ha medido. Una precisión sobre dos resultados y otra sobre tres no se comparan.
Lo que aporta la IA al fútbol y dónde se para
¿Qué hace bien? Digerir temporadas enteras de datos, comparar indicadores de un partido a otro con el mismo criterio y seguir sin descanso lo que hacen las cuotas. También puede estimar una probabilidad por resultado, con un margen de error que sigue siendo grande en un deporte de pocos goles. El resultado de un partido no lo conoce. Su marcador exacto, menos todavía.
Ese último límite condiciona cómo presenta las cosas OddScore. El punto de partida son las cuotas de varias casas, sin margen, y cómo evolucionan. La señal de 0 a 100 y la lectura IA resumen lo que dice el mercado. No te dicen cómo acabará el partido.
Esta página se queda en datos y modelos. Para el método de análisis humano de un partido (mercado 1X2, peso del empate, calendario), mira pronóstico de fútbol. Los mercados que la plataforma sigue de verdad están en cuotas de fútbol.
Volver a la guía de IA y pronósticos deportivos →
Volver a la guía completa de pronósticos deportivos →
Ponerlo en práctica
Aplica esta guía a cuotas reales.
Ver una lectura de mercado
Un partido real con sus cuotas, sus movimientos y su señal 0-100.
Abrir la demoCalculadora de margen
Mide el margen de una casa de apuestas en cualquier mercado.
Calcular el margenExplora el mercado
Los movimientos de cuotas son solo una parte de la historia. Estos son los próximos temas que conviene leer.
IA y pronósticos deportivos
Qué puede hacer la IA con los datos y por qué nunca se convierte en certeza.
Entender el papel de la IAPronóstico de fútbol: cómo analizar un partido
El mercado 1X2, el peso del empate, la forma y el calendario.
Ver la guía de fútbolModelos Poisson y xG en el fútbol
Cómo un modelo estadístico pasa de los xG a probabilidades de resultado.
Ver los modelosCuotas de fútbol: los mercados que sigue OddScore
El 1X2, más/menos goles y las competiciones cubiertas.
Ver los mercadosPronósticos deportivos: analizar antes de apostar
La guía completa: datos, cuotas, fiabilidad, sesgos y el papel de la IA.
Leer la guíaLos límites de los pronósticos con IA
Datos incompletos, cajas negras y demasiada fe en una cifra que parece precisa.
Ver los límitesPreguntas frecuentes
¿Puede un modelo de IA predecir un resultado exacto?
No es realista. Como mucho, un modelo estima una distribución de marcadores posibles, y hasta el más probable se queda con una porción pequeña.
¿Qué es el xG y para qué sirve?
Los goles esperados miden la calidad de las ocasiones que crea un equipo, no los goles que marca. Te ayudan a distinguir una buena actuación de un resultado sacado de dos o tres ocasiones.
¿Por qué es difícil modelizar el fútbol?
Porque en un partido pasan pocas cosas decisivas. La revisión de Bunker y Susnjak (2022) señala que los deportes de pocos goles dejan más espacio al azar, y eso limita la precisión de los modelos.
¿Se usan las cuotas como dato de entrada de los modelos?
A menudo, sí. Varios trabajos de la literatura las usan como variable porque concentran mucha información.
¿OddScore ofrece pronósticos?
No. OddScore compara las cuotas de varias casas de apuestas, les quita el margen y sigue cómo evolucionan. La lectura IA resume lo que dice el mercado, por ejemplo el lado que favorece o la línea que espera. No es una apuesta que seguir, y OddScore no da consejos de apuesta.
Fuentes y metodología
Detrás de esta página hay una revisión académica sobre predicción de resultados en deportes de equipo con aprendizaje automático, una revisión sistemática reciente sobre aprendizaje automático en las apuestas deportivas y, para el marco español, la Dirección General de Ordenación del Juego y la FEJAR.
- Reproducir las precisiones tal como las publica la revisión, deporte por deporte.
- No presentar nunca la precisión de un modelo académico como una tasa de acierto aplicable a una apuesta.
- Separar la estimación de una probabilidad de la elección de un resultado.
- Señalar como preprints los trabajos que aún no han pasado revisión por pares.
- Bunker, R. & Susnjak, T. (2022). The Application of Machine Learning Techniques for Predicting Match Results in Team Sport: A Review. Journal of Artificial Intelligence Research, 73, 1285-1322.
- Galekwa, R. M., Tshimula, J. M., Tajeuna, E. G. & Kyandoghere, K. (2024). A Systematic Review of Machine Learning in Sports Betting: Techniques, Challenges, and Future Directions. Preprint arXiv 2410.21484 (no revisado por pares).
- DGOJ: Juego seguro
- FEJAR: Federación Española de Jugadores de Azar Rehabilitados