Expected Goals (xG) en Balonmano: La métrica que faltaba
El balonmano es un deporte vertiginoso, de alto volumen y márgenes finos. Sin embargo, seguimos analizándolo como hace 20 años: “5 goles de 8 intentos”. Pero, ¿eran tiros fáciles? ¿Eran situaciones forzadas?
Aquí es donde entra el xG (Goles Esperados), una métrica que transforma la intuición en ciencia.
De la intuición a la revolución: Breve historia del xG
El concepto de Expected Goals no nació ayer. Aunque sus raíces estadísticas se remontan a los años 50 con analistas pioneros como Charles Reep, la versión moderna que conocemos explotó en el fútbol alrededor de 2012-2013.
Analistas como Sam Green (Opta) comenzaron a demostrar que contar disparos era insuficiente; había que medir la calidad de esos disparos. Lo que empezó en blogs de nicho acabó transformando la Premier League y la Champions League. Hoy, ningún club de fútbol de élite ficha a un delantero sin mirar su xG.
El desierto del balonmano
Mientras el fútbol, el baloncesto (con el Moreyball) y el béisbol vivían su revolución de datos, el balonmano se quedó atrás. ¿Por qué?
- Complejidad: El balonmano es mucho más fluido que deportes como el béisbol.
- Escasez de datos: Hasta hace poco, no existía una cultura de registrar eventing detallado (coordenadas de tiro, tipo de defensa).
Sin embargo, estudios recientes como los de Mortelier et al. (2023) han demostrado que se pueden construir modelos predictivos muy precisos utilizando simplemente la posición del lanzamiento, sin necesidad de tecnologías de tracking extremadamente costosas. Esto valida científicamente que herramientas accesibles como Eventum pueden ofrecer datos de nivel profesional.
“El análisis avanzado ya no es una ventaja competitiva, es un requisito para no quedarse atrás.”
La Propuesta de Eventum: Precisión y Contexto
En Eventum, no solo adaptamos el xG al balonmano; lo hemos reconstruido pensando en la realidad de la pista.
Para calcular la probabilidad de gol (0 a 1) de cada acción, nuestro algoritmo cruza variables críticas:
- Tipo de Lanzamiento: Diferenciamos drásticamente entre una penetración, un lanzamiento exterior, un tiro de pivote o una contra en primera oleada.
- Geometría del Campo: La ubicación es el rey. Como muestra la ciencia, la probabilidad varía enormemente según la zona.
Visualizando la probabilidad
Observa cómo cambia la eficacia del lanzamiento según la posición en el campo. Los datos demuestran que las zonas centrales son “minas de oro” estadísticas, mientras que los ángulos cerrados reducen la expectativa drásticamente.
Figura: Ejemplo de distribución de probabilidades de éxito según la zona de lanzamiento (Fuente: Adams et al.). Observa cómo la probabilidad cae del 70% en la zona central de 6m al 44% en lanzamientos lejanos laterales.
Nuestro modelo penaliza los ángulos cerrados de los extremos y premia las zonas centrales, basándonos en datos históricos de miles de lanzamientos. Por ejemplo, estudios de shot density confirman que, aunque hay muchos tiros desde 9m, la eficacia se dispara al pisar la línea de 6m, donde el atacante a menudo encara al portero sin interferencia defensiva directa.
Inspiración y Ciencia: El Método Anselmo Ruiz
Nuestro modelo no es una caja negra. La base de datos y la metodología de cálculo están fuertemente inspiradas en el trabajo de investigación y análisis de Anselmo Ruiz (@anselmoraq). Su enfoque valida que el contexto del tiro (oposición, velocidad, ángulo) es determinante para el éxito a largo plazo.
Tu equipo, tu modelo
Sabemos que el balonmano no es matemáticas puras; es contexto. Por eso Eventum democratiza el análisis ofreciendo lo que nadie más da: Flexibilidad Total.
- Modelo Predeterminado: Usa nuestro algoritmo estándar, calibrado con miles de datos para ofrecerte una precisión inmediata.
- Modelo Custom: ¿Tu liga es diferente? ¿Crees que el xG desde el extremo derecho en categorías base es menor? Eventum permite a cada usuario personalizar los valores de xG, creando un modelo que se adapta a tu visión táctica.
Referencias para profundizar
Si quieres leer más sobre la ciencia detrás de la probabilidad de gol, te recomendamos buscar:
- Mortelier, A., Rioult, F., & Komar, J. (2023). “What data should be collected for a good handball Expected Goal model?”.
- Adams, M. et al. (2023). “Expected Goals Prediction in Professional Handball using Synchronized Event and Positional Data”.
- Gómez, M.A. et al. (2014). “Performance analysis of elite handball teams”.
Eventum es la herramienta que une la ciencia de datos con la pizarra del entrenador.