Datos crudos y su relevancia
Primero, nada de magia negra. Necesitas los eventos que el propio proveedor de datos registra: disparos, posición del balón, presión del rival. Cada punto es una pista. Aquí el detalle: el ángulo, la distancia, la parte del cuerpo que se usa. Cuanto más granular sea el registro, más fiable será el cálculo del xG. Y sí, la calidad del feed varía entre Opta y StatsBomb. No hay atajos, elige bien.
Modelos de probabilidad
¿Quieres precisión? Usa un modelo logístico. La fórmula es sencilla, pero la calibración no lo es. Ajusta los coeficientes con datos de la última temporada, no con los de 2015. Los pesos de distancia y ángulo son cruciales; el resto es ruido. Si lo haces a mano, fallarás rápido. En su lugar, implementa un script en Python o R, incorpora variables de juego, como la línea defensiva del City. Ah, y no olvides la diferencia entre xG esperado y xG real; la brecha es la que cuenta.
Variables contextuales
El contexto lo cambia todo. Un disparo desde fuera del área bajo presión alta tiene menos probabilidad que uno idéntico en zona libre. Añade la presión del adversario como factor binario: alta/baja. También, la transición: si el gol nace de un contraataque, el xG sube. Aquí tienes: la fase de posesión, la velocidad del balón, la posición del portero. Si no los integras, tu modelo será una caricatura.
Herramientas de visualización
Ver para creer. Grafica los disparos en un mapa de calor, superponiendo el xG de cada intento. Herramientas como Tableau o Power BI hacen el trabajo. Incluso en Excel puedes crear un scatter, pero perderás dinamismo. La clave está en la interactividad: cuando pasas el ratón, aparece el valor exacto de xG y el contexto del tiro. Un buen dashboard permite filtrar por competiciones, por jugadores, por minutos jugados.
Comparativas intra‑equipo
El Manchester City genera una avalancha de oportunidades, pero no todas se traducen. Compara el xG acumulado de Pep Guardiola con el de su rival directo, el Liverpool. La diferencia revela eficiencia. Un número: 2.4 xG por partido frente a 2.1. Eso explica la ventaja en la tabla. Si detectas una desviación sostenida, busca la causa: cansancio, lesiones, cambios tácticos.
Acción inmediata
Descarga la última hoja CSV de disparos, lanza tu script de regresión, y ajusta los pesos en menos de 30 minutos. Luego, copia el gráfico al informe y muestra al colega que el xG del City está sobrevalorado en los últimos tres partidos. Y aquí está el consejo final: siempre valida con partidos reales, no confíes ciegamente en el número.