Predicción de cambios en el valor de mercado de futbolistas profesionales usando técnicas de Machine Learning

Abstract

Las cifras económicas que manejan los clubes de fútbol son cada vez superiores, arrastrando consigo mucho dinero con cada pequeño movimiento. Dentro de los movimientos que más dinero generan se encuentran las transacciones de futbolistas, es decir, el mercado de fichajes. Hasta hace algunos años, el valor de un futbolista era aquel que consideraba el club poseedor de sus derechos y al que estaba dispuesto a llegar el club comprador; si bien actualmente, como en cualquier negociación, sigue dependiendo de los límites establecidos entre vendedor y comprador, el valor de mercado de los futbolistas está muy estudiado, siendo prácticamente una cifra objetiva. Es por esto, con todo el dinero que hay en juego, que se busca desarrollar en este trabajo una herramienta que sirva de apoyo a la toma de decisiones de los clubes en el mercado, ya sea la de declinar ofertas, pedir más dinero o decantarse por la compra de un futbolista sobre otro. Se pretende que la toma de decisiones se base en un histórico de datos que, aplicando técnicas de Machine Learning prediga aumentos en los valores de mercado futuros. Para comenzar el trabajo se hizo uso de una base de datos generada a mano, en la que cada muestra incluía información básica del futbolista (por simplificación se escogieron únicamente delanteros centro de LaLiga) y la temporada, además de una serie de estadísticas relacionadas con todo tipo de acciones del juego. Finalmente, el desarrollo del trabajó se llevó a cabo en Python, gracias a las librerías Pandas y Scikit-learn.

Football clubs are increasingly handling larger economic figures, bringing a lot of money with every single move. Footballer transfers, or the transfer market, are among those that generate most money. Until a few years ago, a footballer's value was determined by the club that owned him and by the purchasing club's willingness to pay for that player; Although now, as in any negotiation, markets are well studied, and prices for footballers can be very objectively determined. The project aims to develop a tool to assist clubs when making transfer market decisions, whether they're declining offers, asking for more money, or picking a player over another. It is intended to make decisions based on historical data that, using Machine Learning techniques, forecast market value increases in the future. For the first step in the project, a hand-generated database was created, where each sample contained basic information about the player (for simplification, only center forwards from LaLiga were chosen) and the season, along with a series of statistics relating to everything type of game actions. The work was finally developed in Python, using the Pandas and Scikit-learn libraries.