Modelos de valor de la posesión: guía de analítica del fútbol para 2026

Imagina a Kevin De Bruyne recogiendo el balón justo dentro de su propia mitad. Mira, detecta una carrera que aún no ha empezado y filtra un balón con peso a través de tres defensas. La finalización es mala y la ocasión se esfuma. En la hoja de estadísticas, no pasó nada: no hay asistencia, nada que celebrar. Y, sin embargo, ese pase hizo exactamente lo que un gran pase debería hacer, convirtiendo una posesión inofensiva en una gran ocasión. (Es una escena inventada, pero habéis visto mil como esa.)

Los modelos de valor de posesión, PVMs por las siglas, existen para darle crédito a ese momento. En lugar de contar solo goles y asistencias, estiman cuánto cambió cada acción las probabilidades de un equipo de marcar y de encajar.

Esta guía repasa los principales modelos (VAEP, EPV, OBV, g+ y xT), cómo los usan los clubes y, ya que esto es un sitio de apuestas, cuánto valen realmente para un apostador. La respuesta corta: una lente muy útil, no una máquina de dinero.

El fútbol siempre ha amado los números. Durante décadas, sin embargo, los números solo contaban una pequeña parte de la historia. Los goles, las asistencias y los partidos sin recibir gol son la moneda principal, pero solo capturan la punta del iceberg.

Toma la tasa de pases completados. Un central que completa el 95% de sus pases hacia atrás y laterales obtiene una puntuación más alta que un mediocreativo que sigue intentando el pase difícil entre líneas. El porcentaje no dice nada sobre lo difícil o lo valioso que era cada pase.

El porcentaje de posesión tiene el mismo defecto. Dominar el balón en zonas inofensivas significa muy poco ante un equipo que se deja el balón y te pega en el contragolpe.

Y los goles y las asistencias solo recompensan la acción final en lo que a menudo es una jugada larga y elaborada. El delantero que presiona a un defensor hasta que comete un error, el mediocampista que recicla el balón bajo presión, el defensor cuya colocación apaga una oportunidad antes de que se forme: todo invisible en el registro tradicional.

Los goles esperados (xG) corrigieron parte del problema midiendo la calidad de la ocasión, pero aún solo miran los tiros. Entonces, ¿qué hay de todo lo demás que ocurre en el campo de fútbol?

En lugar de preguntarse "¿Esto llevó a un gol?", un PVM hace una pregunta más útil: "¿Cómo cambió esta acción la probabilidad de marcar o de encajar?"

Cada acción en un partido, ya sea un pase, un tackle, un regate, un despeje o un disparo, cambia el estado del juego. Un balón en profundidad al área hace más probable un gol. Un pase flojo en el centro del campo hace más probable encajar. Los PVMs asignan un número a cada uno de esos cambios y luego los suman para cada jugador y cada equipo.

La aritmética básica es una suma sencilla: el aumento en tu probabilidad de marcar menos el aumento en tu probabilidad de recibir gol. Supongamos que un pase sube tu posibilidad de anotar del 2% al 8% y reduce tu posibilidad de recibir gol del 1% al 0,5%. Eso es una ganancia de 0,06 goles más un ahorro de 0,005, por lo que el pase vale aproximadamente 0,065 goles. Los números son inventados para ilustrar, pero la lógica es la que usan los modelos reales.

Una vez que puedes hacer eso para un pase, puedes hacerlo para todo. Una entrada a destiempo que evita un gol seguro tiene un valor enorme. Un pase de control bajo presión puede valer más de lo que parece. Una patada al azar que sale a córner tiene un valor negativo.

Eso es lo que hace a estos modelos tan útiles para los jugadores que la hoja de resultados olvida: los mediocentros que contienen, los defensas que juegan bien el balón y los delanteros que presionan, cuyo mejor trabajo rara vez aparece en el registro tradicional.

Varios marcos convierten esta idea en números, y cada uno sigue un camino distinto. Si te tomas en serio las estadísticas avanzadas del fútbol, estos son los nombres que debes conocer.

VAEP (Valuing Actions by Estimating Probabilities)

Desarrollado por el grupo de investigación DTAI de la KU Leuven en Bélgica, VAEP es uno de los modelos académicos más influyentes en la analítica del fútbol. Utiliza aprendizaje automático para estimar cómo cada acción modifica la probabilidad de marcar y de encajar en las acciones que le siguen. Su fortaleza es la amplitud: puede valorar desde un pase sencillo hasta un regate, y su código de código abierto lo ha convertido en la base de gran cantidad de investigaciones posteriores. Los valores de las acciones individuales son mínimos, generalmente fracciones de un gol.

EPV (Expected Possession Value)

El trabajo liderado por Javier Fernández en el departamento de analítica del FC Barcelona dio lugar al EPV, que funciona con datos de seguimiento que muestran dónde están todos los 22 jugadores. Esto permite un análisis cuadro a cuadro, incluyendo acciones que nunca tocan el balón: la carrera sin balón que arrastra a un defensa, o el movimiento que abre espacio para un compañero. Es uno de los enfoques más detallados, pero la infraestructura de seguimiento que necesita lo pone fuera del alcance de la mayoría de los clubes.

OBV (On-Ball Value)

StatsBomb, ahora Hudl StatsBomb, introdujo el OBV en 2021. Se entrena con goles esperados en lugar de goles reales, lo que suaviza la aleatoriedad del remate, y reparte el valor entre el que pasa y el que recibe, para que nadie se cuente dos veces.

g+ (Goals Added)

American Soccer Analysis creó el g+ para la cobertura de la MLS y la NWSL. Valora cada toque y comparte el crédito de un pase entre el que pasa y el que recibe, porque un buen pase también necesita un buen primer toque para salir bien.

xT (Expected Threat)

El xT de Karun Singh es el más fácil de visualizar. Divide el campo en una cuadrícula, da a cada zona un valor basado en lo probable que es un gol desde allí, y premia cualquier pase o avance que mueva el balón a una zona más peligrosa. Es fácil de explicar y fácil de construir, y es un gran punto de partida.

Es posible que el origen académico sugiera que las PVMs viven en artículos de investigación. No es así. Los clubes élite han ido integrando estas ideas en su trabajo durante años.

Fichaje

Liverpool, bajo la dirección deportiva de Michael Edwards, que ocupó el cargo hasta 2022, suele ser citado como el ejemplo perfecto de la detección de talento basada en analítica. El objetivo era encontrar jugadores cuya aportación superara sus cifras de goles y asistencias: mediocentros que hacían avanzar el balón sin estadísticas glamorosas y defensas que evitaban las ocasiones antes de que se desarrollaran. Los clubes rara vez dicen cuánto peso tiene un modelo concreto, así que toma las historias individuales como información bien fundamentada y no como un método publicado.

Preparación del partido

Un analista de la oposición podría descubrir que un rival genera la mayor parte de su valor de posesión a través de su lateral derecho llevando el balón al centro del campo. El cuerpo técnico puede entonces diseñar disparadores de presión para alejar el juego de esa zona. Los mismos datos muestran qué banda prefieren los rivales, dónde son vulnerables y con qué frecuencia sus jugadas a balón parado crean posiciones de alto valor.

Evaluación de jugadores

Para los ojeadores, las PVMs ofrecen una visión más completa. Un delantero que no marca pero sigue creando posiciones de alto valor podría estar a punto de tener un buen racha. Un defensa cuyos números tradicionales parecen mediocres podría estar evitando muchas situaciones gracias a su posicionamiento y anticipación. Los laterales que progresan el balón desde posiciones más profundas, Trent Alexander-Arnold durante sus años en Liverpool siendo el ejemplo más obvio, suelen destacar en las métricas de pases progresivos a pesar de tener cifras modestas de goles.

Los goles esperados cambiaron el análisis del fútbol al medir la calidad de las oportunidades, pero xG solo captura los momentos en los que se producen los tiros. Los PVMs extienden esa misma forma de pensar a todo el campo.

¿Significa que ser más amplio es mejor para predecir resultados? Las pruebas son mixtas. Un estudio de 2025 en Frontiers in Sports and Active Living realizado por Forcher y su equipo utilizó tres temporadas de la Bundesliga (de 2022/23 a 2024/25). Para la predicción previa al partido, el EPV alcanzó una precisión del 58,3% frente al 55,6% del xG. Sin embargo, tras el partido, el xG fue el predictor más fuerte (65,6% frente al 59,6%). La interpretación de los autores: el xG te dice más sobre cómo atacó un equipo una vez que el partido se ha jugado, mientras que el EPV previo al partido muestra un verdadero potencial para predecir lo que viene.

Para los apostadores, la consecuencia práctica es que los PVMs pueden señalar equipos que crean posesiones de alta calidad sin convertirlas en goles, lo que los hace candidatos a una regresión positiva, y equipos que van por delante de sus números subyacentes. También pueden revelar desajustes tácticos antes de que lo hagan los resultados.

El mercado de apuestas ha sido más lento que los clubes de élite en asumir el valor de la posesión, y la evidencia de que los datos de PVM superan a los precios de cierre es escasa. Aun así, sigue siendo una perspectiva inteligente, y aprender a aplicar la analítica del fútbol a las apuestas es una forma sensata de empezar.

Detectar equipos a los que los resultados no les han dado la debida importancia

Los equipos que generan mucho valor de posesión pero no lo convierten bien podrían estar destinados a mejores resultados, aunque las marcaciones recientes no lo muestren. El lado contrario: los equipos que van por delante de sus números subyacentes podrían estar encaminados a un bache.

Los mercados de jugadores funcionan de la misma manera. Un mediocampista que sigue creando posiciones de alto valor sin registrar asistencias podría estar a punto de arrancar, y un delantero con un fuerte valor de posesión pero un mal acabado podría estar infrapreciado en los mercados de goles. Nuestra guía sobre mercados de tiros de jugadores muestra cómo poner este pensamiento en práctica.

En directo

El seguimiento de PVM en tiempo real podría revelar cambios de momentum antes de que lleguen a la marcación, y podría incluso ayudar a anticipar los cambios. Es algo que hay que probar antes de confiar en él.

Combinarlo con xG

El análisis más efectivo combina métricas. Ejecutar xG junto con el valor de posesión afila la imagen: un xG fuerte con un valor de posesión débil sugiere un equipo que crea oportunidades sin realmente controlar los partidos, mientras que un valor de posesión dominante con una mala conversión de xG apunta a una calidad que debería materializarse. Sobre todo, los PVM capturan el proceso, no solo los resultados, y en un deporte donde la varianza muerde fuerte, el proceso es donde se esconde la señal.

La próxima generación de PVM combina datos de eventos con el seguimiento de jugadores, captando a los 22 jugadores a lo largo de todo el partido. Eso significa estimaciones de valor más precisas y, lo que es crucial, reconocimiento por el trabajo sin balón.

Datos de seguimiento

El desmarque que saca a un defensa de la zona de peligro por fin puede cuantificarse. La presión que obliga a cometer errores es medible. La colocación que abre espacio para un compañero aparece en los datos. El trabajo de EPV de Javier Fernández muestra lo que es posible, dividiendo el valor de la posesión en modelos de componentes que valoran acciones que nunca tocan el balón.

IA y análisis en directo

Algunos clubes y proveedores de datos están experimentando con herramientas de IA para el monitoreo táctico y de fatiga en tiempo real. La evidencia sobre la precisión todavía es escasa, así que trata las grandes afirmaciones sobre consejos automatizados de sustitución o predicción de lesiones como prometedoras más que como demostradas.

Mientras tanto, los datos se están abaratando. Los clubes pequeños están ganando acceso a la tecnología de seguimiento, y las métricas sofisticadas se están extendiendo mucho más allá de los clubes élite que las pionearon.

A pesar de todo su poder, los PVMs tienen puntos ciegos reales, y cualquiera que confíe en ellos debería saber dónde están.

¿Qué se considera una posesión?

Nadie se pone de acuerdo. ¿Debe contar un centro despejado que vuelve al equipo atacante como una posesión o como dos? ¿Cuántos toques establecen el control? ¿Deben tratarse los jugadas de balón parado por separado? Las decisiones importan: las ventanas basadas en la acción suelen premiar la retención del balón, mientras que las ventanas basadas en la posesión dan más peso a los delanteros y a las acciones de disparo.

Trabajo sin balón sin seguimiento

Los modelos de datos por eventos no pueden valorar lo que no está en el flujo de eventos: movimiento sin balón, intensidad del pressing, posicionamiento que crea espacio. Los sustitutos introducen cierto sesgo, pero siguen siendo mejores que no tener contexto alguno.

La caja negra

Los modelos más precisos, los basados en árboles, como VAEP en particular, son difíciles de interpretar. ¿Por qué el modelo asignó ese valor a esa acción? Los entrenadores no confiarán en números con los que no pueden discutir.

¿Quién es el dueño de los datos?

A medida que el seguimiento se vuelve más detallado, también lo hacen las preguntas sobre quién posee los datos de movimiento y biometría de los jugadores, y cómo se protege la información sensible sobre la condición física. Las respuestas darán forma al desarrollo del campo.

Los modelos de valor de posesión son el mayor avance en la analítica del fútbol desde los goles esperados. Ponen en valor las incontables acciones que la hoja de partido ignora, lo que explica el rendimiento de jugadores y equipos de formas que los goles y las asistencias nunca podrían. Para los clubes, son una herramienta más entre varias. Para los aficionados, responden por qué ciertos jugadores y equipos realmente triunfan. Para los apostadores, son una pequeña y paciente ventaja en un mercado que aún se apoya en cifras tradicionales: real, pero fácilmente devorada por los márgenes de los bookmakers y la varianza.

• Usa los PVMs junto con los xG, no en lugar de ellos. La investigación sugiere que cada uno gana en una tarea distinta.
• Conoce tu fuente. Comprueba qué modelo y proveedor de datos estás viendo antes de comparar cifras; una cifra de VAEP y una de OBV no son la misma moneda.
• Pensa en temporadas, no en partidos individuales. Los patrones sostenidos significan algo; los cambios de un solo partido son, en su mayor parte, ruido.
• Busca la desajuste. Las mejores señales son los equipos que crean mucho valor sin resultados que lo demuestren, y viceversa.
• Mantén la ventaja en perspectiva. Cualquier ventaja es pequeña y tiene que vencer al margen del bookmaker, así que apuesta en consecuencia.

Un pase que nunca se convierte en asistencia no es inútil. El valor de posesión es cómo lo demuestras.

• Amenaza Esperada (xT) en el fútbol: Guía completa de analítica
• VAEP en el fútbol: La guía completa para valorar cada acción
• Cómo crear un modelo de apuestas deportivas: Guía completa
• Ventaja de local vs calidad del equipo: Guía avanzada de apuestas al fútbol
• Más/Menos de 1,5 y 3,5 goles: Estrategias avanzadas de apuestas en líneas de goles

18+. Apuesta de forma responsable. Para obtener apoyo gratuito y confidencial, visita BeGambleAware.org.