Modelos de Valor de Posesión: Guía de Analítica del Fútbol para 2026

Imagina a Kevin De Bruyne recogiendo el balón justo dentro de su propia mitad. Mira a su alrededor, detecta un desmarque que aún no ha empezado y filtra un balón pesado entre tres defensas. La finalización es mala y la oportunidad se esfuma. En la hoja de estadísticas, no pasó nada: no hay asistencia, nada de qué presumir. Sin embargo, ese pase hizo exactamente lo que un gran pase debe hacer, convirtiendo una posesión inocua en una gran ocasión. (Es una escena inventada, pero has visto cientos como esa).

Los modelos de valor de posesión, PVM por sus 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 recibir gol.

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

El fútbol siempre ha amado los números. Durante décadas, sin embargo, esos números solo contaban un pequeño fragmento de la historia. Los goles, las asistencias y los clean sheets son la moneda principal, pero apenas capturan la punta del iceberg.

Pongamos el caso de la tasa de pases completados. Un defensa central que completa el 95% de sus pases hacia atrás y de lado puntúa más alto que un mediocreativo que sigue intentando el pase difícil entre líneas. El porcentaje no dice nada sobre lo difícil o lo valioso que fue cada pase.

El porcentaje de posesión tiene el mismo defecto. Dominar el balón en zonas inofensivas significa muy poco contra un equipo que se deja llevar 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 al defensor hasta forzarle un error, el mediocampista que recicla el balón bajo presión, el defensor cuya posición apaga una ocasión antes de que se forme: todo eso es invisible en el registro tradicional.

Los goles esperados (xG) arreglaron parte del problema midiendo la calidad de las ocasiones, pero siguen mirando solo los tiros. ¿Y qué pasa con todo lo demás que ocurre en un campo de fútbol?

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

Cada jugada en un partido, ya sea un pase, un tackle, un regate, un despeje o un disparo, cambia el estado del juego. Un pase filtrado al área hace que sea más probable marcar. Un pase descuidado en el mediocampo hace que sea más probable recibir un gol. Los PVM 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 anotar, menos el aumento en tu probabilidad de recibir gol. Supongamos que un pase eleva tu chance de marcar del 2% al 8% y reduce tu chance de recibir gol del 1% al 0.5%. Eso representa 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 ficticios con fines ilustrativos, pero la lógica es la misma que usan los modelos reales.

Una vez que puedes hacer esto con un pase, puedes hacerlo con todo. Una entrada desesperada que evita un gol seguro tiene un valor enorme. Un pase de retención calmado bajo presión puede valer más de lo que parece. Un chut especulativo que sale directo a un tiro de esquina tiene un valor negativo.

Es lo que hace que estos modelos sean tan útiles para los jugadores que la estadística tradicional olvida: los mediocentros de contención, los zagueros que salen con el balón y los delanteros que presionan, cuyo mejor trabajo rara vez aparece en el registro clásico.

Varios marcos de trabajo 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 (Valoración de Acciones Estimando Probabilidades)

Desarrollado por el grupo de investigación DTAI de la KU Leuven en Bélgica, el VAEP es uno de los modelos académicos más influyentes en la analítica del fútbol. Utiliza aprendizaje automático para estimar cómo cada acción cambia la probabilidad de marcar y de recibir gol en las acciones posteriores. Su fortaleza es el alcance: puede valorar desde un pase simple hasta un regate, y su código de código abierto lo ha convertido en la base de mucha investigación posterior. Los valores de las acciones individuales son minúsculos, generalmente fracciones de un gol.

EPV (Valor de Posesión Esperado)

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 por cuadro, incluyendo acciones que nunca tocan el balón: el desmarque que arrastra a un defensor, o el movimiento que abre espacio para un compañero. Es uno de los enfoques más detallados, pero la infraestructura de seguimiento que requiere lo pone fuera del alcance de la mayoría de los clubes.

OBV (Valor de Balón en Juego)

StatsBomb, ahora Hudl StatsBomb, introdujo el OBV en 2021. Se entrena con goles esperados en lugar de goles reales, lo que suaviza la aleatoriedad de los remates, y divide el valor entre el pasador y el receptor para que nadie sea contado dos veces.

g+ (Goles Añadidos)

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 pasador y el receptor, porque un buen pase también necesita un buen primer toque para salir.

xT (Amenaza Esperada)

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 la probabilidad de gol desde allí, y recompensa cualquier pase o conducción que mueva el balón a una zona más peligrosa. Es sencillo de explicar y sencillo de construir, un excelente punto de partida.

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

Reclutamiento

Liverpool bajo la dirección deportiva de Michael Edwards, quien ocupó el cargo hasta 2022, suele ser considerado el ejemplo perfecto del scouting guiado por analítica. El objetivo era encontrar jugadores cuya aportación superara sus números de goles y asistencias: mediocampistas que avanzaban el balón sin estadísticas glamorosas, y defensas que evitaban las oportunidades antes de que se desarrollaran. Los clubes rara vez dicen cuánto peso tiene un solo modelo, así que toma las historias individuales como reportaje informado, no como un método publicado.

Preparación del partido

Un analista de rivalidad podría descubrir que un oponente genera la mayor parte de su valor en la posesión desde su lateral derecho, que lleva el balón al mediocampo. El cuerpo técnico puede luego 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 scouts, los PVMs ofrecen una visión más completa. Un delantero que no está anotando, pero que sigue creando posiciones de alto valor, podría estar a punto de tener un buen momento. Un defensa cuyos números tradicionales parecen ordinarios podría estar evitando muchas jugadas gracias a su posicionamiento y anticipación. Los laterales que progresan el balón desde atrás, Trent Alexander-Arnold durante sus años en Liverpool siendo el ejemplo obvio, suelen destacar en las métricas de pases progresivos a pesar de tener números modestos de goles.

Los goles esperados revolucionaron el análisis del fútbol midiendo la calidad de las ocasiones, pero xG solo captura los momentos en que se disparan los tiros. Los PVMs extienden ese mismo razonamiento a todo el campo.

¿Ser más amplio significa ser mejor para predecir resultados? Las evidencias son mixtas. Un estudio de 2025 en Frontiers in Sports and Active Living de Forcher y sus colegas 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, después del 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 juego ya se disputó, mientras que el EPV previo al partido muestra un prometedor 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, quienes son candidatos a una regresión positiva, y equipos que van por delante de sus números subyacentes. También pueden exponer desajustes tácticos antes de que los resultados lo hagan.

El mercado de apuestas se ha tardado más que los clubes de élite en abrazar el valor de la posesión, y la evidencia de que los datos de PVM superan a las cuotas de cierre es escasa. Aún así, sigue siendo una lente 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 han alcanzado

Los equipos que generan mucho valor de posesión pero no lo convierten bien podrían estar a punto de mejorar sus resultados, aunque los marcadores recientes no lo reflejen. La cara opuesta: los lados que van por delante de sus números subyacentes podrían estar encaminados hacia un bajón.

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 despegar, y un delantero con un fuerte valor de posesión pero mal remate podría estar infrapreciado en los mercados de goles. Nuestra guía sobre mercados de tiros de jugadores muestra cómo poner ese pensamiento a trabajar.

En vivo

El seguimiento en tiempo real de PVM podría revelar cambios de momentum antes de que lleguen al marcador, e incluso podría ayudar a anticipar los cambios. Es algo que hay que probar antes de confiar en ello.

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 ocasiones sin controlar realmente los partidos, mientras que un valor de posesión dominante con una mala conversión de xG apunta a una calidad que debería terminar saliendo. 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 seguimiento de jugadores, capturando a los 22 jugadores durante todo el partido. Eso significa estimaciones de valor más precisas y, sobre todo, reconocimiento por el trabajo sin balón.

Datos de seguimiento

El señuelo que arrastra a un defensor fuera de la zona de peligro finalmente 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 demuestra 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 vivo

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 aún es escasa, así que trata los grandes reclamos sobre consejos automatizados de sustitución o predicción de lesiones como prometedores, no como probados.

Mientras tanto, los datos se están volviendo más baratos. 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.

Todo el poder que tienen los PVMs tiene puntos ciegos reales, y cualquiera que se apoye en ellos debería saber dónde están.

¿Qué se considera una posesión?

Nadie está de acuerdo. ¿Debe contar un despeje de un centro que regresa al equipo atacante como una posesión o como dos? ¿Cuántos toques se necesitan para establecer el control? ¿Deben tratarse los tiros de esquina por separado? Las decisiones importan: las ventanas basadas en acciones tienden a recompensar 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 de eventos no pueden valorar lo que no está en el flujo de eventos: movimiento sin balón, intensidad de la presión, posicionamiento que crea espacio. Los sustitutos introducen cierto sesgo, pero aun así son 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 le dio ese valor a esa acción? Los entrenadores no confiarán en números con los que no pueden discutir.

¿Quién posee los datos?

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

Los modelos de valor de posesión son el mayor avance en la analítica del fútbol desde los goles esperados. Dan crédito a las innumerables acciones que la hoja de partido ignora, lo que explica el rendimiento de jugadores y equipos de formas que los goles y asistencias nunca pudieron. Para los clubes, son una herramienta 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 las casas de apuestas y la varianza.

• Usa los PVM junto con el xG, no en su lugar. La investigación sugiere que cada uno destaca en una tarea diferente.
• Conoce tu fuente. Revisa 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.
• Piensa en temporadas, no en partidos individuales. Los patrones sostenidos significan algo; las variaciones de un solo partido son mayoritariamente ruido.
• Busca la desventaja. Las mejores señales son los equipos que crean mucho valor sin resultados que lo respalden, y viceversa.
• Mantén la ventaja en perspectiva. Cualquier ventaja es pequeña y debe vencer el margen de la casa de apuestas, así que apuesta en consecuencia.

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

• Amenaza Esperada (xT) en el fútbol: Guía completa de analítica
• Analítica de fútbol VAEP: La guía completa para valorar cada acción
• Cómo crear un modelo de apuestas deportivas: Guía completa
• Ventaja local vs. Calidad del equipo: Guía avanzada de apuestas de fútbol
• Más/Menos de 1.5 y 3.5 goles: Estrategias avanzadas de apuestas en líneas de goles

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