Cómo crear tu propio modelo predictivo de fútbol con Excel

Construir tu propio modelo predictivo de fútbol suena intimidante, pero con Excel y conocimientos básicos de estadística puedes crear un sistema funcional que supera el análisis puramente intuitivo. No necesitas ser programador ni matemático avanzado; Excel proporciona todas las herramientas necesarias para implementar un modelo basado en la distribución de Poisson, el enfoque más probado y accesible para predicción de resultados de fútbol. Este tutorial te guía paso a paso desde la recolección de datos hasta la generación de probabilidades que puedes comparar con las cuotas del mercado.

Un modelo propio, aunque simple, tiene ventajas significativas sobre depender exclusivamente del análisis de otros. Te obliga a entender qué variables importan y por qué. Te permite ajustar parámetros según tu conocimiento específico. Te proporciona probabilidades propias para comparar con el mercado, identificando valor potencial. Y el proceso de construcción te enseña más sobre predicción de fútbol que cualquier lectura teórica.

Paso 1: Recolección de datos

Todo modelo comienza con datos. Para un modelo Poisson básico necesitas resultados de partidos de la liga que quieres predecir.

La fuente más práctica para datos históricos es Football-Data.co.uk, que ofrece archivos CSV gratuitos de las principales ligas europeas con resultados, goles, y cuotas históricas. Descarga el archivo de la temporada actual de tu liga objetivo.

Los datos mínimos necesarios son: equipo local, equipo visitante, goles local, goles visitante. Con estos cuatro campos puedes construir el modelo básico. Campos adicionales como disparos, posesión, o xG mejoran el modelo pero no son esenciales para empezar.

En Excel, crea una hoja llamada "Datos" e importa el archivo CSV. Limpia cualquier formato problemático y asegúrate de que las columnas de goles sean numéricas, no texto.

Paso 2: Cálculo de promedios de liga

El modelo Poisson requiere promedios de goles como base.

En una nueva hoja llamada "Promedios", calcula los siguientes valores usando los datos importados:

Promedio de goles locales por partido: suma todos los goles de equipos locales dividido por número de partidos. En Excel: =AVERAGE(Datos!C:C) donde C es la columna de goles locales.

Promedio de goles visitantes por partido: =AVERAGE(Datos!D:D) donde D es la columna de goles visitantes.

Estos promedios serán aproximadamente 1.4-1.6 para locales y 1.1-1.3 para visitantes en la mayoría de ligas europeas, reflejando la ventaja de jugar en casa.

Paso 3: Fuerza de ataque y defensa por equipo

Ahora calculas la fuerza relativa de cada equipo comparada con el promedio de la liga.

Crea una hoja llamada "Equipos" con columnas: Equipo, Partidos Local, Goles Favor Local, Goles Contra Local, Partidos Visitante, Goles Favor Visitante, Goles Contra Visitante.

Usa SUMIF y COUNTIF para agregar datos por equipo. Por ejemplo, para goles a favor como local del Barcelona: =SUMIF(Datos!A:A,"Barcelona",Datos!C:C) donde A es la columna de equipo local y C los goles locales.

Calcula promedios por equipo dividiendo totales entre partidos jugados.

La fuerza de ataque local se calcula como: (goles favor local del equipo / partidos local) / promedio liga goles locales. Si el Barcelona marca 2.0 goles por partido en casa y el promedio de liga es 1.5, su fuerza de ataque local es 2.0/1.5 = 1.33 (33% mejor que el promedio).

La fuerza de defensa local se calcula como: (goles contra local del equipo / partidos local) / promedio liga goles visitantes. Si el Barcelona concede 0.8 goles por partido en casa y el promedio de goles visitantes es 1.2, su fuerza de defensa local es 0.8/1.2 = 0.67 (33% mejor que el promedio, ya que menor es mejor en defensa).

Repite para fuerzas de ataque y defensa como visitante.

Paso 4: Predicción de goles esperados

Para predecir un partido específico, combinas las fuerzas de los equipos con los promedios de liga.

Goles esperados del local = fuerza ataque local del equipo local × fuerza defensa visitante del equipo visitante × promedio goles locales de liga.

Ejemplo: Barcelona (local) vs Valencia (visitante). Si Barcelona tiene fuerza ataque local de 1.33, Valencia tiene fuerza defensa visitante de 1.10, y el promedio de liga es 1.5: goles esperados Barcelona = 1.33 × 1.10 × 1.5 = 2.19.

Goles esperados del visitante = fuerza ataque visitante del equipo visitante × fuerza defensa local del equipo local × promedio goles visitantes de liga.

Crea una hoja "Predicción" donde selecciones equipos local y visitante (usando listas desplegables con VALIDACIÓN DE DATOS) y las fórmulas calculen automáticamente los goles esperados.

Paso 5: Distribución de Poisson

Con los goles esperados, aplicas la distribución de Poisson para calcular probabilidades de cada marcador exacto.

Excel tiene la función POISSON.DIST que calcula la probabilidad de exactamente k goles dado un promedio λ.

Para cada posible marcador (0-0, 1-0, 0-1, 1-1, 2-0, etc.), calcula: =POISSON.DIST(goles_local, lambda_local, FALSE) × POISSON.DIST(goles_visitante, lambda_visitante, FALSE).

Crea una matriz de resultados donde las filas representen goles del local (0-5) y las columnas goles del visitante (0-5). Cada celda contiene la probabilidad de ese marcador exacto.

La probabilidad de victoria local es la suma de todas las celdas donde goles local > goles visitante. La probabilidad de empate es la suma de la diagonal (0-0, 1-1, 2-2, etc.). La probabilidad de victoria visitante es la suma donde goles visitante > goles local.

Paso 6: Cálculo de cuotas implícitas

Para comparar con el mercado, convierte probabilidades a cuotas.

Cuota justa = 1 / probabilidad.

Si tu modelo dice 60% de probabilidad de victoria local, la cuota justa es 1/0.60 = 1.67.

Recuerda que las casas de apuestas incluyen margen. Si el mercado ofrece 1.80 para algo que tu modelo dice vale 1.67, no hay valor. Si ofrece 1.50, hay valor potencial (aunque tu modelo puede estar equivocado).

Crea una sección en tu hoja que muestre: probabilidades del modelo, cuotas justas correspondientes, y espacio para introducir cuotas del mercado para comparación.

Paso 7: Mejoras al modelo básico

El modelo básico funciona pero tiene limitaciones que puedes abordar gradualmente.

El ajuste de forma reciente pondera partidos más recientes más que partidos antiguos. En lugar de promediar toda la temporada igualmente, aplica un factor de decaimiento temporal. Los últimos 10 partidos pueden pesar el doble que los primeros 10.

La corrección Dixon-Coles ajusta las probabilidades de resultados bajos (0-0, 1-0, 0-1, 1-1) que Poisson tiende a subestimar. Implementar esto requiere optimización que Excel puede hacer con Solver, aunque es más avanzado.

La inclusión de xG en lugar de goles reales mejora la estabilidad del modelo. Si tienes acceso a datos de xG (de Understat, por ejemplo), úsalos para calcular fuerzas de ataque y defensa en lugar de goles anotados/concedidos.

El ajuste por ausencias permite modificar manualmente las predicciones cuando jugadores clave están lesionados o suspendidos.

Paso 8: Backtesting

Antes de apostar dinero real basándote en tu modelo, valida que funciona.

Divide tus datos: usa las primeras 20 jornadas para entrenar el modelo y las últimas 10 para testear. Compara las predicciones del modelo con los resultados reales.

Calcula el Brier Score o RPS (Ranked Probability Score) para medir la calidad de las probabilidades. Estas métricas penalizan más los errores grandes que los pequeños.

Simula apuestas: si hubieras apostado siguiendo el modelo (apostando cuando el modelo indica más de X% de valor), ¿habrías sido rentable contra las cuotas históricas que tienes en los datos?

Itera: ajusta parámetros, prueba diferentes períodos de datos, compara versiones del modelo.

Paso 9: Automatización

Para uso regular, automatiza lo máximo posible.

Crea un template donde solo necesites actualizar los datos de partidos semanalmente y seleccionar los equipos para predicción.

Usa formato condicional para resaltar automáticamente cuando las cuotas del mercado ofrecen valor según tu modelo (por ejemplo, celdas verdes cuando cuota mercado > cuota justa × 1.05).

Considera vincular tu Excel a fuentes de datos online usando Power Query para actualizaciones semi-automáticas, aunque esto requiere conocimientos adicionales.

Limitaciones y realismo

Tu modelo de Excel no competirá con los modelos de las casas de apuestas profesionales, que tienen equipos de cuantitativos, datos propietarios, y recursos computacionales superiores.

Sin embargo, tu modelo puede identificar valor en situaciones específicas: ligas menos líquidas donde las casas dedican menos recursos, partidos donde tienes información contextual que el modelo puro no captura, y mercados secundarios menos eficientes.

El valor principal de construir tu propio modelo es educativo: entiendes profundamente qué predice bien y qué no, desarrollas intuición estadística, y tienes un framework para incorporar tu conocimiento futbolístico de manera estructurada.

El modelo es herramienta, no oráculo. Úsalo para informar decisiones, no para seguirlo ciegamente. Combínalo con análisis cualitativo y siempre gestiona tu bankroll como si el modelo pudiera estar equivocado, porque frecuentemente lo estará.

Un modelo imperfecto que entiendes profundamente es más útil que un modelo sofisticado que tratas como caja negra. Empieza simple, itera, y mejora gradualmente basándote en lo que aprendes de los resultados.