La arquitectura de la inteligencia futbolística
StatsBrain no es una sola fórmula. Recogemos los datos de los partidos de Sportmonks, calculamos estadísticas ponderadas para cada equipo y aplicamos un modelo de Poisson para estimar las probabilidades. Después, resúmenes cortos escritos por IA explican los números en lenguaje sencillo.
La base de datos
Nuestro pipeline comienza con ingesta estructurada desde Sportmonks, cubriendo un amplio conjunto de ligas y competiciones en todo el mundo. Partidos, resultados y estadísticas detalladas alimentan el mismo modelo de entidades que usamos en proyecciones, páginas de equipos y hubs de ligas.
Se conservan los partidos históricos para que el modelo use tendencias de toda la temporada, no solo los últimos marcadores. Cada partido se convierte en variables comparables (ataque y defensa, campo y competición) antes de que se ejecute el modelo.
Archivo histórico profundo
Contexto multitemporada por club y liga
Sincronización de partidos
Actualizaciones cuando cambian calendarios y resultados
Resolución de entidades
Equipos y ligas consistentes en todas las superficies
Señales que enfatizamos
Forma ajustada por fuerza
Los resultados recientes se ponderan por calidad del rival, de modo que una victoria ajustada contra un equipo fuerte cuenta más que una goleada a uno débil.
Contexto de tiros estilo xG
Los proxies de goles esperados ayudan a separar la suerte en la definición de la creación y contención de ocasiones repetibles.
Motivación de final de temporada
En las últimas cinco jornadas, la clasificación muestra si un equipo todavía se juega algo (título, Europa, permanencia). El ataque y la defensa se ajustan para los equipos que pelean o que ya no se juegan nada.
Modelo de Poisson con estadísticas ponderadas
Para cada próximo partido estimamos los goles que se espera que marque cada equipo a partir de estadísticas ponderadas, y un modelo de Poisson los convierte en probabilidades para cada marcador y resultado. El resultado es una distribución, no un único resultado fijo, así que refleja la volatilidad del fútbol.
Scoring tipo Poisson: las tasas de ataque/defensa a nivel de equipo informan intensidades marginales de goles, ajustadas por liga y ventana de muestra.
Estadísticas ponderadas: el ataque y la defensa se ponderan según el nivel de los rivales, el campo (casa o fuera) y la media de la liga, así que un resultado contra un equipo fuerte cuenta distinto que contra uno débil.
Forma reciente y xPower: los últimos partidos y una valoración xPower del rendimiento en el campo (tiros, ocasiones, ataques) ajustan los goles esperados más allá de los marcadores.
Resúmenes escritos por IA
Cuando el modelo ya ha calculado las probabilidades, un modelo de lenguaje de IA escribe un resumen corto del partido a partir de esas cifras. El resumen se genera automáticamente y ninguna persona lo revisa. No cambia las probabilidades: si el texto y las cifras no coinciden, las cifras son las correctas.
Ejemplo de traza de prompt
“Resume este partido para un lector usando las probabilidades del modelo, los goles esperados y la posesión estimada.”
Más allá de los números crudos
Los modelos funcionan bien con promedios; el fútbol da sorpresas. El modelo solo usa lo que muestran los datos: no sabe de lesiones, sanciones ni alineaciones si no aparecen en las estadísticas. Lee cada probabilidad como una estimación, no como una certeza.
El porcentaje de confianza es simplemente la probabilidad del resultado más probable. Un porcentaje alto significa que el modelo ve una diferencia clara entre los equipos, no que el resultado esté garantizado.
Dónde los modelos llegan al sitio
Las simulaciones corren a nivel de partido, pero publicamos contexto duradero en páginas de liga y equipos. Una página de liga consolida tabla de posiciones, tasas de goles, splits local/visitante y próximos partidos; una página de equipo ancla forma, historial cara a cara y membresía en liga principal. Las URLs de partidos siguen siendo útiles para profundizar pero se excluyen de índices de búsqueda para proteger el crawl budget y evitar entradas SERP duplicadas y delgadas.
El mismo pipeline de variables alimenta las tres superficies: partidos normalizados de Sportmonks, snapshots de temporada de profile_echipe y resultados del modelo almacenados junto a las proyecciones diarias. Cuando ves porcentajes de confianza en listados, son la probabilidad del resultado principal según el modelo de Poisson, no un marcador fijo.
Transparencia y responsabilidad
El modelo se actualiza cada día con los nuevos resultados. Publicamos esta metodología para que investigadores, periodistas y aficionados curiosos entiendan qué significan las "proyecciones con IA" en StatsBrain y qué no garantizan.
Uso educativo y de investigación
StatsBrain está construido para análisis y aprendizaje. El fútbol sigue siendo estocástico; ningún modelo elimina la incertidumbre. Consulta nuestras páginas Sobre nosotros, cómo funciona el modelo y Editorial para estándares editoriales y limitaciones.