Me permito explicarlo, la Industria Deportiva a lo largo de su historia, no se ha caracterizado por ser la cuna de sus avances o progresos, por lo regular, ha sido impulsada por factores externos que obligan a esos cambios. Es decir, pocas veces suceden “desde adentro”. Quizás el más claro ejemplo es la poderosa English Premier League (EPL, English premier League) cuya reforma que la origina proviene de una nueva legislación hacia el fútbol tras los grandes desastres de la década de los 80’s y principios de los 90’s que incluyó al “hooliganismo” y tragedias en los estadios por su obsoleto diseño. El Reporte Taylor, básicamente transformó la cara del fútbol inglés y dio paso a la Premier League.

Cuando empecé a adentrarme en la ciencia de datos, en el Big Data, en el procesamiento de la información, en el análisis de casos de uso, etc, el fútbol y el deporte no tenía tan claro hacia qué rumbo ir. El más obvio siempre fue la parte deportiva: cuantificar y calificar el desempeño de los atletas para que con el análisis de la información mejorar su rendimiento. Y es ahí dónde se empezaron a abrir nuevas posibilidades: científicos de datos, metodólogos, analistas de información y uso de nuevas tecnologías, hardware y software que en conjunto permiten recolectar información para luego ser procesada, analizada y presentada. 

Todo se resume a un concepto que hoy tenemos más claro “tomar decisiones basadas en datos” es decir “data-driven decisions”. Considerando el Internet de las cosas (IoT), la cantidad de dispositivos interconectados que usamos, el uso de plataformas, la recolección de datos nos parece algo cotidiano.

El problema que he tenido para explicar esto, siempre ha estado más del lado del negocio, que del lado deportivo. Mientras que se analizan cientos o miles de jugadas tácticas y ejecuciones de penales o tiros de esquina para luego procesarlos con la teoría de juegos o las teorías de Nash, en la parte de negocios hay un rezago tremendo.

Desgraciadamente, y lo veo a nivel global, la interpretación de Inteligencia de Negocios queda reducida a un solo concepto: CRM. La relación con el cliente. La utopía de tener una comunicación uno a uno con el consumidor. Y es utópico porque las marcas importantes que están explorando estos conceptos tienen millones de clientes, no existe hoy la potencia de cómputo y el nivel de machine learning (al menos accesible a nivel comercial) para poder realizar una personalización real más allá de cambiar el nombre y algunos datos basados en clusters en el envío de mensajes vía email o mensajes en medios sociales.

Y esto sucede porque es la aproximación más sencilla y simple, sin embargo, es un error de base desde la ciencia de datos.

Las metodologías, como CRISP-DM (Cross Industry Standard Process for Data Mining), proveen un marco estandarizado para que cualquier industria primero determine los fundamentos de la recolección de datos y su posible uso. Por lo que, lo más importante es determinar qué datos tienes, cuáles quieres recolectar y especialmente, para qué los vas a utilizar mientras las respuestas comunes son para tener una mejor relación con el consumidor o en el deporte, con los aficionados.

Es un desperdicio, la gran oportunidad está en la recolección de data para construir una empresa que mayoritariamente tome sus decisiones basadas en datos, en construir una plataforma que permita tener los datos que puedan afectarla en su totalidad y no solo limitarse a un caso específico como un CRM. 

Hacer un análisis profundo del negocio, las fuentes de datos, los datos necesarios para que los liderazgos tengan información confiable para tomar mejores decisiones es vital y clave en un mundo donde las ventajas competitivas se van cerrando y donde todos tenemos acceso a casi todo.

Crear una plataforma de Inteligencia de Negocios tiene que ver con cruzar información deportiva, comercial, mercadológica, información externa, estudios, resultados, para que después puedan ser explotados por cada área sin ni siquiera haber imaginado que pudiera ser utilizada. Esa es la Inteligencia de Negocios, eso es ser data-driven. Es estar creando Análisis FODA y PESTEL de forma automática cada que lo requieras, es tener información que permita reportar (pasado), alertar (presente) y pronosticar (futuro) para cualquier área de la organización.

En resumen, existe una gran oportunidad a futuro, como siempre, todo se basa en qué tan bien lo entiendas y qué tan bien lo hagas.

CRISP-DM (Cross Industry Standard Process for Data Mining)

• Fase I. Business Understanding. Definición de necesidades del cliente (comprensión del negocio)
• Fase II. Data Understanding. Estudio y comprensión de los datos
• Fase III. Data Preparation. Análisis de los datos y selección de características
• Fase IV. Modeling. Modelado
• Fase V. Evaluation. Evaluación (obtención de resultados)Fase VI. Deployment. Implementación e Iteración.