Bienvenida a Fichaje Analytics

## Lunes, 9:30. Tu sexto encargo, el tercero de dificultad media

Llevas cinco encargos a la espalda y ya no abres un CSV nuevo con el estómago encogido. En una operadora de telefonía ordenaste a los clientes por riesgo de baja y aprendiste a desconfiar de las métricas demasiado buenas. En una empresa de agricultura de precisión estimaste un rendimiento y aprendiste a mirar la forma real de los datos antes de creerte una recta. En una ONG trabajaste con una clase rarísima y aprendiste a medir donde de verdad duele. En una central de asistencia en carretera estimaste cuántas llamadas entrarían hora a hora y aprendiste que cómo partes los datos decide si tu evaluación es honesta. Y en una comercializadora eléctrica agrupaste a los clientes sin ninguna respuesta conocida y aprendiste que el preprocesado es parte del modelo. Hoy empiezas en una consultora de scouting de fútbol, y el problema que te espera es de una familia que ya conoces —la regresión, estimar un número— pero con un peligro que no habías tenido delante tan claro. Esta lección no lleva una sola línea de código, y es a propósito: antes de modelar nada conviene entender dónde has aterrizado, quién te pide las cosas y por qué este encargo esconde una trampa que no se ve en el enunciado.

Fichaje Analytics es una consultora de datos para el fútbol: no ficha jugadores ni los representa, sino que vende criterio. Su producto es que un director deportivo tome una decisión de millones con un dato delante, no solo con el ojo del ojeador. Nació en 2019 en Bilbao, montada por dos ex-ojeadores y una analista que venía de la consultoría, con una idea casi herética en el fútbol español de entonces: que un fichaje no se decidiera solo "a ojo". Los grandes clubes de Inglaterra y Alemania llevaban años con departamentos de datos; en España, fuera de los tres o cuatro de arriba, un fichaje seguía dependiendo de que un ojeador hubiera visto al chaval tres domingos y le hubiera gustado. Fichaje vende lo que falta: un informe que cruza las estadísticas de una temporada entera con el historial de miles de jugadores y pone un número encima.

El negocio de una consultora de scouting se juega en una cosa: que sus números acierten lo suficiente como para que un club se fíe de ellos la próxima vez. Un fichaje caro que sale mal le cuesta a un club el presupuesto de media temporada y, al que lo recomendó, el contrato. Por eso Fichaje no vende promesas, vende estimaciones honestas con su margen de error puesto encima de la mesa. Un número bonito que luego falla no solo pierde un cliente: mancha la reputación de toda la casa. Y aquí está la clave de tu semana. Vas a construir un modelo que, dada la temporada de un jugador, estime cuánto valdrá dentro de un año. La parte difícil no es construirlo. Es saber si te puedes fiar de él.

## El peligro nuevo: un modelo potente puede aprenderse a los jugadores de memoria

Vuelves a la regresión: predecir un número a partir de otros números, como hiciste con el rendimiento de las parcelas y con las llamadas por hora. Pero este encargo trae un ingrediente que cambia el peligro de sitio. Vas a tener muchísimas columnas por jugador: goles, asistencias, pases, duelos, minutos, edad, posición, el dorsal, el día del último partido, treinta estadísticas. Y vas a usar un modelo muy potente, un bosque de árboles de decisión. Esa combinación —muchas columnas y un modelo flexible— tiene un peligro muy fino: el modelo puede aprenderse de memoria a los jugadores que le enseñas en vez de aprender el patrón que los hace valiosos.

A ese fenómeno se le llama sobreajuste (en inglés, overfitting): el modelo se ajusta tanto a los datos concretos que vio durante el entrenamiento que, en vez de capturar la regla general, memoriza los ejemplos uno a uno. Es como el estudiante que se aprende de memoria los exámenes de otros años y saca un diez en los que ya ha visto, pero suspende el examen nuevo porque nunca entendió la materia. Un modelo que ha memorizado te da un acierto espectacular sobre los datos que ya conoce, y luego, con un jugador nuevo, falla. Lo peor es que si no sabes mirarlo, ese acierto espectacular te engaña: lo celebras como si fuera bueno.

Entonces, ¿cómo distingues un modelo que entiende de uno que memoriza, si sobre los datos que vieron se portan igual de bien? La respuesta es la idea que ordena toda la semana y la que te vas a llevar grabada: nunca midas la calidad de un modelo sobre los mismos datos con los que lo entrenaste. Si quieres saber si acierta con jugadores que no ha visto, tienes que probarlo con jugadores que no ha visto. Suena obvio dicho así, y aun así es el error más común y más caro del oficio, porque el modelo que ha memorizado te regala un número precioso justo en el sitio donde no deberías mirar.

## El equipo: quién te pide qué (y quién no quiere lo mismo que tú)

En un equipo pequeño, saber a quién acudir para cada cosa ahorra horas, y saber qué quiere cada uno te ahorra disgustos. Estos son los cuatro nombres que vas a oír toda la semana, y no todos quieren de ti lo mismo.

• ▹Gorka Mendizábal — Data Lead, tu mentor. Matemático de formación, doce años haciendo modelos (seguros, banca y los últimos cuatro en analítica deportiva) antes de montar este equipo. Ha visto demasiados modelos que acertaban de maravilla en el portátil del que los hizo y reventaban en cuanto llegaba un jugador nuevo. Tiene una cicatriz concreta: una vez recomendó un fichaje con un acierto de 0,94 sobre un reparto y el jugador salió carísimo y malo. Enseña con preguntas, no con respuestas. Su obsesión: que un modelo sea honesto fuera de los datos con los que lo entrenaste. Su frase: «nunca te fíes de un solo reparto; valida cruzado y desconfía del modelo que brilla demasiado».
• ▹Chus Peñalver — Director Deportivo, tu cliente interno. Veinticinco años en el fútbol, ex-futbolista de Segunda, luego ojeador. Tiene el ojo y lo sabe. Lleva semanas detrás de un extremo joven, Dani Olarra, convencido de que es un crack que va a multiplicar su valor. Quiere que el modelo se lo confirme para pelear el precio ante su presidente, y lo quiere esta semana. No es tonto ni mala persona: lleva razón muchas veces por puro oficio. El problema es que quiere que el dato le dé la razón, no que le diga la verdad si es incómoda.
• ▹Amaia Sologuren — Analista de Scouting, tu compañera. Ciencias del deporte y estadística, cuatro años en Fichaje. Conoce los datos de partidos al dedillo y todas las marranadas que trae el proveedor de estadísticas. Es tu apoyo del día a día. Tiene un olfato especial para los números demasiado bonitos y repite una frasecita a la que nadie hace mucho caso: «cuando un modelo te clava a los jugadores que ya conoce, desconfía, igual es que se los ha aprendido de memoria».
• ▹Patricia Loizaga — Directora de Scouting, la audiencia de la demo del viernes. Veintidós años en el fútbol, ex-ojeadora, socia fundadora. Poca paciencia para lo técnico. No quiere ver tu código ni tus números por fold: quiere saber si el modelo acierta de verdad fuera de los datos con los que lo hiciste, cuál es su margen de error en millones y si puede ponerle el sello de Fichaje a ese número delante de un presidente de club. Prefiere un «vale 8 millones más o menos 3, comprobado con jugadores que el modelo no vio» a un «vale 11 millones» pelado y bonito que luego falle.

Fíjate en la tensión, porque la vas a vivir toda la semana: Chus quiere el número de Olarra ya, y quiere que sea alto. Gorka quiere que el número sea honesto, lo diga quien lo diga. Tú estás en medio. La lección que te llevas no es «hazle caso a uno»: es que darle a alguien un número que no se sostiene, solo porque es el que quería oír, es la forma más rápida de que Fichaje respalde un fichaje caro que luego sale mal y pierda al cliente. Tu trabajo no es confirmar la corazonada de Chus. Es decir la verdad con su margen.

## Por qué trabajas en Python y no en Power BI

Fichaje usa Power BI para los dosieres que ve el director deportivo de un club: cuántos goles, cuántos minutos, cómo evolucionó el valor. Eso describe lo que ya pasó, y para eso está muy bien. Pero Power BI no estima el valor del año que viene a partir de treinta estadísticas cruzadas con miles de jugadores: para eso hay que entrenar un modelo de regresión, y eso vive en Python. Pandas para preparar los datos, scikit-learn para el modelo. Esta semana te quedas en esa fase. Nadie espera que toques Power BI todavía; aparece solo como el sitio donde los clubes miran sus números.

## Qué vas a construir esta semana

A lo largo de los cinco días vas a montar, casi sin darte cuenta, un proyecto de código completo con estructura de repositorio. Cada bloque de código que escribas es un trozo de un fichero concreto: el lunes montas el esqueleto y cargas los datos (src/01_explorar.py), el martes limpias los extractos y construyes las estadísticas por 90 minutos y el target (src/02_features.py), el miércoles entrenas el primer modelo y te alegras demasiado pronto (src/03_modelar.py), el jueves descubres que ese modelo te mentía y lo arreglas (src/04_validar.py), y el viernes sacas los gráficos y escribes el informe (src/05_informe.py y el README). Al cerrar la semana tendrás un proyecto de estimación de valor de mercado de jugadores que puedes subir a GitHub como pieza de portfolio.

Pero hoy no se escribe código. Hoy se encuadra el problema, porque un encargo mal entendido se arregla mal por mucho que programes. Los tres ejercicios de esta lección son para asegurarte de que entiendes qué clase de problema es este, qué es el target y qué es solo contexto, y cómo le explicarías a Gorka la diferencia entre un número que celebrar y uno en el que confiar. Es el trabajo de verdad del primer día.