Tesista: Pablo Ariel Groisman
Director: Dr. Andrés Farall
Codirector: Ing. Manuel Duran
Resumen.
En el fútbol, la elección adecuada de futbolistas por parte de los clubes es una tarea difı́cil y a la vez fundamental para el desempeño de un equipo. Tradicionalmente, este trabajo lo realizaban los equipos de scouts, o los mismos dirigentes y cuerpo técnico. Hoy en dı́a, existen múltiples herramientas para evaluar el desempeño de un jugador y la mayorı́a de ellas tiene en cuenta estadı́sticas clásicas como goles o asistencias o algunas más rebuscadas como el XG (expected goals). Inspirada en el éxito de los métodos de filtrado colaborativo en los sistemas de recomendación de pelı́culas o productos a usuarios, esta tesis explora la adaptación de los trabajos de los ganadores del Gran Premio de Netflix, ajustando sus modelos y técnicas algorı́tmicas al ámbito del fútbol. Los sistemas creados mediante estos métodos permiten generar recomendaciones de jugadores a equipos basándose únicamente en el historial de rendimiento pasado, sin depender de estadı́sticas de juego convencionales. Este enfoque tiene el potencial de descubrir patrones latentes de compatibilidad entre jugadores y equipos, ofreciendo una herramienta innovadora para el análisis. La utilidad de estos modelos radica en su capacidad para combinar un rendimiento predictivo prometedor con una relativa interpretabilidad de sus componentes (como sesgos y factores latentes), buscando en este caso, no reemplazar, sino complementar los métodos de scouting y análisis estadı́stico ya existentes, enriqueciendo ası́ el proceso de toma de decisiones en la selección de futbolistas. Se desarrollan los modelos adaptados de [15, 13, 14], ası́ como las técnicas de blending mencionadas junto a otras que se proponen en este trabajo. Se evalúan los métodos en métricas clásicas en el ámbito (RMSE, MAE, PMAE o MAPE), logrando superar a los benchmarks básicos, y se proponen otras dos métricas de ordenamiento para evaluar la utilidad de las recomendaciones (Spearman, Kendall). Luego, se estudian las “Top-5” recomendaciones de modelos particulares a través de un análisis que nos deja como corolario que un error predictivo más bajo no siempre se traduce en recomendaciones más útiles. Por último, se comentan las conclusiones del trabajo junto a lineas de continuación de la investigación y una breve motivación para cada una.
Palabras claves: Filtrado Colaborativo, Factorización Matricial, SVD, TIMESVD++, Modelos de Vecindad, Modelos de Factores Latentes, Dinámicas Temporales, Blending, Sistemas de Recomendación, Recomendacion de Jugadores de Fútbol, Gran Premio de Netflix.
Buenos Aires, 2025
Descargar PDF
Investigación sobre la aplicación de técnicas de filtrado colaborativo para la recomendación de jugadores a equipos de fútbol