Predicción de la posición a partir de indicadores antropométricos y de rendimiento en futbolistas jóvenes: un enfoque de aprendizaje automático

Por qué elegir bien la posición en el campo importa

Para cualquier adolescente que sueña con una carrera profesional en el fútbol, encontrar la posición que mejor se ajuste a su cuerpo y habilidades puede marcar una gran diferencia. Los entrenadores suelen recurrir a la experiencia e intuición para decidir quién juega en defensa, en el centro del campo o en la delantera. Este estudio plantea si los datos y los algoritmos informáticos pueden aportar una capa objetiva a esas decisiones mediante el uso de rasgos medibles —como la altura, el peso y las habilidades con el balón— para predecir dónde es más probable que un joven futbolista tenga éxito.

De los datos corporales básicos a las habilidades con el balón

Los investigadores trabajaron con 200 futbolistas juveniles varones de entre 15 y 17 años de clubes de Kazajistán. A cada jugador su entrenador ya le había asignado una posición principal: defensa, centrocampista o delantero. Los científicos midieron características corporales sencillas como edad, altura, peso e índice de masa corporal (IMC), junto con habilidades específicas del fútbol: malabarismos con la cabeza y con los pies, slalom entre conos conduciendo el balón, esprints con balón de 20 metros y disparos a dianas señalizadas en la portería. Estas pruebas se eligieron porque reflejan acciones habituales en el campo: controlar el balón, desplazarse rápidamente con él y culminar las jugadas.

Detectando patrones entre posiciones

Primero, el equipo utilizó pruebas estadísticas estándar para ver cómo diferían en promedio defensas, centrocampistas y delanteros. Encontraron diferencias significativas en varias áreas. Los centrocampistas tendían a ser ligeramente mayores que los defensas. Los delanteros eran generalmente más altos y tenían un IMC más bajo que tanto defensas como centrocampistas, lo que sugiere una constitución más delgada. Además, los delanteros realizaban malabarismos con la cabeza con mayor eficacia y completaban la prueba de slalom con balón más rápido que los defensas. Sorprendentemente, no hubo diferencias claras en el peso básico, los malabarismos con los pies, las puntuaciones de tiro ni en el tiempo simple de dribbling de 20 metros entre posiciones, lo que apunta a que algunas habilidades podrían desarrollarse de forma similar independientemente de la posición en la que juegue un joven.

Dejando que las máquinas adivinen el rol de cada jugador

A continuación, los investigadores recurrieron al aprendizaje automático —programas informáticos que aprenden patrones a partir de datos. Introdujeron todas las medidas corporales y de habilidad en varios algoritmos y les pidieron que predijeran la posición de cada jugador. Tras entrenar con la mayor parte de los datos y probar con el resto, un método llamado Máquinas de Vectores de Soporte destacó sobre los demás. Predijo la posición correcta para el 86 % de los jugadores en conjunto. El modelo fue especialmente preciso para los delanteros, acertando con todos los delanteros en los datos de prueba. Funcionó algo peor para defensas y centrocampistas, que a veces se confundían entre sí, reflejando sus perfiles físicos y técnicos superpuestos en este grupo de edad.

Qué habilidades importaron más

Para entender qué impulsaba las decisiones del modelo, el equipo evaluó cuánto caía la precisión cuando se barajaba cada medición. Los mayores impactos provinieron de rendimientos relacionados con la velocidad con el balón y la finalización: el tiempo de dribbling de 20 metros, la puntuación de tiro, el peso corporal y la prueba de regate general fueron los más influyentes. En contraste, los malabarismos con el balón —por ejemplo, mantenerlo en el aire con la cabeza o combinar toques de cabeza y pies— importaron mucho menos para predecir la posición. Esto sugiere que, al menos para estos adolescentes, habilidades prácticas más parecidas al partido, como esprintar con el balón y efectuar tiros precisos, aportan más información posicional que ejercicios vistosos de control.

Qué significa esto para jugadores jóvenes y entrenadores

Para padres, jugadores y entrenadores, el estudio muestra que pruebas relativamente simples pueden ofrecer señales útiles sobre dónde podría encajar mejor un adolescente en el campo, y que el aprendizaje automático puede convertir esas señales en predicciones de posición razonablemente precisas. Sin embargo, la superposición entre defensas y centrocampistas, y el hecho de que muchas habilidades aún se están desarrollando entre los 15 y 17 años, implica que los números deben complementar, no reemplazar, la mirada del entrenador y las preferencias del jugador. La conclusión principal es que las herramientas basadas en datos pueden ayudar a orientar las elecciones posicionales tempranas —especialmente para roles claramente distintos como el de delantero— pero funcionan mejor cuando se combinan con evaluaciones más amplias del sentido del juego, la toma de decisiones y la comprensión táctica.

Cita: Izhanov, Z., Seisenbekov, Y., Marchibayeva, U. et al. Position prediction from performance and anthropometric indicators in young footballers: a machine learning approach. Sci Rep 16, 6766 (2026). https://doi.org/10.1038/s41598-026-37957-2

Palabras clave: fútbol juvenil, posición de juego, aprendizaje automático, pruebas de rendimiento, identificación de talento