Evaluación del valor de mercado de los futbolistas de la Liga MX con base en su desempeño deportivo y variables cualitativas en la temporada 2021-2022
DOI:
https://doi.org/10.46661/rev.metodoscuant.econ.empresa.11486Palabras clave:
Aprendizaje automático, valuación de futbolistas, Wyscout, TransfermarktResumen
El presente estudio identifica las principales variables que influyen en el valor de mercado de los jugadores de fútbol de la Liga MX utilizando variables de desempeño
en la temporada previa 2021-2022 y otras variables cualitativas. Utilizamos tres algoritmos para pronosticar el valor de mercado asignado por Transfermarkt: regresión lineal múltiple, árboles de decisión y bosques aleatorios. De acuerdo con los resultados de nuestro algoritmo con menor error cuadrático medio, los bosques aleatorios, las variables de desempeño que más influyen en el valor de mercado de
un jugador son el total de acciones, los regates y los duelos en los que se participa. Además de las variables de desempeño, existen variables cualitativas muy relevantes,
como el equipo, la vigencia de contrato y la participación en selección nacional. Se recomienda a los clubes de la Liga MX emplear métodos de análisis similares para utilizar su presupuesto de transferencias de jugadores de forma más eficiente.
Descargas
Citas
Al-Asadi, M. A., & Tasdemir, S. (2022). Predict the Value of Football Players Using FIFA Video Game Data and Machine Learning Techniques. IEEE Access, 10, 22631-22645. https://doi.org/10.1109/ACCESS.2022.3154767
Awasthi, P., Beutel, A., Kleindessner, M., Morgenstern, J., & Wang, X. (2021). Evaluating Fairness of Machine Learning Models Under Uncertain and Incomplete Information. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 206-214.https://doi.org/10.1145/3442188.3445884
Behravan, I., & Razavi, S. M. (2021). A Novel Machine Learning Method for Estimating Football Players' Value in the Transfer Market. Soft Computing, 25(3), 2499-2511. https://doi.org/10.1007/s00500-020-05319-3
Deutscher, C., & Büschemann, A. (2016). Does Performance Consistency Pay Off Financially for Players? Evidence From the Bundesliga. Journal of Sports Economics, 17(1), 27-43. https://doi.org/10.1177/1527002514521428
Franceschi, M., Brocard, J., Follert, F., & Gouguet, J. (2023). Determinants of Football Players' Valuation: A Systematic Review. Journal of Economic Surveys. 38(3), 577-600.https://doi.org/10.1111/joes.12552
Frick, B. (2011). Performance, Salaries and Contract Length: Empirical Evidence from German Soccer. International Journal of Sport Finance, 6(2), 87-118.https://doi.org/10.1177/155862351100600201
Herm, S., Callsen-Bracker, H.-M., & Kreis, H. (2014). When the Crowd Evaluates Soccer players' Market Values: Accuracy and Evaluation Attributes of an Online Community. Sport Management Review, 17(4), 484-492. https://doi.org/10.1016/j.smr.2013.12.006
Hill, D. F., Skinner, J., & Grosman, A. (2025). A Review of Football Player Metrics and Valuation Methods: A Typological Framework of Football Player Valuations. Managing Sport and Leisure, 1-24.https://doi.org/10.1080/23750472.2025.2459727
Hogan, V., & Massey, P. (2021). Soccer Clubs and Diminishing Returns: The Case of Paris Saint-Germain. International Journal of Sport Finance, 16(3), 127-138. https://doi.org/10.32731/ijsf/163.082021.02
Keppel, P., & Claessens, T. (2020). How the Volunteers of Data Website Transfermarkt Became Influential Players at European top Football Clubs. Follow the Money. https://www.ftm.eu/articles/transfermarkt-volunteers-european-football
Kuhn, M. (2019). The Caret Package. https://topepo.github.io/caret/index.html
LeDell, E. (2018). useR! Machine Learning Tutorial. https://koalaverse.github.io/machine-learning-in-R/
Majewski, S. (2016). Identification of Factors Determining Market Value of the Most Valuable Football Players. Journal of Management and Business Administration. Central Europe, 24(3), 91-104.https://doi.org/10.7206/jmba.ce.2450-7814.177
Metelski, A. (2021). Factors Affecting the Value of Football Players in the Transfer Market. Journal of Physical Education and Sport, 21(2), 1150 - 1155. https://doi.org/10.7752/jpes.2021.s2145
Miao, H., Cachucho, R., & Knobbe, A. (2015). Football Player's Performance and Market Value. European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD).
Moya-Villanueva, G. R., & Córdova-Ramos, L. A. (2021). Análisis del Precio de los Futbolistas de la Liga Premier Inglesa con Respecto a sus Estadísticas en FIFA 20. Pensamiento Crítico, 26(2), 165-200.
https://doi.org/10.15381/pc.v26i2.18785
Müller, O., Simons, A., & Weinmann, M. (2017). Beyond Crowd Judgments: Data-Driven Estimation of Market Value in Association Football. European Journal of Operational Research, 263(2), 611-624. https://doi.org/10.1016/j.ejor.2017.05.005
Pappalardo, L., Cintia, P., Rossi, A., Massucco, E., Ferragina, P., Pedreschi, D., & Giannotti, F. (2019). A Public Data set of Spatio-Temporal Match Events in Soccer Competitions. Scientific Data, 6(1), 236. https://doi.org/10.1038/s41597-019-0247-7
Peeters, T. (2018). Testing the Wisdom of Crowds in the Field: Transfermarkt Valuations and International Soccer Results. International Journal of Forecasting, 34(1), 17-29. https://doi.org/10.1016/j.ijforecast.2017.08.002
Prockl, F., & Frick, B. (2018). Wage Determination in a Regulated Labor Market: Empirical Evidence from Major League Soccer (No. 39). Paderborn University, Faculty of Business Administration and Economics.
Sánchez, M., Orgaz, B., Ramirez-Campillo, R., Nakamura, F. Y., Luis-Pereira, J. M., Carretero, G., & Sánchez-Sánchez, J. (2022). Factores Asociados al Valor de Mercado de los Futbolistas Profesionales. Cuadernos de Psicologia Del Deporte, 22(3), 140-150.
https://doi.org/10.6018/cpd.457441
Shin, J., & Gasparyan, R. (2014). A Novel Way to Soccer Match Prediction. Stanford University: Department of Computer Science.
Shu-Ching Chen, Mei-Ling Shyu, & Na Zhao. (2005). An Enhanced Query Model for Soccer Video Retrieval Using Temporal Relationships. 21st International Conference on Data Engineering (ICDE'05), 1133-1134. https://doi.org/10.1109/ICDE.2005.20
Simmons, R. (2022). Professional Labor Markets in the Journal of Sports Economics. Journal of Sports Economics, 23(6), 728-748.
https://doi.org/10.1177/15270025211051062
Singh, P., & Lamba, P. S. (2019). Influence of Crowdsourcing, Popularity and Previous Year Statistics in Market Value Estimation of Football Players. Journal of Discrete Mathematical Sciences and Cryptography, 22(2), 113-126. https://doi.org/10.1080/09720529.2019.1576333
Soto-Valero, C. (2017). A Gaussian Mixture Clustering Model for Characterizing Football Players Using the EA Sports' FIFA Video Games System. [Modelo Basado en Agrupamiento de Mixturas Gaussianas para Caracterizar Futbolistas Utilizando el Sistema de Videojuegos FIFA de EA Sports. RICYDE. Revista Internacional de Ciencias Del Deporte, 13(49), 244-259. https://doi.org/10.5232/ricyde2017.04904
https://doi.org/10.5232/ricyde2017.04904
Stanojevic, R., & Gyarmati, L. (2016). Towards Data-Driven Football Player Assessment. 2016 IEEE 16th International Conference on Data Mining Workshops (ICDMW), 167-172. https://doi.org/10.1109/ICDMW.2016.0031
Therneau, T. M., & Atkinson, E. J. (2022). An Introduction to Recursive Partitioning Using the RPART Routines. https://cran.r-project.org/web/packages/rpart/vignettes/longintro.pdf
Yaldo, L., & Shamir, L. (2017). Computational Estimation of Football Player Wages. International Journal of Computer Science in Sport, 16(1), 18-38. https://doi.org/10.1515/ijcss-2017-0002
Yiğit, A. T., Samak, B., & Kaya, T. (2020). Football Player Value Assessment Using Machine Learning Techniques. International Conference on Intelligent and Fuzzy Systems,289-297. https://doi.org/10.1007/978-3-030-23756-1_36
Ying, X. (2019). An Overview of Overfitting and its Solutions. Journal of Physics: Conference Series, 1168, 022022. https://doi.org/10.1088/1742-6596/1168/2/022022
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Luis Fernando Cisneros Nuñez, Miguel Angel García Cepeda, Hernán Ayrton González Cruz, Álvaro Andrés Jasso Cantú, Jaime Lara Lara, David Alejandro Vélez González
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
El envío de un manuscrito a la Revista supone que el trabajo no ha sido publicado anteriormente (excepto en la forma de un abstract o como parte de una tesis), que no está bajo consideración para su publicación en ninguna otra revista o editorial y que, en caso de aceptación, los autores están conforme con la transferencia automática del copyright a la Revista para su publicación y difusión. Los autores retendrán los derechos de autor para usar y compartir su artículo con un uso personal, institucional o con fines docentes; igualmente retiene los derechos de patente, de marca registrada (en caso de que sean aplicables) o derechos morales de autor (incluyendo los datos de investigación).
Los artículos publicados en la Revista están sujetos a la licencia Creative Commons CC-BY-SA de tipo Reconocimiento-CompartirIgual. Se permite el uso comercial de la obra, reconociendo su autoría, y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
Hasta el volumen 21 se ha estado empleando la versión de licencia CC-BY-SA 3.0 ES y se ha comenzado a usar la versión CC-BY-SA 4.0 desde el volumen 22.
