Proyecto de predicción del Mundial 2022 que combina lo lúdico con el análisis de datos. A través de modelos estadísticos se estimaron los posibles resultados de cada partido, generando escenarios y pronósticos que luego pudieron contrastarse con lo sucedido en la realidad. Una experiencia entretenida y a la vez enriquecedora para explorar cómo la analítica se enfrenta a la imprevisibilidad del fútbo
Proyecto de predicción del Mundial 2022 en el que se aplicó Python para extraer datos con Read_html y BeautifulSoup, y posteriormente manipularlos con Pandas y Pickle. Lo más interesante fue la construcción de un modelo estadístico basado en la distribución de Poisson, que permitió estimar la fuerza de cada equipo. Finalmente, el modelo fue evaluado y desplegado, ofreciendo una mirada analítica y entretenida que luego se pudo contrastar con los resultados reales… ¿habrá acertado con el campeón?
RESUMEN EJECUTIVO
El proyecto tuvo como objetivo predecir los resultados del Mundial 2022 utilizando técnicas de análisis de datos aplicadas al fútbol. Para ello se recopiló un dataset histórico de los mundiales desde 1930 hasta 2018, al que se sumaron los datos del fixture y grupos del torneo de Qatar, incluyendo las llaves de playoffs.
El modelo, basado en la distribución de Poisson, permitió calcular la fuerza ofensiva y defensiva de cada selección y, a partir de allí, desarrollar una función de predicción de puntos. Con este enfoque se generaron pronósticos de partidos y escenarios de campeonato, ofreciendo un ejercicio analítico con un fuerte componente lúdico.
Si bien los resultados obtenidos fueron sólidos, el trabajo deja abierta la puerta a futuras mejoras, como incorporar el estado de forma de los equipos, lesiones de jugadores clave u otras variables contextuales que inciden directamente en la competencia.
CONCLUSIONES
A partir del dataset histórico (1930–2018) y del fixture de Qatar 2022, se lograron simulaciones realistas que mostraron el valor de la estadística aplicada al fútbol.
El pronóstico indicó una final entre Alemania y Francia, con Argentina cayendo en semifinales frente a Alemania, lo que abre un espacio de contraste con el desenlace real del Mundial.
Se evidenció que, aunque los modelos estadísticos aportan insights valiosos, factores contextuales como estado de forma, lesiones o decisiones tácticas pueden alterar significativamente los resultados.
TRABAJO REALIZADO
Recopilación de datos
El inicio del proyectó consto en la recopilación de datos hecha a través de Read_html y técnica de Web Scraping. Las fuentes tanto para la obtención de los resultados históricos de todos los mundiales como para el fixture y los grupos del Mundial 2022 fueron extraidas desde Wikipedia. Luego se guardaron ambos archivos como .csv.
Limpieza de datos
Se eliminaron espacios en blanco, se revisaron datos faltantes y quitamos caracteres como "w/o" que podían llegar a entorpecer el análisis.
Modelado de Datos
Se generó un fuerza ofensiva y defensiva para cada equipo teniendo en cuenta los resultados históricos. Esto se hizo mediante la distribución de Poisson permitiéndonos calcular la probabilidad de ocurrencia de un evento determinado (gol).
Evaluación del modelo
Se crearon dos funciones para implementar el modelo estadistico. La primera ganador_partido que simplemente realiza una comparativa de todos los integrantes de los partidos para ver si su "lambda" es superior al de su rival. La segunda, también sencilla, nos permitía actualizar la tabla dados dos inputs como lo es el fixture de la etapa pre-partido y el de posterior al partido.
Desarrollo final
El modelo pronosticó a Alemania como campeona y a Francia como subcampeona, con Argentina cayendo en semifinales. En conjunto, el desempeño fue moderadamente sólido, al acertar dos de los cuatro semifinalistas. No obstante, es un proyecto abierto a mejoras: incorporar la forma reciente de los equipos, lesiones y otras variables contextuales permitiría afinar las predicciones. Más allá del resultado, el valor principal radica en el flujo end-to-end logrado: extracción de datos en HTML, limpieza y preparación, y modelado estadístico, todo desarrollado en Python. Este primer entregable sienta una base clara para futuras iteraciones con resultados más precisos.