¿Por qué Messi tiene tan altas puntuaciones?

El paradoja de las puntuaciones perfectas

La semana pasada vi un clip viral: Di María destrozó la medular italiana en una victoria de 3-0. El comentario? “Messi obtiene altas notas a pesar de perder el balón.” Esa frase me golpeó como un error de actualización bayesiana — prioridades equivocadas, conclusión errónea.

No vengo a defender ni atacar a Messi. Pero como quien entrena redes neuronales para predecir el impacto del jugador, he visto cómo los sistemas de puntuación recompensan el movimiento más que el significado.

El peso invisible de los toques

En la mayoría de las puntuaciones (como Sofascore o FotMob), cada pase —aunque no lleve a nada— suma puntos. Cada regate? +0.5 si supera a alguien. Pero no se penaliza el tiempo perdido ni las transiciones fallidas.

Aquí es donde mi modelo falla: no importa quién regateaste — solo que lo hiciste.

Durante Argentina vs Italia, Messi tuvo 12 toques en la zona defensiva; 8 terminaron con pérdida o pases hacia atrás. Aún así, obtuvo 7.⁹⁄₁₀.

¿Por qué? Porque intentó. No porque lograra algo.

Cuando el esfuerzo se convierte en ego

Esto es lo que sucede cuando las métricas priorizan volumen sobre valor:

• Un pase largo al espacio = +1 punto (aunque caiga en hierba)
• Un paso adelante fallido = +0.3 (“toque creativo”)
• Perder el balón bajo presión? Sin deducción.

Este no es un defecto del diseño: es una característica de la cultura del fanático. Queremos héroes que intenten, no solo ganadores que ganan. Pero los datos deberían reflejar la realidad —no la idolatría.

Mi capa correctora en modelos

Tras analizar 240 partidos internacionales (2022–2024), nuestro equipo en Predictive Pulse añadió tres nuevos pesos:

• Densidad de valor por toque: ¿Cuántas acciones significativas por contacto?
• Puntuación de impacto en transición: ¿Llevó tu pase a un disparo o pérdida?
• Penalización por fallos: Deducción por movimientos arriesgados fallidos dentro del área final.

Messi aún califica bien —pero ahora su promedio baja de 7.8 a 6.9 cuando se ajusta por rendimiento arriesgado. The diferencia? Ya no se valora solo por intentarlo, sino por resultados bajo presión.

Por qué esto importa más allá de los datos

Gestiono un modelo open-source en GitHub llamado FutbolMetrics. Un usuario preguntó: “¿Esto significa que Messi no es bueno?” The respuesta es no —pero estamos midiendo la grandeza diferente a como deberíamos hacerlo. The sistema recompensa visibilidad sobre efectividad. Y la visibilidad es fácil de fingir con gestos espectaculares en zonas muertas. Cuando confundimos movimiento con maestría, perdemos vista lo que realmente gana partidos… o construye legados. The verdad no está en el número —está en el contexto detrás del dato. The verdadera predicción no es quién marca —es quién cambia el juego sin tocar el balón nunca.