TFM · Máster en Big Data Aplicado al Scouting Deportivo · Sports Data Campus
Jaime Oriol Goicoechea
Estimación causal del efecto del shock emocional (gol a favor / gol en contra / proximidad de eliminación) sobre el comportamiento del jugador en ventanas pre vs post de ±10 min, medido en cuatro canales (Empuje Ofensivo, Solidez Defensiva, Inteligencia Espacial Off-ball, Pulso Físico) sobre PFF FC World Cup Qatar 2022.
Output: ranking tridimensional de jugadores clutch (Indice Remontador post GA + Indice Cerrojo post GF + Pressure Response continuo en elim_prox) con intervalos de credibilidad bayesianos, agregado por bucket posicional (DEF/MED/ATA) y posicion granular (16 PFF labels).
El CCV se compone de dos mapas: el mapa conceptual describe qué descompone (tipo de shock × ruptura del bloque × signo de la reaccion sobre 4 canales) y el stack de 5 capas causales describe como aisla el efecto del jugador del empuje colectivo del equipo.
El pipeline tecnico se ejecuta como un DAG de 6 fases: extraccion -> WP backbone -> shocks/near-miss -> 4 canales en paralelo -> CATE jerarquico -> ensamblaje scout-facing.
Datos raw originales (PFF tracking, StatsBomb, Wyscout) y documentacion interna del proyecto estan fuera del repositorio (.gitignore).
CCV/
├── README.md # este fichero
├── TFM_CCV.pdf # PDF compilado del TFM
├── run_pipeline.sh # E2E orquestador (auto detect cores + GPU)
├── data/parquet/
│ ├── pff/ # versionado: events (64) + metadata + rosters
│ └── derived/ # versionado: caches M03 a M14
│ ├── preprocess/, wp/, psxg/, nearmiss/, shocks/
│ ├── ataque/, defensa/, offball/, fisico/
│ ├── did/, did_validation/, aipw/, audit/
│ └── cate/ # M14 outputs (cate_nuts.pkl ignorado, 409 MB regenerable)
├── cache/vaep/ # versionado: features + labels VAEP por partido
├── src/
│ ├── extract/ # extractores raw a parquet (lossless)
│ ├── preprocess/pff_grades_extract.py # priors PFF grades (input M14)
│ ├── M01_loader_pff.py # API PFF (events, tracking, metadata, rosters)
│ ├── M02_loader_public.py # API Wyscout + StatsBomb (polars nativo)
│ ├── M03_preprocess.py # direction, score state (SB ground truth), minutos, enrich_events
│ ├── M04_wp.py # Win Probability bayesiana (numpyro SVI ordered logistic)
│ │ # + leverage + ET Poisson + tanda parametrica + MC group elim_prox
│ ├── M05_psxg.py # Post shot xG (LightGBM + Optuna 60 + isotonic + freeze 360)
│ │ # AUC OOF 0.968, holdout WC22 0.976 (vs SB 0.844)
│ ├── M05B_calibration.py # PSxG calibration (curve, ECE/MCE, Brier Murphy 1973)
│ ├── M06_nearmiss.py # Near miss 5 tipos (palo, offside 360, PSxG save, GLC, GLT)
│ ├── M07_shocks.py # 172 shocks gol + ventanas ±10min + LOO team_members
│ ├── M08_ataque.py # Empuje Ofensivo: atomic VAEP CatBoost + un xPass (Z06)
│ ├── M09_defensa.py # Solidez Defensiva: vdep_strict (Z04) + xpress (Z03)
│ │ # + maejima (Z05) + def3rd + press_value
│ ├── M10_offball.py # Off ball OBSO + C OBSO (Spearman 2018 + Teranishi 2022)
│ │ # PPCF Z02 + xG grid + tracking PFF 25Hz
│ ├── M11_fisico.py # Pulso Fisico Bradley 2024 + bayesiano jerarquico SVI
│ ├── M12_did.py # DiD within player: ATE FE + Sun Abraham + BJS + HonestDiD
│ ├── M12B_validation.py # placebo + power + window sensitivity + stage stratified
│ ├── M13_aipw.py # AIPW DoubleMLIRM + DML PLR + DR learner + RDD + spec curve
│ ├── M14_cate.py # CATE bayesiano NUTS HMC 4 chains + 5 etas + LKJ
│ ├── M15_ccv.py # tabla scout final + 16 cells contextualizados + buckets
│ ├── audit_models.py # auditoria 100% modelos predictivos (PSxG/VAEP/VDEP/exPress/unxPass)
│ ├── render_ficha.py # ficha visual scout facing por jugador
│ ├── Z01_vaep.py # atomic VAEP wrapper
│ ├── Z02_pitch_control.py # PPCF Spearman 2018 vectorizado
│ ├── Z03_xpress.py # exPress Lee 2025 P(recovery<5s|press)
│ ├── Z04_vdep.py # VDEP strict Toda 2022 (recovery + attacked)
│ ├── Z05_maejima.py # Atribución frame-level al defensor más cercano
│ └── Z06_unxpass.py # un xPass Robberechts 2023 creative decision
├── notebooks/
│ ├── regen_all.ipynb # regen E2E completa M03-M15 + Z03-Z06 en orden DAG
│ └── regen_m14_kaggle.ipynb # regen M14 NUTS HMC en Kaggle GPU
└── outputs/
├── ccv_table.parquet # tabla scout final (511 jug x 299 cols)
├── viz/ # figuras PNG (PPCF, radar, radar_report, scatter, scatter_team, event-study, mapa conceptual, capas causales, pipeline DAG)
├── assets/ # logos selecciones (33) + caras jugadores FotMob + logo JO + logo SDC
└── ccv_aux/
├── top10_chasing_per_position.parquet # 16 position_group granulares
├── top10_protecting_per_position.parquet
├── top10_pressure_per_position.parquet
├── top10_chasing_per_bucket.parquet # 4 buckets (DEF/MED/ATA, GK aparte)
├── top10_protecting_per_bucket.parquet
├── top10_pressure_per_bucket.parquet
├── dual_clutch_top.parquet
└── by_team.parquet
E2E ejecutado al 100%. Outputs versionados en repo. Caches regenerables via notebooks/regen_all.ipynb o run_pipeline.sh.
| Modulo | Output principal | Sanity verificado |
|---|---|---|
| M03 | preprocess/events_enriched/{match_id}.parquet × 64 | 144,541 filas, 172 goles SB ground truth |
| M04 | wp/per_minute.parquet | 5,910 filas (64 partidos, minuto 1-120 con ET) |
| M05 | psxg/{shots,model/psxg_lgb.pkl} | AUC OOF 0.968, holdout WC22 0.976 (vs SB 0.844) |
| M05B | psxg/calibration/{curve,brier,metrics,iso}.parquet | ECE 0.011, Brier 0.037 (vs SB 0.083) |
| M06 | nearmiss/nearmiss_table.parquet | 70 near miss (12 woodw + 5 offs + 42 save + 2 GLC + 9 GLT) |
| M07 | shocks/{shocks_table,shocks_team_members}.parquet | 172 shocks x ~22 jug = 3,788 filas |
| M08 | ataque/{per_minute,per_shock_window,model} | atomic VAEP + un xPass; per_minute 57,520 filas |
| Z03 | defensa/xpress/per_minute.parquet | exPress Lee 2025; AUC 0.6174 (+24% baseline) |
| Z04 | defensa/vdep_strict/per_minute.parquet | VDEP Toda 2022; AUC rec 0.7950 / att 0.8308 |
| Z05 | defensa/maejima/per_minute.parquet | Atribución defensor más cercano; 38.005 filas |
| Z06 | ataque/unxpass/per_minute.parquet | un xPass Robberechts 2023; AUC 0.8309 |
| M09 | defensa/{per_minute,per_shock_window,press_value,ctx} | score_def_v4 = vdep + xpress + maejima; 57,466 filas |
| M10 | offball/{per_minute,per_shock_window,xg_grid} | OBSO + C OBSO; 105,214 filas; 64 partidos a 25 Hz full |
| M11 | fisico/{raw_per_minute,per_minute,per_shock_window,model} | Bradley 2024 + SVI multivariate; 145,351 filas |
| M12 | did/{panel,ate_population,event_study,honest,diag} | DiD within player + Sun Abraham + BJS; FE~BJS (max 4.2% SE) |
| M12B | did_validation/{placebo,power,window,baseline_naive,stage} | placebo 1000 perm + BH FDR (null); window fisico-GA ~8x w3-w10 |
| M13 | aipw/{panel_master,att_aipw,att_dml_plr,att_dr_learner} | 163 shots con jug en campo; 12,416 filas panel; AIPW+DML+DR |
| M14 | cate/{panel_delta,posterior_player,indices,rankings,diag} | NUTS 4x1000+1000 GPU; 0 div; 108/144 R-hat<1.05; PPC 8/8 |
| M15 | outputs/ccv_table.parquet + ccv_aux/ | 511 jug x 299 cols + 4 buckets posicionales (GK/DEF/MED/ATA) |
PDF completo del trabajo en el root del repo: TFM_CCV.pdf.
# Clonar repo y arrancar pipeline E2E (cache hit en M03-M14 instantaneo)
git clone https://github.com/jaime-oriol/CCV.git
cd CCV
./run_pipeline.sh # auto detect cores + GPU
# Outputs en outputs/ccv_table.parquet + ccv_aux/Para regenerar desde cero (sin cache hit, requiere raw PFF + StatsBomb + Wyscout):
FORCE_CLEAN=1 ./run_pipeline.sh