The FIFA World Cup 2026 Master Dataset: A Normalized 3NF Relational Benchmark of the Expanded 48-Team International Football Tournament

El fútbol ha sido durante mucho tiempo un juego de pasión e instinto, pero en las últimas décadas, una revolución silenciosa ha estado convirtiendo al deporte en una ciencia. Los analistas y entrenadores ahora dependen de vastas cantidades de información estructurada para comprender lo que sucede en el campo, yendo más allá de los simples marcadores para rastrear cada pase, tiro y sustitución. Este campo, conocido como analítica deportiva, busca encontrar patrones en el caos de un partido, utilizando los datos para explicar por qué un equipo ganó o perdió, cómo se desempeñó un jugador y qué podría suceder después. Si bien las empresas comerciales suelen poseer los registros más detallados tras muros de pago, la comunidad científica ha necesitado durante mucho tiempo conjuntos de datos abiertos y fiables para probar nuevas ideas y mejorar nuestra comprensión del juego. El desafío siempre ha sido que los datos públicos disponibles suelen ser desordenados, inconexos o carecen de los detalles específicos necesarios para un estudio profundo, como la ubicación exacta de un estadio o el valor de mercado preciso de un jugador.

En el verano de 2026, un investigador llamado MD Mominul Islam, de la Universidad de Ciencia y Tecnología de Shahjalal en Bangladesh, abordó esta brecha mediante la creación de un registro digital exhaustivo de la Copa Mundial de la FIFA. Este torneo fue un evento histórico, expandiéndose de 32 a 48 selecciones nacionales y contando con 104 partidos disputados en 16 sedes en Canadá, México y los Estados Unidos. El partido final vio a España derrotar a Argentina 1–0, pero la verdadera significación del evento para la ciencia de datos reside en el enorme volumen de actividad que generó. El investigador recopiló información siguiendo el torneo de 39 días, reuniendo detalles de cada uno de los juegos, las 48 selecciones clasificadas y los 1,248 jugadores registrados. El resultado es una colección masiva y organizada de hechos que vincula la biometría de los jugadores, la geografía de las sedes y los eventos de los partidos en un sistema único y coherente.

El logro central de este trabajo es la creación de una base de datos "normalizada", que es una forma específica de organizar la información para que cada pieza de dato tenga un lugar único y esté conectada lógicamente con todo lo demás. En lugar de tener hojas de cálculo dispersas donde la información podría ser repetida o contradictoria, el investigador construyó un sistema con 12 tablas distintas que encajan como un rompecabezas. Una tabla contiene los detalles de los 16 estadios, incluyendo su capacidad y, crucialmente, su elevación sobre el nivel del mar, lo cual puede afectar cómo los jugadores respiran y rinden. Otra tabla rastrea a los 1,248 jugadores, registrando su altura, fecha de nacimiento, experiencia internacional y su valor de mercado estimado en euros. Un tercer conjunto de tablas captura los 104 partidos mismos, vinculándolos con los árbitros específicos, los equipos involucrados y los marcadores finales. Esta estructura permite a un investigador plantear preguntas complejas, tales como cómo la altitud de un estadio en la Ciudad de México influyó en el desempeño de un equipo de una nación costera, sin tener que realizar un cruce manual de docenas de archivos diferentes.

Lo que hace que este conjunto de datos sea particularmente valioso es la inclusión de métricas que suelen faltar en los datos públicos gratuitos. La colección incluye "goles esperados" (expected goals), una medida estadística que estima la probabilidad de que un tiro se conviendo en gol basándose en desde dónde se tomó y el ángulo del tiro. También proporciona registros minuto a minuto de quién estaba jugando, cuándo fue sustituido y cuánto tiempo permaneció en el campo. Para cada partido, el conjunto de datos ofrece un resumen de las tácticas de los equipos, como cuánto tiempo controló un equipo el balón y cuántos tiros realizó. Además, el investigador incluyó características precalculadas diseñadas para ayudar a las computadoras a aprender de los datos, facilitando que otros construyan modelos que puedan predecir los resultados de los partidos. Los datos cubren el torneo completo, desde los partidos iniciales de la fase de grupos hasta la final, capturando el arco completo de la competición.

Para asegurar que la información fuera confiable, el investigador no se limitó a copiar y pegar números de internet. Construyó un sistema automatizado para verificar los datos contra informes oficiales de la FIFA y otras fuentes autorizadas. Este proceso implicó la ejecución de una serie de nueve pruebas diferentes para verificar que los números tuvieran sentido, junto con una verificación manual de 30 partidos. Por ejemplo, el sistema verificó que el número total de equipos y jugadores coincidiera con el recuento oficial, que ningún partido tuviera un marcador sin un estado correspondiente, y que la suma de los goles anotados por un jugador en los registros detallados de eventos coincidiera con sus goles totales en las estadísticas de los jugadores. Este riguroso proceso de verificación confirmó que los datos eran precisos en un grado muy alto, con una tasa de precisión empírica del 99.87 por ciento.

Los hallazgos presentados en este trabajo no son solo una lista de marcadores, sino una base verificada para el descubrimiento futuro. Los datos revelan una fuerte conexión entre los goles esperados que genera un equipo y los goles reales que anota, mostrando que los modelos estadísticos utilizados para predecir el rendimiento se alinean estrechamente con la realidad. También resaltan las disparidades económicas entre las naciones, mostrando el valor de mercado total de las plantillas para las 15 mejores selecciones clasificadas. Si bien el conjunto de datos no incluye el seguimiento de alta velocidad, segundo a segundo, de cada movimiento de los jugadores debido a restricciones de licencias, proporciona un nivel de detalle que es raro para los recursos de acceso abierto. Captura las condiciones físicas del torneo, las decisiones tácticas de los entrenadores y las contribuciones individuales de cada jugador en un formato que está listo para el análisis.

Este conjunto de datos está ahora disponible para cualquier persona interesada en la ciencia del deporte, provisto en formatos que pueden ser utilizados por software de bases de datos estándar y herramientas de aprendizaje automático. Sirve como un referente para investigadores que desean estudiar cómo la expansión de un torneo afecta al juego, cómo diferentes entornos impactan el rendimiento de los jugadores, o cómo construir mejores modelos para predecir el futuro del fútbol. Al hacer que esta información sea abierta y fiable, el trabajo elimina una barrera significativa para científicos y analistas, permitiéndoles enfocarse en el descubrimiento en lugar de la limpieza de datos. El resultado es un registro claro y concreto de uno de los eventos deportivos más populares del mundo, preservado de una manera que permite que la historia de la Copa del Mundo de 2026 sea contada no solo a través de los momentos destacados y los titulares, sino a través de los hechos precisos e interconectados del juego mismo.