Cómo utilizar Inteligencia Artificial para descubrir historias en un dataset de Kaggle: México en el Mundial 2026
Introducción
Cuando trabajamos con un conjunto de datos, normalmente el siguiente paso consiste en crear gráficos y calcular estadísticas. Sin embargo, un gráfico por sí solo no siempre explica lo que realmente está ocurriendo.
En este proyecto utilicé un dataset público de Kaggle con información del Mundial de la FIFA 2026. Después de preparar los datos con Python y Pandas, decidí incorporar Inteligencia Artificial como apoyo para formular preguntas, identificar patrones y convertir los números en una historia con sentido.
El objetivo no fue que la IA reemplazara el análisis, sino utilizarla como un asistente capaz de proponer nuevas perspectivas y ayudar a interpretar los resultados obtenidos.
¿Qué información contiene el dataset?
El conjunto de datos incluye información de todas las selecciones participantes en el Mundial 2026, entre ellas:
Información de los jugadores.
Estadísticas por partido.
Eventos del encuentro.
Goles esperados (Expected Goals).
Disparos realizados.
Posiciones promedio de los jugadores.
Momentum del partido.
Incidentes y sustituciones.
Para este primer análisis nos centraremos únicamente en la convocatoria de la Selección Mexicana.
Primera pregunta de la IA
¿México apostó por juventud o experiencia?
Jugadores: 26
Edad promedio: 27.5 años
Mediana: 28 años
Jugador más joven: Gilberto Mora (17 años)
Jugador más veterano: Guillermo Ochoa (40 años)
La primera sugerencia de la IA fue analizar la distribución de edades de la convocatoria. En lugar de limitarse a calcular una edad promedio, la propuesta consistió en observar si el equipo estaba compuesto principalmente por jugadores jóvenes, experimentados o por una combinación de ambos.
El resultado muestra que la mayor concentración de futbolistas se encuentra entre los 25 y 30 años, una franja que suele coincidir con el mejor momento competitivo de un jugador profesional.
Además, aparecen dos casos que llaman inmediatamente la atención:
Gilberto Mora, con 17 años, fue el jugador más joven de la convocatoria.
Guillermo Ochoa, con 40 años, fue el futbolista de mayor experiencia.
La diferencia generacional refleja una estrategia que combina juventud con liderazgo dentro del plantel.
Segunda pregunta
¿La Liga MX sigue siendo la base de la selección?
El análisis revela que la Liga MX continúa siendo la principal fuente de futbolistas para la selección nacional, aunque también existe una presencia importante de jugadores que compiten en ligas europeas.
Esta combinación permite integrar futbolistas acostumbrados al ritmo del torneo mexicano con otros que participan semanalmente en competiciones internacionales.
Tercera pregunta
¿Qué clubes aportaron más jugadores?
La convocatoria no se distribuye de forma uniforme entre los clubes.
El análisis muestra que algunos equipos aportaron una parte importante del plantel, destacando Guadalajara, seguido por otros clubes de la Liga MX.
Este tipo de visualización ayuda a identificar qué instituciones mantienen una mayor presencia dentro de la selección nacional.
Ranking de goleadores de la selección mexicana antes de mundial 2026
Mis conclusiones del ejercicio de analizar datos con IA
Durante este análisis descubrí que el verdadero valor de la Inteligencia Artificial no consiste en generar gráficos automáticamente.
Su mayor aportación fue ayudar a formular preguntas como:
¿Qué historia cuentan realmente estos datos?
¿Qué patrón merece ser explicado?
¿Qué visualización aporta contexto y cuál solo añade ruido?
¿Qué conclusión puede interesar tanto a un analista como a un aficionado al fútbol?
Algo que también aprendí es que la instrucción para las gráficas debe ser muy precisa ,debes decirle de que archivo obtener la información ,como quieres el diseño del gráfico y validar la información, el que debe filtrar y definir es la persona que está atrás de la solicitud.
Algo que también le pedí a la IA fue que me indicará si la gráfica que le pedia no era posible generarla que no la inventara ,que tomara siempre como referencia el origen de los datos.
En otras palabras, la IA actuó como un copiloto de análisis, ayudando a transformar un conjunto de datos en una narrativa comprensible
Comentarios
Publicar un comentario
Dejanos tus dudas y comentarios