INTRODUCCIÓN

El mercado de fichajes son unos de los meses más entretenidos del fútbol, en verano y en invierno se abre el mercado de fichajes donde clubes de todo el mundo venden y compran jugadores. Los que mejor mercado realicen consiguen grandes ventajas ya sea futbolisticas como económicas, y es uno de los puntos que marcan la diferencia entre ser o no uno de los mejores equipos del mundo.

A continuación, haré un analisis del mercado de la época dorada del futbol, las dos primeras décadas del siglo, donde se alcanzó el máximo nivel futbolístico jamás visto en un campo. Y veremos cómo ha evolucionado estos años.

DATOS

Para realizar el trabajo, he sacado los datos de la pagina webb Kaggle, una web la cual contiene millones de datos, y entre ellos, de los mercados año a año. Aquí teneis el enlace

1. EVOLUCION PRECIO MEDIO

Durante estos años el precio medio de los fichajes ha ido creciendo. He elegido los 10 fichajes más caros de cada año como representativo del mercado, podemos ver que desde 2012 los precios comienzan a dispararse, hasta llegar al pico en 2018, año del fichaje más caro de la historia, el de Neymar; para posteriormente bajar, debido al covid. Entre el año 2004 y 2018 pasamos de una media de aprox. 20 M a 100M, es decir, el precio de los “cracks” se quintuplica.

Código

library(tidyverse)


datikos <- "./datos/top250-00-19.csv"

df_completo <- read_csv(datikos)

top10_x_año <- df_completo %>% 
  mutate(Transfer_fee = as.numeric(Transfer_fee)) %>% 
  mutate(Season = parse_number(Season) + 1) %>%
  group_by(Season) %>%
  slice_max(order_by = Transfer_fee, n = 10, with_ties = FALSE) %>%
  ungroup() %>%
  select(Season, Transfer_fee)

ev_precio_medio <- top10_x_año %>%
  group_by(Season) %>%
  summarise(
    precio_medio = mean(Transfer_fee, na.rm = TRUE),
    n_fichajes = n()
  ) %>%
  ungroup()

  
grafico_lineal <- ggplot(ev_precio_medio, aes(x = Season, y = precio_medio)) +
  geom_line(color = "dodgerblue3", linewidth = 1.2) +
  geom_point(color = "dodgerblue3", size = 2) +
  scale_x_continuous(breaks = seq(min(ev_precio_medio$Season),max(ev_precio_medio$Season),by = 1)) +
  scale_y_continuous(labels = scales::comma, breaks = scales::pretty_breaks(n = 8)) +
  labs(title = "Evolución del precio medio de los top 10 fichajes",
    subtitle = "2001–2019",
    x = "Temporada",
    y = "Precio medio (€)") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 14))

grafico_lineal

2. FICHAJES MÁS CAROS DE LA HISTORIA

En estos años se supero la barrera de los 100 M de euros pagados por un jugador por primera vez en la historia, con el fichaje de Gareth Bale por el Real Madrid, y también realizó el fichaje más caro de la historia del fútbol cuando el PSG fichó a Neymar por 222 M, nunca se ha vuelto a ver una cantidad ni siquiera parecida. A parte, en el top podemos ver algunos fichajes muy existosos como el de Cristiano Ronaldo por el Real Madrid en 2009, o algunos otros desastrosos como el de Coutinho al Barça por 125 M

Código

library(tidyverse)
library(ggimage)

datikos <- "./datos/top250-00-19.csv"

df_completo <- read_csv(datikos)


top_15_fichajes <- df_completo %>%
  select(Name, Season, Transfer_fee) %>% 
  mutate(Transfer_fee = as.numeric(Transfer_fee)) %>% 
  arrange(desc(Transfer_fee)) %>%
  head(15)



df_caras <- data.frame(Name = c(
  "Neymar",
  "Kylian Mbappé",
  "Philippe Coutinho",
  "Cristiano Ronaldo",
  "Ousmane Dembélé",
  "Paul Pogba",
  "Gareth Bale",
  "Cristiano Ronaldo",
  "Gonzalo Higuaín",
  "Neymar",
  "Romelu Lukaku",
  "Luis Suárez",
  "Virgil van Dijk",
  "Zinédine Zidane",
  "Kevin De Bruyne"
),
Foto = c(
  "ney",
  "mbappe",
  "coutinho",
  "elbicho",
  "dembele",
  "pogba",
  "bale",
  "elbicho",
  "pipita",
  "ney",
  "lakaka",
  "suarez",
  "van di",
  "zizu",
  "debruine"
)
) %>%
  mutate(logo = file.path("imagenes", paste0(Foto, ".png")))



top_15_completo <- top_15_fichajes %>%
  left_join(df_caras, by = "Name") %>%
  arrange(desc(Transfer_fee)) %>%
  mutate(
    etiqueta = paste0(Name, " (", Season, ") #", row_number()),
    logo = file.path("imagenes", paste0(Foto, ".png"))
  )

top_15_completo <- top_15_completo[-c(2, 6, 11, 14), ] #borro esas filas maualmente porque no se porque se me duplicaban esos fichajes





mi_grafico <- ggplot(top_15_completo, aes(x = reorder(etiqueta, Transfer_fee), y = Transfer_fee)) +
  geom_col(fill = "dodgerblue3", width = 0.6) +
  coord_flip() +
  geom_image(aes(image = logo, y = 0), size = 0.05) +
  geom_text(
    aes(label = Season, y = max(Transfer_fee) * 0.02),
    hjust = 0,
    size = 3,
    color = "black"
  ) +
  geom_text(
    aes(label = scales::comma(Transfer_fee)),
    hjust = -0.2,
    fontface = "bold",
    size = 3.5) +
  scale_y_continuous(labels = scales::comma) + 
  expand_limits(y = 0) + 
  labs(
    title = "Top 15 Fichajes Mas Caros",
    subtitle = "Desde 2000-2018",
    x = "Jugadores", 
    y = "Precio Pagado") +
  theme_minimal()+
  theme(
    plot.title = element_text(face = "bold", size = 14),
    axis.text.y = element_blank(),
    axis.ticks.y = element_blank(),
    plot.margin = margin(10, 20, 10, 20))

mi_grafico

3. ACTUALIDAD

En este caso, he hecho una especie de busqueda para ver que tanto han cambiado, el perfil de los jugadores caros. En las 2 primeras décadas del siglo los jugadores más caros de media fueron, Extremos izquierdos, de la liga española, y de 33 años. Con esas características solo encontramos 2 jugadores en la actualidad, James Rodriguez y Rubén Peña; que pese a no dudar de su calidad, distan mucho de ser los jugadores más caros del mundo como si que lo son: Lamine Yamal, Haaland, Mbappé (el único que aparecía en el top), Bellingam y Vini Jr. En cuanto a las posiciones y la liga no han variado tanto las preferencias de los equipos, donde si se aprecia la diferencia es en la edad de ellos ya que todos tienen alrededor de 20 años.

Código

library(tidyverse)
library(magick)


datikos <- "./datos/top250-00-19.csv"

df_completo <- read_csv(datikos)

liga_ranking <- df_completo %>%
  mutate(League_from = str_replace(League_from,
                              "Rel. Ligue 1", "Ligue 1")) %>%
  group_by(League_from) %>%
  summarise(
    precio_medio = mean(Transfer_fee, na.rm = TRUE),
    n_fichajes = n()
  ) %>%
  arrange(desc(precio_medio))



edad_ranking <- df_completo %>%
  group_by(Age) %>%
  summarise(
    precio_medio = mean(Transfer_fee, na.rm = TRUE),
    n_fichajes = n()
  ) %>%
  arrange(desc(precio_medio))


posicion_ranking <- df_completo %>%
  group_by(Position) %>%
  summarise(
    precio_medio = mean(Transfer_fee, na.rm = TRUE),
    n_fichajes = n()
  ) %>%
  arrange(desc(precio_medio))



jugadores <- "./datos/database.csv"

df_jugadores <- read_csv(jugadores)

df_jugadores <- df_jugadores %>%
  mutate(Age = as.numeric(str_extract(Age, "^[0-9]+")))%>%
  filter(str_detect(Position, "LW"))%>%
  filter(Age==33)%>%
  slice(-3)  #me aparecía un jugador repetido y por eso lo elimino


james <- image_read("./imagenes/james.jpeg") %>% image_scale(.,"700")
peña <- image_read("./imagenes/peñ.jpeg") %>% image_scale(.,"700")

equipos <- c(james, peña)
image_animate(image_scale(equipos), fps = 0.25)

4. PAISES

Por último, podemos ver que el Chelsea ha sido el equipo que más ha gastado, seguido del City, Real Madrid, FC Barcelona y Manchester United. Todos ellos equipos Ingleses y Españoles. Si hiceramos este estudio en los últimos 5 años probablemente viesemos desaparecer los equipos españoles y aparecer varios equipos de Oriente Medio.

Código

library(tidyverse)
library(highcharter)  

datikos <- "./datos/top250-00-19.csv"

df_completo <- read_csv(datikos)

top_5_equipos <- df_completo %>%
  group_by(Team_to) %>%
  summarise(gasto_total = sum(Transfer_fee, na.rm = TRUE)) %>%
  slice_max(gasto_total, n = 5)



hchart(top_5_equipos, "pie", hcaes(x = Team_to, y = gasto_total)) %>%
  hc_add_theme(hc_theme_economist()) %>% 
  hc_size(height = 500)

5. CONCLUSION

Espero que haya sido de agrado leer este trabajo del mercado de fichajes y os haya ayudado a ver los cambios de tendencia entre el fútbol moderno y el de principios del siglo, aparte de poder haber conocido alguna curiosidad sobre este.

Reutilización

CC BY 4.0

--- title: "Mercado Fichajes Era Dorada del Fútbol" description: | 2001-2019 author: - Simon Casañ (sicaol@alumni.uv.es) date: 2026-01-05 categories: [trabajo BigData, Futbol, Mercado] image: "./imagenes/edit_mercado.jpeg" title-block-banner: "#0e1e5b" title-block-banner-color: "white" toc-depth: 3 smooth-scroll: true format: html: link-external-newwindow: true code-fold: true code-fold-show: false execute: warning: false message: false code-tools: true code-link: true --- --- ## INTRODUCCIÓN El mercado de fichajes son unos de los meses más entretenidos del fútbol, en verano y en invierno se abre el mercado de fichajes donde clubes de todo el mundo venden y compran jugadores. Los que mejor mercado realicen consiguen grandes ventajas ya sea futbolisticas como económicas, y es uno de los puntos que marcan la diferencia entre ser o no uno de los mejores equipos del mundo. A continuación, haré un analisis del mercado de la época dorada del futbol, las dos primeras décadas del siglo, donde se alcanzó el máximo nivel futbolístico jamás visto en un campo. Y veremos cómo ha evolucionado estos años. # DATOS Para realizar el trabajo, he sacado los datos de la pagina webb Kaggle, una web la cual contiene millones de datos, y entre ellos, de los mercados año a año. Aquí teneis el [enlace](https://www.kaggle.com/){target="_blank"} ------------------------------------------------------------------------ ## 1. EVOLUCION PRECIO MEDIO Durante estos años el precio medio de los fichajes ha ido creciendo. He elegido los 10 fichajes más caros de cada año como representativo del mercado, podemos ver que desde 2012 los precios comienzan a dispararse, hasta llegar al pico en 2018, año del fichaje más caro de la historia, el de Neymar; para posteriormente bajar, debido al covid. Entre el año 2004 y 2018 pasamos de una media de aprox. 20 M a 100M, es decir, el precio de los "cracks" se quintuplica. ```{r} library(tidyverse) datikos <- "./datos/top250-00-19.csv" df_completo <- read_csv(datikos) top10_x_año <- df_completo %>% mutate(Transfer_fee = as.numeric(Transfer_fee)) %>% mutate(Season = parse_number(Season) + 1) %>% group_by(Season) %>% slice_max(order_by = Transfer_fee, n = 10, with_ties = FALSE) %>% ungroup() %>% select(Season, Transfer_fee) ev_precio_medio <- top10_x_año %>% group_by(Season) %>% summarise( precio_medio = mean(Transfer_fee, na.rm = TRUE), n_fichajes = n() ) %>% ungroup() grafico_lineal <- ggplot(ev_precio_medio, aes(x = Season, y = precio_medio)) + geom_line(color = "dodgerblue3", linewidth = 1.2) + geom_point(color = "dodgerblue3", size = 2) + scale_x_continuous(breaks = seq(min(ev_precio_medio$Season),max(ev_precio_medio$Season),by = 1)) + scale_y_continuous(labels = scales::comma, breaks = scales::pretty_breaks(n = 8)) + labs(title = "Evolución del precio medio de los top 10 fichajes", subtitle = "2001–2019", x = "Temporada", y = "Precio medio (€)") + theme_minimal() + theme(plot.title = element_text(face = "bold", size = 14)) grafico_lineal ``` ------------------------------------------------------------------------ ## 2. FICHAJES MÁS CAROS DE LA HISTORIA En estos años se supero la barrera de los 100 M de euros pagados por un jugador por primera vez en la historia, con el fichaje de Gareth Bale por el Real Madrid, y también realizó el fichaje más caro de la historia del fútbol cuando el PSG fichó a Neymar por 222 M, nunca se ha vuelto a ver una cantidad ni siquiera parecida. A parte, en el top podemos ver algunos fichajes muy existosos como el de Cristiano Ronaldo por el Real Madrid en 2009, o algunos otros desastrosos como el de Coutinho al Barça por 125 M ```{r} library(tidyverse) library(ggimage) datikos <- "./datos/top250-00-19.csv" df_completo <- read_csv(datikos) top_15_fichajes <- df_completo %>% select(Name, Season, Transfer_fee) %>% mutate(Transfer_fee = as.numeric(Transfer_fee)) %>% arrange(desc(Transfer_fee)) %>% head(15) df_caras <- data.frame(Name = c( "Neymar", "Kylian Mbappé", "Philippe Coutinho", "Cristiano Ronaldo", "Ousmane Dembélé", "Paul Pogba", "Gareth Bale", "Cristiano Ronaldo", "Gonzalo Higuaín", "Neymar", "Romelu Lukaku", "Luis Suárez", "Virgil van Dijk", "Zinédine Zidane", "Kevin De Bruyne" ), Foto = c( "ney", "mbappe", "coutinho", "elbicho", "dembele", "pogba", "bale", "elbicho", "pipita", "ney", "lakaka", "suarez", "van di", "zizu", "debruine" ) ) %>% mutate(logo = file.path("imagenes", paste0(Foto, ".png"))) top_15_completo <- top_15_fichajes %>% left_join(df_caras, by = "Name") %>% arrange(desc(Transfer_fee)) %>% mutate( etiqueta = paste0(Name, " (", Season, ") #", row_number()), logo = file.path("imagenes", paste0(Foto, ".png")) ) top_15_completo <- top_15_completo[-c(2, 6, 11, 14), ] #borro esas filas maualmente porque no se porque se me duplicaban esos fichajes mi_grafico <- ggplot(top_15_completo, aes(x = reorder(etiqueta, Transfer_fee), y = Transfer_fee)) + geom_col(fill = "dodgerblue3", width = 0.6) + coord_flip() + geom_image(aes(image = logo, y = 0), size = 0.05) + geom_text( aes(label = Season, y = max(Transfer_fee) * 0.02), hjust = 0, size = 3, color = "black" ) + geom_text( aes(label = scales::comma(Transfer_fee)), hjust = -0.2, fontface = "bold", size = 3.5) + scale_y_continuous(labels = scales::comma) + expand_limits(y = 0) + labs( title = "Top 15 Fichajes Mas Caros", subtitle = "Desde 2000-2018", x = "Jugadores", y = "Precio Pagado") + theme_minimal()+ theme( plot.title = element_text(face = "bold", size = 14), axis.text.y = element_blank(), axis.ticks.y = element_blank(), plot.margin = margin(10, 20, 10, 20)) mi_grafico ``` ------------------------------------------------------------------------ ## 3. ACTUALIDAD En este caso, he hecho una especie de busqueda para ver que tanto han cambiado, el perfil de los jugadores caros. En las 2 primeras décadas del siglo los jugadores más caros de media fueron, Extremos izquierdos, de la liga española, y de 33 años. Con esas características solo encontramos 2 jugadores en la actualidad, James Rodriguez y Rubén Peña; que pese a no dudar de su calidad, distan mucho de ser los jugadores más caros del mundo como si que lo son: Lamine Yamal, Haaland, Mbappé (el único que aparecía en el top), Bellingam y Vini Jr. En cuanto a las posiciones y la liga no han variado tanto las preferencias de los equipos, donde si se aprecia la diferencia es en la edad de ellos ya que todos tienen alrededor de 20 años. ```{r} library(tidyverse) library(magick) datikos <- "./datos/top250-00-19.csv" df_completo <- read_csv(datikos) liga_ranking <- df_completo %>% mutate(League_from = str_replace(League_from, "Rel. Ligue 1", "Ligue 1")) %>% group_by(League_from) %>% summarise( precio_medio = mean(Transfer_fee, na.rm = TRUE), n_fichajes = n() ) %>% arrange(desc(precio_medio)) edad_ranking <- df_completo %>% group_by(Age) %>% summarise( precio_medio = mean(Transfer_fee, na.rm = TRUE), n_fichajes = n() ) %>% arrange(desc(precio_medio)) posicion_ranking <- df_completo %>% group_by(Position) %>% summarise( precio_medio = mean(Transfer_fee, na.rm = TRUE), n_fichajes = n() ) %>% arrange(desc(precio_medio)) jugadores <- "./datos/database.csv" df_jugadores <- read_csv(jugadores) df_jugadores <- df_jugadores %>% mutate(Age = as.numeric(str_extract(Age, "^[0-9]+")))%>% filter(str_detect(Position, "LW"))%>% filter(Age==33)%>% slice(-3) #me aparecía un jugador repetido y por eso lo elimino james <- image_read("./imagenes/james.jpeg") %>% image_scale(.,"700") peña <- image_read("./imagenes/peñ.jpeg") %>% image_scale(.,"700") equipos <- c(james, peña) image_animate(image_scale(equipos), fps = 0.25) ``` ------------------------------------------------------------------------ ## 4. PAISES Por último, podemos ver que el Chelsea ha sido el equipo que más ha gastado, seguido del City, Real Madrid, FC Barcelona y Manchester United. Todos ellos equipos Ingleses y Españoles. Si hiceramos este estudio en los últimos 5 años probablemente viesemos desaparecer los equipos españoles y aparecer varios equipos de Oriente Medio. ```{r} library(tidyverse) library(highcharter) datikos <- "./datos/top250-00-19.csv" df_completo <- read_csv(datikos) top_5_equipos <- df_completo %>% group_by(Team_to) %>% summarise(gasto_total = sum(Transfer_fee, na.rm = TRUE)) %>% slice_max(gasto_total, n = 5) hchart(top_5_equipos, "pie", hcaes(x = Team_to, y = gasto_total)) %>% hc_add_theme(hc_theme_economist()) %>% hc_size(height = 500) ``` ------------------------------------------------------------------------ ## 5. CONCLUSION Espero que haya sido de agrado leer este trabajo del mercado de fichajes y os haya ayudado a ver los cambios de tendencia entre el fútbol moderno y el de principios del siglo, aparte de poder haber conocido alguna curiosidad sobre este.