Skip to content

Dados na Escalação de Jogadores.

I. Introdução :

  • Importância dos Dados:

A análise de dados vem se tornando uma ferramenta muito importante para a tomada de decisões no esporte, superando limitações da observação tradicional. Assim, é possível identificar padrões ocultos, assim como avaliar desempenho de forma mais objetiva.

  • Objetivo da Apresentação:

A análise de dados estatísticos e métricas avançadas molda e otimiza as decisões sobre a escalação de jogadores titulares no futebol profissional moderno. Explorando não apenas quais dados são usados, mas detalhando os processos, as métricas-chave e os desafios inerentes à utilização de dados para definir quem entra em campo.

  • Observação:

É importante lembrar que a busca por otimizar a escalação/time titular através de dados não é exclusiva do futebol. É uma tendência consolidada em muitos esportes de alto rendimento. Com objetivo comum: Maximizar a probabilidade de vitória, gerenciar a carga física dos atletas e explorar fraquezas adversárias através de evidências quantitativas.Embora o princípio seja o mesmo, as métricas específicas e os critérios de decisão variam drasticamente conforme as regras, dinâmica e objetivos de cada esporte.Como por exemplo: No basquete, é essencial monitorar o número de mudanças rápidas de direção, já que a dinâmica do jogo exige movimentos intensos em espaços curtos. Já no futebol, onde o campo é maior e os jogadores percorrem distâncias mais longas, a coleta de dados sobre sprints e distância total percorrida é mais relevante.

II. Tipos de Dados Utilizados para a Decisão de Escalação:

Segundo a Sports Data Campus [1], são 4 tipos de dados analisados para otimizar a gestão de elenco – desde métricas físicas e técnicas até indicadores táticos e contextuais – são eles: Dados Físicos e de Carga de Trabalho, Dados Técnicos, Dados Táticos e Dados Contextuais e de Desempenho Relativo.

  1. Dados Físicos e de Carga de Trabalho (Monitoramento e Prevenção):
    • Minutos Jogados (Acumulados e Recentes): Não apenas evitar lesões, mas gerenciar picos de performance. Analisar a distribuição ao longo da temporada e em blocos de jogos.
    • Dados de GPS e Rastreamento Fisiológico: Distância percorrida, distância em alta intensidade (High-Speed Running - HSR), número de sprints, acelerações/desacelerações, carga metabólica.
      • Como é usado: Comparar os níveis atuais com os basais do jogador e com as demandas esperadas da partida/posição. Identificar quedas de rendimento físico ou risco iminente.
    • Dados de Recuperação: Questionários subjetivos (percepção de esforço, qualidade do sono), marcadores bioquímicos (quando disponíveis). Como é usado: Indicador adicional para decisões de rotação.

Segundo o Journal of Medical and Biosciences Research [2] Na análise dos dados físicos de um atleta são analisadas métricas como:

2. Dados Técnicos (Avaliação de Habilidade e Execução):

Métricas Tradicionais Contextualizadas:

  • Gols e Assistências: Continuam importantes, mas analisar por 90 minutos, tipo de gol/assistência (bola parada, jogada construída), e comparar com métricas de expectativa
  • Passes Completos: Segmentar por zona do campo (defensiva, meio, terço final), direção (progressivos, laterais, para trás) e tipo (curto, longo, chave).
  • Dribles Bem-Sucedidos: Analisar a taxa de sucesso e onde no campo ocorrem (se progridem o jogo ou apenas mantêm a posse).

Métricas Técnicas Avançadas:

  • Expected Goals (xG): Avalia a qualidade da finalização com base em fatores históricos (localização, tipo de chute, ângulo, pressão defensiva).
  • Expected Assists (xA): Avalia a qualidade do passe que leva a uma finalização.
  • Expected Threat (xT) / Valor de Posse (PV): Métricas mais complexas que avaliam o valor de qualquer ação (passe, drible, condução) em termos de aumento da probabilidade de gol.
  • Passes-Chave e Passes para o Terço Final/Área: Quantificam a criação direta de oportunidades ou a chegada da bola em zonas decisivas.

3. Dados Táticos (Adequação ao Modelo de Jogo e ao Adversário):

  • Mapas de Calor (Heatmaps) e Posição Média: Visualizar onde o jogador atua predominantemente e se isso corresponde ao papel tático esperado. Como é usado: Avaliar disciplina posicional, cobertura de espaços.
  • Pressão (Pressures) e Sucesso na Pressão: Quantificar a atividade defensiva sem bola, crucial para times com pressão alta. Avaliar onde a pressão ocorre e se resulta em recuperação de posse. Exemplo: Um atacante pode ser preferido a outro com mais gols se seus dados de pressão forem muito superiores e o plano de jogo exigir intensidade na primeira linha defensiva.
  • Ações Defensivas por Zona: Desarmes, interceptações, bloqueios, cortes. Analisar não só a quantidade, mas a eficácia (taxa de sucesso em desarmes) e a localização (defendendo a própria área vs. no campo adversário).
  • Duelos Ganhos (Aéreos e no Chão): Avaliar a capacidade física e de imposição em disputas diretas. Crucial para zagueiros, volantes e atacantes de referência. Comparar a taxa de sucesso.

4. Dados Contextuais e de Desempenho Relativo:

  • Desempenho Contra Adversários Específicos/Tipos de Adversários: Histórico do jogador contra o próximo oponente ou contra times com estilos semelhantes (bloco baixo, pressão alta).
  • Impacto na Equipe (On/Off Metrics): Como a equipe performa (em termos de xG a favor/contra, gols marcados/sofridos) quando um jogador específico está em campo versus quando está fora. Cuidado: Requer amostras grandes e controle de variáveis (qualidade dos substitutos, etc.).
  • Índices de Desempenho Compostos: Plataformas como WhoScored, SofaScore, ou índices proprietários dos clubes que tentam agregar múltiplas métricas em uma única nota. Como é usado: Um ponto de partida rápido para comparação, mas a análise detalhada das métricas subjacentes é essencial.

III. O Processo de Decisão: Da Análise à Escalação

  1. Coleta e Processamento: Fontes de dados (Opta, StatsBomb, Wyscout, dados de tracking internos), plataformas de análise, papel dos analistas de dados/desempenho.

  2. Análise Pré-Jogo:

    • Relatórios Individuais: Perfis detalhados dos jogadores do elenco, comparando métricas chave para a posição, forma recente, carga física.
    • Análise do Adversário: Identificar pontos fortes e fracos do oponente usando dados e vídeo. Quais perfis de jogadores do nosso elenco se encaixam melhor para explorar/neutralizar o adversário?
    • Modelagem de Cenários: Simular o impacto de diferentes combinações de jogadores com base em dados históricos e táticos.

  3. Integração com a Comissão Técnica:

    • Reuniões Estratégicas: Apresentação dos insights dos dados para o treinador e auxiliares. Discussão sobre como os achados se alinham (ou não) com a observação em treinos e jogos.
    • O Peso do "Olhômetro" e Intangíveis: Como fatores não quantificáveis (liderança, comunicação, momento psicológico, entrosamento, experiência) são ponderados junto aos dados. A decisão final é sempre do treinador, informado pelos dados.

4. Feedback Pós-Jogo: Analisar se as escolhas baseadas em dados funcionaram, refinar modelos e processos.

IV. Exemplo Prático:

  1. Manchester City (Sob Guardiola):
    • Foco: Ênfase em dados táticos e posicionais. Métricas relacionadas ao controle de posse, passes em zonas específicas, pressão coordenada, ocupação de espaços ("jogo de posição"). A escolha dos jogadores muitas vezes depende de quem melhor executa funções táticas complexas exigidas contra um adversário específico, algo que a análise de dados (combinada com vídeo) ajuda a identificar.
    • Referência: Livros sobre Guardiola (ex: "Pep Confidential" de Martí Perarnau), análises táticas detalhadas (Tifo Football/IRL no YouTube, The Athletic), artigos sobre o City Football Group e seu investimento em análise.

Fonte: https://www.goodreads.com/book/show/22400946-pep-confidential/

V. Desafios, Limitações e a Arte do Treinador

  1. Qualidade e Disponibilidade dos Dados: Nem todos os clubes têm acesso aos mesmos dados (especialmente tracking data). A qualidade da coleta pode variar.
  2. Contexto é Rei: Uma métrica isolada pode enganar. O desempenho é influenciado pelo sistema tático, qualidade dos companheiros, nível do adversário, situação do jogo.
  3. Risco de Supervalorização/Interpretação Equivocada: Correlação não implica causalidade. Modelos podem ter vieses. Achar que "os números não mentem" é perigoso.
  4. O Fator Humano e Intangível: Liderança, resiliência, entrosamento, capacidade de decisão sob pressão – aspectos difíceis de quantificar, mas cruciais, que o treinador avalia diariamente.
  5. Amostragem Pequena: No futebol, poucos gols/eventos decisivos ocorrem por jogo. Métricas podem levar tempo para estabilizar.
  6. Comunicação: A habilidade dos analistas em comunicar insights complexos de forma clara e acionável para a comissão técnica é vital.

VI. Conclusão e Perspectivas Futuras

  1. Síntese: A análise de dados transformou a forma como as escalações são pensadas. É uma ferramenta indispensável para otimizar o desempenho físico, técnico e tático. No entanto, ela complementa, não substitui, a expertise do treinador, a observação direta e a compreensão das dinâmicas humanas do jogo. A decisão final é uma fusão de arte e ciência.

  2. O Futuro:

    • Inteligência Artificial e Machine Learning: Modelos preditivos mais sofisticados para risco de lesão, previsão de desempenho, identificação de padrões táticos complexos em tempo real.
    • Integração de Dados Biométricos e Cognitivos: Monitoramento ainda mais detalhado do estado do jogador (se questões éticas e de privacidade forem resolvidas).
    • Análise Automatizada de Vídeo: Extração automática de eventos táticos e dados de posicionamento a partir de imagens.
    • Feedback em Tempo Real: Possibilidade de ajustes táticos e de pessoal durante o jogo baseados em dados ao vivo (já começando a ser explorado).
    • Democratização: Ferramentas e dados ficando mais acessíveis para clubes de menor porte.

Bibliografia

[1] SPORTS DATA CAMPUS. Análise de desempenho no futebol. Sports Data Campus, [s.d.]. Disponível em: https://sportsdatacampus.com/analise-de-desempenho-no-futebol/. Acesso em: 30 abr. 2025.

[2] AQUINO, R. L. T. de; COSTA, V. T. da; BARBOSA, G. F. et al. Controle de carga no treinamento do atleta de alto rendimento: uma revisão sistemática. ResearchGate, 2024. Disponível em: https://www.researchgate.net/publication/389833668_Controle_de_carga_no_treinamento_do_atleta_de_alto_rendimento_uma_revisao_sistematica. Acesso em: 30 abr. 2025.

DEEPMIND. Game plan: what AI can do for football. DeepMind Blog, 2022. Disponível em: https://deepmind.google/discover/blog/game-plan-what-ai-can-do-for-football/. Acesso em: 30 abr. 2025.

GOOGLE SCHOLAR. Artificial intelligence sports analytics football. Google Scholar, [s.d.]. Disponível em: https://scholar.google.com/scholar?q=artificial+intelligence+sports+analytics+football. Acesso em: 30 abr. 2025.

Histórico de Versões

Versão Data Descrição Autor(es)
1.0 01/05/2025 Passando a pesquisa do membro para o site Thales Euflauzino

Link para o documento de organização