Modelo de previsão de resultados de futebol: como é construído e como se avalia

Um modelo de previsão de jogos de futebol faz uma só coisa: transforma o que se sabe antes do apito inicial numa probabilidade para cada um de três desfechos, vitória da casa, empate e vitória do visitante. Para um diretor desportivo ou um responsável de análise, a pergunta útil não é se o modelo é engenhoso, mas que decisão os seus números conseguem apoiar, e como saber se são bons.

A maioria dos modelos começa pela força das equipas. Resultados recentes, forma, confrontos diretos e qualidade dos adversários são comprimidos num rating para cada lado, e a diferença entre dois ratings dá uma primeira ideia de quem é favorito. Esse é também o alicerce natural da análise de adversários no futebol: uma estimativa de força que seja honesta quanto àquilo que ignora é um melhor ponto de partida para um relatório do que uma narrativa construída sobre os dois últimos jogos. Os ratings movem-se devagar por conceção, pelo que têm de ser ajustados ao que é novo: lesões, castigos e, depois de divulgados, os onzes confirmados, normalmente cerca de uma hora antes do apito inicial. Uma previsão feita antes das fichas de jogo e outra feita depois são previsões diferentes, e um bom produto diz qual das duas está a ver.

A segunda camada é uma simulação de golos. Em vez de prever diretamente um vencedor, estima-se quantos golos cada equipa deverá marcar e sofrer, e depois joga-se o encontro milhares de vezes. Cada resultado simulado conta para uma vitória da casa, um empate ou uma vitória do visitante, e os resultados mais frequentes dão as estimativas de resultado exato. É por isso que os resultados exatos se leem melhor como uma lista curta de desfechos prováveis do que como um veredicto. A Kickwise constrói assim o seu palpite de resultado exato: uma simulação de golos retirada do que cada equipa marcou e sofreu recentemente, calibrada pela leitura das casas de apostas sobre qual dos lados é favorito, com os resultados mais prováveis a ancorar o palpite final.

O terceiro ingrediente é o consenso do mercado usado como ponto de partida. As cotações das casas de apostas, sem a margem, transportam muita informação coletiva sobre notícias da equipa, forma e lesões. Um modelo que as ignore deita fora uma estimativa inicial forte, e um que se limite a repeti-las nada acrescenta. A boa prática é tratar o mercado como um dado entre outros e perguntar o que o modelo acrescenta por cima. Onde não há cotações, como em muitos jogos de menor dimensão, tem de entrar em seu lugar uma estimativa baseada na forma, e é de esperar que seja menos afinada. A Kickwise combina a leitura que um modelo de linguagem faz dos dados do jogo com o consenso do mercado, onde existem cotações, e atualiza o palpite quando os onzes são conhecidos.

A precisão é onde a maior parte das conversas sobre previsão de futebol com aprendizagem automática descarrila, porque um único jogo diz quase nada. Se a uma equipa é dada 70% de probabilidade, continua a esperar-se que perca cerca de três vezes em cada dez, e uma falha não prova que o modelo seja mau. Avalia-se um modelo ao longo de muitos jogos, respondendo a duas perguntas distintas. Está calibrado, isto é, de todos os palpites em torno dos 70%, cerca de 70% acertam? E bate uma referência ingénua? Uma regra de pontuação como o Brier score trata as duas coisas, penalizando mais os erros confiantes do que os cautelosos. Quanto mais baixo, melhor, e o número só tem significado ao lado de uma referência.

Eis o que isso dá com números reais. O registo público da Kickwise guarda o último palpite feito antes do apito inicial para cada jogo e avalia-o pelo resultado aos 90 minutos mais o eventual prolongamento (um jogo decidido nos penáltis conta como empate). Nos últimos 90 dias, os palpites com confiança de 65% ou mais acertaram 41 vezes em 51 (80%), em jogos nos quais a equipa da casa venceu 61% das vezes, pelo que apostar sempre na equipa da casa teria rendido 61%. Considerando todos os palpites, em todos os níveis de confiança, nos últimos 30 dias, foram 62 certos em 99 (63%), com um Brier score de 0,54 contra 0,65 de uma referência que atribui a cada jogo as taxas de vitória da casa, empate e vitória do visitante da própria amostra. São amostras modestas, e os números dos últimos 7 dias (29 em 44, Brier 0,545 contra 0,623) mostram o quanto uma janela curta oscila.

Os limites contam tanto quanto o resultado de destaque. O empate é o desfecho mais difícil de acertar, porque se situa entre dois estados que o modelo, de resto, tenta separar. Os jogos amigáveis e os jogos com poucos dados estão perto de um cara ou coroa, e nenhum método muda isso. Para a rotação do plantel, isto aconselha a usar as probabilidades para dimensionar o risco, não para escolher vencedores. Para as expectativas perante uma direção, aconselha a apresentar um intervalo e um historial ao longo de muitos jogos, nunca uma promessa sobre um só.

Quando construir ou comprar uma ferramenta, faça cinco perguntas. Publica todos os palpites que fez, incluindo as falhas? O palpite tem data e hora em relação às notícias da equipa? É avaliado face a uma referência declarada e não face a nada? Diz onde é fraco? E mostra jogos suficientes para que os números assentem? Estas mesmas perguntas respondem à maior parte do que as pessoas querem dizer quando perguntam quão precisas são as previsões de futebol, e como se fazem: o método vale tanto quanto o historial que se pode confrontar com ele.