Análise de Dados no Futebol: Como a Probabilidade Pré-Jogo Conquista Espaço nas Decisões

O argumento a favor da análise de dados no futebol não é que um número diz o que vai acontecer. É que uma probabilidade bem construída impõe uma pergunta mais disciplinada: considerando tudo o que se sabe antes do apito inicial, qual é a dificuldade real deste jogo e o que isso deve significar para a preparação, para a escolha dos jogadores e para a interpretação do resultado a seguir? É nessa reformulação que reside o valor prático, e vale a pena ser preciso em relação a cada caso de uso separadamente.

Para uma equipa técnica que planeia a semana de trabalho, uma probabilidade pré-jogo condensa o peso das evidências num único ponto de referência. Se uma equipa tem 40% de hipóteses de ganhar fora de casa contra um adversário do top quatro, esse número não é um palpite; é um sinal. Diz à equipa técnica que está perante um jogo em que mesmo uma boa exibição pode não resultar em três pontos, o que influencia até que ponto uma abordagem tática mais agressiva ou mais conservadora vale o risco, e quanto da semana dedicar à organização ofensiva em detrimento da compacidade defensiva. A atualização do onze, normalmente disponível cerca de uma hora antes do pontapé de saída quando as escolhas confirmadas chegam, acrescenta uma segunda camada de decisão: lesões e suspensões alteram a probabilidade, e uma equipa técnica que acompanha essa variação em tempo real tem uma leitura mais precisa sobre se o adversário está fragilizado ou em plenas condições.

Na gestão de rotações, a dimensão da dificuldade dos jogos é aquela que mais frequentemente é tratada pela intuição em vez de critérios estruturados. Uma sequência congestionada de jogos assume contornos diferentes quando cada partida carrega uma estimativa explícita de dificuldade. Um jogo classificado como muito provável de produzir determinado resultado é um problema de rotação diferente de um que se situa perto do equilíbrio. A probabilidade não toma a decisão de rotação, mas oferece ao diretor desportivo e ao treinador principal uma linguagem comum para essa conversa, uma linguagem que chega com clareza a um conselho de administração ou a um proprietário que talvez não veja todos os jogos mas lê a lista de partidas.

É nessa conversa ao nível do conselho que a probabilidade se torna tanto uma ferramenta de análise de desempenho futebol como uma ferramenta de preparação. Um dos problemas persistentes na tomada de decisões baseada em dados no futebol é separar a qualidade do processo da qualidade do resultado. Uma série de três derrotas parece alarmante, mas se cada jogo apresentava uma probabilidade que colocava a equipa como favorita a perder, essa série pode dizer mais sobre o calendário do que sobre o plantel ou o treinador. Os conselhos que reagem aos resultados sem ter em conta a dificuldade prévia estão a medir a coisa errada. Um registo de probabilidades gradadas, revisto ao longo de uma amostra significativa, ajuda a liderança a distinguir entre um treinador que perde jogos que era suposto perder e um que fica sistematicamente aquém da probabilidade.

Para um responsável por análise de dados para futebol, a questão mais imediata é como avaliar se qualquer previsão, de qualquer fonte, vale a pena utilizar. Três aspetos são determinantes. Primeiro, a calibração: se um modelo atribui 70% a um conjunto de jogos, o resultado previsto deve ocorrer aproximadamente 70% das vezes nesse conjunto. Um modelo que diz 70% e acerta 90% das vezes está subconfiante; um que acerta 50% das vezes está excessivamente confiante. Em qualquer dos casos, não é um modelo de 70%. Segundo, um registo público gradado com uma metodologia definida. A previsão deve estar bloqueada antes do pontapé inicial, avaliada em função de uma definição de resultado específica, e a amostra deve ser suficientemente grande para distinguir competência de sorte. Um registo de uma dúzia de jogos não prova nada. Terceiro, uma linha de base honesta. A precisão bruta é quase irrelevante sem saber com que frequência o palpite ingénuo óbvio, como apoiar sempre na equipa da casa, teria acertado na mesma amostra.

O registo público da Kickwise ilustra por que razão os três critérios importam simultaneamente. Com um nível de confiança igual ou superior a 65% nos últimos 90 dias, o registo situa-se em 58 acertos em 75 (77%), contra uma linha de base da equipa da casa de 49% nesses mesmos jogos. Essa diferença é significativa, mas a definição é importante: são apenas as previsões de alta confiança, e o registo é avaliado com base no resultado após os 90 minutos mais o prolongamento eventual, com jogos decididos nas grandes penalidades contabilizados como empates. Considerando todos os níveis de confiança nos últimos 30 dias, o panorama muda para 92 acertos em 176 (52%), com um Brier score de 0,586 contra uma linha de base de 0,66. O Brier score, uma medida da precisão das estimativas de probabilidade e não apenas da previsão final, mostra que o modelo acrescenta valor mesmo onde a precisão bruta parece modesta. Qualquer responsável de dados que avalie um produto de previsão deve exigir exatamente este tipo de divulgação por camadas.

Compreender a real precisão das previsões de futebol com inteligência artificial na prática implica aceitar duas coisas que coexistem de forma desconfortável. Um modelo bem construído pode acrescentar uma vantagem genuína e mensurável em relação às linhas de base simplistas. E uma previsão de 70% ainda falha cerca de 3 vezes em cada 10, pelo que nenhum resultado individual valida ou invalida a ferramenta. O empate continua a ser o resultado mais difícil de atribuir de forma fiável. Jogos de preparação e partidas com dados escassos ficam próximos de uma moeda ao ar independentemente da qualidade do modelo. Uma probabilidade é mais útil quando os dados que a sustentam são densos, quando a amostra para a avaliar é grande e quando quem a lê compreende que um bom processo e um bom resultado não são a mesma coisa.