Análise de desempenho esportivo baseada em dados estatísticos

(1)

Universidade Federal Fluminense

Instituto de Computa¸

c˜

ao

Departamento de Ciˆ

encia da Computa¸

c˜

ao

Frederico Queiroz Nascimento

AN ´

ALISE DE DESEMPENHO ESPORTIVO

BASEADA EM DADOS ESTAT´ISTICOS

Niter´

oi-RJ

2017

(2)

ii FREDERICO QUEIROZ NASCIMENTO

AN ´ALISE DE DESEMPENHO ESPORTIVO BASEADA EM DADOS ESTAT´ISTICOS

Trabalho submetido ao Curso de Bacharelado em Sistemas de Informa-¸cão da Universidade Federal Fluminense como requisito parcial para a obten¸cão do t´ıtulo de Bacharel em Sistemas de Informa¸cão.

Orientador: Prof. Daniel Cardoso M. de Oliveira

Niter´oi-RJ 2017

(3)

Ficha Catalográfica elaborada pela Biblioteca da Escola de Engenharia e Instituto de Computação da UFF

N244 Nascimento, Frederico Queiroz

Análise de desempenho esportivo baseada em dados estatísticos / Frederico Queiroz Nascimento. – Niterói, RJ : [s.n.], 2017.

31 f.

Projeto Final (Bacharelado em Sistemas de Informação) – Universidade Federal Fluminense, 2017.

Orientador: Daniel Cardoso M. de Oliveira.

1. Mineração de dados (Computação). 2. Análise de desempenho. 3. Futebol. 4. Estatística. 5. Sistema de informação. I. Título.

CDD 005.741

(4)

iii FREDERICO QUEIROZ NASCIMENTO

AN ´ALISE DE DESEMPENHO ESPORTIVO BASEADA EM DADOS ESTAT´ISTICOS

Trabalho submetido ao Curso de Bacharelado em Sistemas de Informa-¸cão da Universidade Federal Fluminense como requisito parcial para a obten¸cão do t´ıtulo de Bacharel em Sistemas de Informa¸cão.

Aprovado por:

Prof. Daniel Cardoso M. de Oliveira, D.Sc. - Orientador UFF

Profa. Aline Marins Paes Carvalho, D.Sc. UFF

Prof. Bruno Lopes, D.Sc. UFF

Niter´oi-RJ 2017

(5)

iv

Dedico este trabalho ao meu pai, Luis Carlos dos Santos Nascimento, que gostaria muito de ter tido a oportunidade de assistir a esta defesa. Este cara nunca mediu esfor¸cos para me proporcionar tudo aquilo que eu precisei e sempre esteve presente para me incentivar e apoiar em todas as etapas da minha vida.

(6)

v

Agradecimentos

`

A minha fam´ılia que sempre me deu a orienta¸c˜ao necess´aria para que eu fizesse as melhores escolhas e me proporcionou todos os ou meios para que eu pudesse alcan¸car os meus objetivos.

Ao meu orientador que sempre esteve dispon´ıvel para auxiliar no que eu precisasse. Aos professores da UFF que compartilharam seu conhecimento comigo e me fizeram uma pessoa mais s´abia a cada disciplina.

Aos professores Aline Marins Paes Carvalho e Bruno Lopes pela presen¸ca na banca examinadora.

(7)

vi

Resumo

Desde a profissionaliza¸cão do futebol, treinadores, auxiliares e gerentes dedicam-se a estudar o comportamento dos times adversários. Seja por meio de informa¸cões estrat´ e-gicas, imagens de v´ıdeo ou, mais recentemente, dados estat´ısticos, estes profissionais têm buscado uma forma de explorar os pontos fracos e neutralizar os pontos fortes dos opo-nentes [1]. E, dada a competitividade do esporte e a quantidade de recursos tecnológicos dispon´ıveis atualmente, esta prática deixou de ser uma vantagem e passou a ser essencial para os clubes de alto rendimento. Cada partida de futebol gera uma quantidade enorme de dados que se armazenados, tratados e analisados corretamente podem auxiliar às equi-pes na formula¸cão de estratégias e na tomada de decisão e, consequentemente, aumentar as suas chances de êxito. Este trabalho dedica-se justamente a apresentar, a partir des-tes dados, gráficos e árvores de decisão que permitam ao treinador do time utilizar estas informa¸cões na elabora¸cão de táticas.

(8)

vii

Abstract

Since football (soccer) was professionalized, coaches, assistants and managers have studied the adversary team’s behavior. Either through strategy information, or video images or, more recently, statistics data, these professionals have researched a way to neutralize the opponent’s strengths and explore the opponent’s weakness. And once sport is more competitive and the amount of technological resources has increased, this practice became not an advantage anymore, but an essential thing to high performance clubs. Each football match generates a big number of data which, if correctly stored, treated and analyzed can help teams to create strategies and make decisions and, consequently, increase their chances to win. This study aims to present, from these data, graphs and decision trees that allow the coach using these informations to elaborate tactics.

(9)

Sum´

ario

Resumo vi Abstract vii Lista de Figuras x Lista de Tabelas xi 1 Introdu¸c˜ao 1

1.1 Cen´ario Atual . . . 1

1.2 Problema . . . 1

1.3 Proposta . . . 2

2 Referencial Teórico 3 2.1 Minera¸cão de dados . . . 3 2.1.1 Classifica¸cão . . . 4 2.1.2 Clusteriza¸cão . . . 5 3 Abordagem Proposta 6 3.1 Busca . . . 6 3.2 Sele¸cão . . . 7 3.3 Estrutura¸cão . . . 7

3.4 Extract, Transform, Load . . . 9

3.4.1 Extract . . . 9

3.4.2 Transform . . . 9

3.4.3 Load . . . 9

3.5 Minera¸c˜ao . . . 9

(10)

ix 3.6 Avalia¸c˜ao . . . 10

(11)

x

Lista de Figuras

2.1 Processo de KDD (Knowledge Discovery in Database) [2] . . . 4

2.2 Exemplo de ´arvore de decis˜ao [3] . . . 5

3.1 Diagrama Conceitual . . . 8

3.2 Workflow . . . 10

3.3 Exemplo de arquivo .tab . . . 11

3.4 Vit´orias por mando de campo (%) . . . 12

3.5 Finaliza¸c˜oes de dentro da ´area x Posicionamento no ataque . . . 12

3.6 Contra ataques x Liga¸c˜oes diretas . . . 13

3.7 Campe˜ao: Palmeiras (2016) . . . 16

3.8 Campe˜ao: Corinthians (2015) . . . 16

3.9 Rebaixado: Internacional (2016) . . . 17

(12)

xi

Lista de Tabelas

3.1 Vit´orias por mando de campo . . . 10 3.2 Campeonato brasileiro 2016 . . . 14 3.3 Campeonato brasileiro 2015 . . . 15

(13)

Cap´ıtulo 1

Introdu¸

c˜

ao

1.1 Cen´

ario Atual

O futebol é um dos poucos esportes onde nem sempre o time mais forte vence[1]. A montagem de um grande elenco não é garantia de t´ıtulos no final da temporada [4] e é cada vez mais comum vermos clubes modestos, com baixos or¸camentos chegarem às decisões dos grandes campeonatos e até mesmo ganharem t´ıtulos importantes [5]. Em muitos casos, o grande responsável pelo sucesso destes clubes não é um fator técnico, f´ısico ou mental e sim tático: a análise de desempenho. Por isso, esta é uma área que vem recebendo cada vez mais aten¸cão e investimento dentro dos clubes.

Esta prática possui uma série de aplica¸cões que vão desde a contrata¸cão de atletas, até a melhora no aproveitamento da equipe, passando pela preven¸cão de lesões e aperfei-¸coamento dos treinos. É importante destacar que o analista de desempenho - profissional responsável por avaliar individual e coletivamente uma equipe com base em indicadores e por buscar identificar padrões de comportamento e suas varia¸cões nas equipes adversárias - não vem para substituir o trabalho do treinador, muito pelo contrário; o objetivo dele é justamente transmitir informa¸cões à comissão técnica que auxiliem na formula¸cão de estratégias para aumentar a chance de êxito da equipe nas competi¸cões.

1.2 Problema

A participa¸c˜ao de empresas especializadas no fornecimento de dados para os clubes no futebol cresceu muito nos ´ultimos anos [6]. Estas companhias disponibilizam

(14)

2 ¸cões através de gráficos, tabelas e desenhos, sempre procurando facilitar a compreensão de quem está lendo. Os clubes por sua vez recebem um volume gigantesco de dados que, muitas vezes, não são convertidos em a¸cões efetivas dentro de campo, seja por não cap-tarem uma informa¸cão que não estava tão clara ou por terem interpretado alguma outra de forma equivocada.

Alheio a isso, dificilmente uma empresa, sozinha, conseguirá disponibilizar todos os dados relevantes para uma análise completa das partidas. Logo, para que os clubes possam contar com uma quantidade maior de informa¸cões, eles precisam aumentar o seu custo já que são obrigados a lidar com a integra¸cão dos dados, que vêm de diferentes fontes. Este é um trabalho que não deve ser manual, já que estamos falando de um volume de dados muito grande e que precisam ser manipulados num curto intervalo de tempo.

1.3 Proposta

Este trabalho tem por objetivo coletar dados de diferentes bases e gerar um modelo interpretável por meio de gráficos e árvores de decisão para fornecer informa¸cões estrat´ e-gicas aos clubes de futebol, eliminando o processo de interpreta¸cão dos dados por parte da comissão técnica.

Como deseja-se que qualquer pessoa, mesmo sem qualquer conhecimento técnico, possa entendê-los e traduzi-los em a¸cões, as árvores e os gráficos são fundamentais, pois ambos são instrumentos que tornam a leitura bastante intuitiva.

O clube, além de ter à disposi¸cão todos os dados de que precisa, pode receber as informa¸cões apresentadas de maneira clara e objetiva. A base de dados completa possibilita a descoberta de regras muitas vezes inimagináveis, o que pode deixar o clube um passo à frente dos demais.

(15)

Cap´ıtulo 2

Referencial Te´

orico

2.1 Minera¸

c˜

ao de dados

Minera¸cão de dados se refere ao processo automático de descoberta de conheci-mento no formato de regras, padrões e modelos novos, interessantes e potencialmente ´

uteis, a partir de bases de dados. É a etapa principal do processo de KDD (Knowledge Discovery in Databases), no qual é realizada a busca por novas informa¸cões e conheci-mento. [7]

O processo de KDD é composto por cinco fases e é apresentado na figura 2.1: 1. Sele¸cão - A primeira etapa do processo de KDD possui um impacto significativo

sobre o resultado final, pois é nela que são escolhidos os conjuntos de dados que serão utilizados durante o processo. Estes dados vêm de diferentes fontes como arquivos, planilhas, bancos de dados e sistemas. (Figura 2.1 - Parte 1)

2. Pré-processamento - Nesta etapa, os valores dos campos são normalizados e os registros duplicados são eliminados, assim como poss´ıveis outliers (ru´ıdos). Dados externos também podem ser agregados para enriquecer a base. (Figura 2.1 - Parte 2)

3. Transforma¸cão - Os dados são armazenados e formatados corretamente a fim de possibilitar a realiza¸cão da etapa de seguinte. É nesta etapa também que os dados derivados - que são obtidos a partir de outros já existentes - são gerados. (Figura 2.1 - Parte 3)

(16)

4 4. Minera¸cão - São aplicados os algoritmos de minera¸cão para a constru¸cão de árvores de decisão com o objetivo de descobrir padrões e regras que possam ser úteis ao dom´ınio da aplica¸cão. (Figura 2.1 - Parte 4)

5. Interpreta¸cão e avalia¸cão - Os resultados são analisados a partir dos mecanis-mos utilizados na etapa anterior, dando in´ıcio ao processo de tomada de decisão. São retiradas regras óbvias e absurdas, sendo aproveitadas somente aquelas mais relevantes. (Figura 2.1 - Parte 5)

Figura 2.1: Processo de KDD (Knowledge Discovery in Database) [2]

2.1.1 Classifica¸

c˜

ao

Classifica¸cão é a identifica¸cão da classe a qual um elemento pertence a partir de seus atributos. Por defini¸cão, o conjunto de poss´ıveis classes é discreto e predefinido. Classifica¸cão é dito um processo de minera¸cão supervisionado pois os elementos que fazem parte da base de treinamento já têm seu atributo classe informado. [7]

2.1.1.1 Arvore de decis˜´ ao

Na montagem da árvore, cada caminho da raiz até a folha representa uma re-gra, definida como a conjun¸cão das condi¸cões percorridas, implicando no valor da classe encontrada na folha em questão. Estas árvores são obtidas a partir de algoritmos de mi-nera¸cão de dados e sua eficácia depende, dentre outros fatores, do tamanho da sua base de treinamento. A figura 2.2 apresenta um exemplo de árvore de decisão.

(17)

5

Figura 2.2: Exemplo de ´arvore de decis˜ao [3]

Cada algoritmo gera inúmeras regras de associa¸cão, porém algumas podem ser muito óbvias e outras podem ser totalmente incoerentes. As regras de associa¸cão podem apresentar diferentes graus de suporte e de confian¸ca.

1. O suporte é a propor¸cão de transa¸cões da base de dados que contém este conjunto de dados.

2. A confian¸ca indica o percentual de ocorrˆencia da regra no conjunto de dados.

2.1.2 Clusteriza¸

c˜

ao

Clusteriza¸cão é a tarefa de identificar um conjunto finito de categorias ou grupos (clusters) que contêm objetos similares. Clusteriza¸cão é dito um processo de minera¸cão não supervisionado, pois os elementos que fazem parte da base de entrada não têm o seu grupo definido. [7]

(18)

Cap´ıtulo 3

Abordagem Proposta

Com o surgimento dos novos softwares de minera¸cão de dados, a busca por regras de associa¸cão tornou-se uma tarefa muito mais fácil. Entretanto, para que essas regras sejam úteis ao usuário, uma base de dados robusta, estruturada e abrangente se faz necessária. Por isso, o processo de constru¸cão da base de dados, desde a modelagem até a inclusão dos dados nas tabelas, é a parte mais trabalhosa. Como a inten¸cão deste trabalho é gerar valor para o mundo do futebol e mostrar um diferencial em rela¸cão aos portais que dispõem dos dados das partidas, optou-se por criar um banco de dados do zero, reunindo dados de diferentes sites, de forma a torná-la a mais completa poss´ıvel, em vez de, simplesmente, utilizar uma base qualquer sobre o tema encontrada no repositório de algum site da internet.

3.1 Busca

O primeiro passo, foi a realiza¸cão de uma busca profunda por sites que dispunham de dados estruturados relacionados ao futebol. O objetivo foi reunir o máximo de informa-¸cões relevantes no m´ınimo de fontes diferentes para facilitar a integra¸cão dos dados. Neste levantamento, foram encontrados dezenas de locais, com dados públicos ou não, com os mais diferentes tipos de dados, dispostos das mais diversas formas. Os critérios adotados para a escolha das fontes de dados foram: relevância (se os dados apresentados pelo site podem resultar na descoberta de regras de associa¸cão que fa¸cam algum sentido), abran-gência (se o site contempla dados de todos - ou quase todos - os campeonatos do mundo, e não somente dos mais importantes) e confian¸ca (se os dados do site são utilizados por

(19)

7 portais de renome e/ou clubes de ponta).

Foram utilizadas duas grandes fontes de dados neste trabalho:

1. O site O Gol [8], que conta com um cadastro completo de todos os pa´ıses, cidades, est´adios, clubes, ´arbitros, jogadores e treinadores.

2. A plataforma Wyscout [9], que gera relat´orios robustos com dados das partidas de todos os campeonatos de futebol do planeta e que ´e utilizada pelos clubes mais importantes do Brasil e do mundo.

3.2 Sele¸

c˜

ao

Para obter conhecimento sobre o desempenho de um clube numa determinada com-peti¸cão é preciso analisar o histórico de todas as suas partidas no campeonato em questão. Porém, para uma análise mais precisa no que diz respeito aos jogadores, precisar´ıamos armazenar os dados das partidas de todos os campeonatos de futebol do mundo, visto que a cada nova temporada e durante as janelas de transferência, novos atletas chegam das mais diversas ligas do planeta.

Devido à inviabilidade de se extrair e armazenar uma quantidade tão grande de dados (ligas x divisões x edi¸cões x partidas), neste trabalho, optou-se por guardar apenas aqueles referentes às partidas do Campeonato Brasileiro da Série A. Como a plataforma Wyscout, que fornece os dados dos jogos, passou a disponibilizar os relatórios completos desta competi¸cão a partir da edi¸cão de 2015, a base contempla somente partidas reali-zadas deste ano em diante. Porém, como a base contém o cadastro prévio de todos os clubes e atletas, provenientes do site O Gol, ela está pronta para receber dados de outras competi¸cões a qualquer momento.

3.3 Estrutura¸

c˜

ao

Após esta sele¸cão, foi necessário estruturar os dados de forma que pudessem ser extra´ıdos o máximo de informa¸cões poss´ıveis. Então foi criado o Diagrama Conceitual, contendo todas as tabelas e campos que seriam utilizados para atingir o resultado espe-rado. A base foi modelada para futuramente receber novos dados, caso seja encontrada

(20)

8 uma nova fonte que possua os requisitos citados anteriormente e apresente informa¸c˜oes in´editas.

Para a cria¸c˜ao deste diagrama foi utilizada a ferramenta Astah, uma ferramenta de modelagem UML criada pela empresa japonesa Change Vision, que gera o script SQL para a cria¸c˜ao do banco de dados. O resultado aparece na figura 3.1:

(21)

9

3.4 Extract, Transform, Load

Depois da cria¸c˜ao do banco de dados, das tabelas e dos campos, foi dado in´ıcio ao processo de ETL (Extract, Tranform, Load). Este processo foi respons´avel por 80% do tempo dedicado a este projeto.

3.4.1 Extract

Toda a parte de extra¸cão dos dados foi feita utilizando a linguagem PHP. Nas duas fontes, o processo era mais ou menos o mesmo: jogar todo o código-fonte - no caso do site - e todo o conteúdo - no caso do arquivo - numa variável de texto. A partir da´ı, bastava quebrar esta variável de acordo com o padrão do documento para obter as informa¸cões dos campos mapeados. Depois disso, o código utilizava as variáveis para gerar o arquivo com o script de inser¸cão SQL.

3.4.2 Transform

Por não haver necessidade de tratamentos complexos, toda a parte de transforma-¸cão, que consiste na limpeza dos dados e constru¸cão de atributos, foi feita utilizando os recursos do programa Microsoft Office Excel e da ferramenta Notepad++.

3.4.3 Load

Ao fim deste processo, com os scripts prontos, bastou importar os arquivos para o SGBD (Microsoft SQL Server) e execut´a-los para carregar os dados na base.

3.5 Minera¸

c˜

ao

Depois dos dados devidamente armazenados, foi necessário elaborar as queries com os dados relevantes para o objetivo de cada consulta. Para gerar as árvores de classifica¸cão e os gráficos de dispersão, foi utilizado o programa Orange Data Mining, um software open source de aprendizado de máquina e visualiza¸cão de dados para a realiza¸cão da análise preditiva. O fluxo, apresentado na figura 3.2, funciona da seguinte forma: o arquivo .tab (Figura 3.3) é criado com os nomes dos campos, seus tipos - cont´ınuo (c) ou discreto (d) -, o atributo classe (class) e os dados da consulta separados por tabula¸cão e então

(22)

10 Status Vit´orias

Mandante 402 Empate 185 Visitante 172

Tabela 3.1: Vit´orias por mando de campo

importado através do step File. Então, no step Classification Tree, são escolhidos alguns parâmetros como o método de sele¸cão e o número m´ınimo de instâncias em cada n´ıvel para que a árvore possa ser visualizada através do Classification Tree Viewer. Já o gráfico de dispersão é gerado pelo Scatter Plot e no próprio step é poss´ıvel selecionar as variáveis que serão utilizadas e escolher as formas exibidas pelo gráfico, por exemplo.

Figura 3.2: Workflow

3.6 Avalia¸

c˜

ao

Nos mais diversos esportes, a condi¸cão de mandante (em geral, times que jogam no próprio estádio e possuem maior quantidade de torcedores presentes nos jogos) pode ser decisiva no resultado final das partidas [10]. E no futebol não é diferente; no campeonato brasileiro, salvo exce¸cões como os 4 últimos colocados que, geralmente, não vencem um grande número de jogos em casa e os 4 primeiros que, geralmente, não perdem um grande número de jogos fora de casa (isso acontece porque a diferen¸ca técnica destes times para os demais é tão grande que o fator casa acaba tendo um peso menor), as equipes, em geral, encaram uma derrota para outros times na condi¸cão de visitante como algo normal e na condi¸cão de mandante como um drama. Dos 759 jogos do Campeonato Brasileiro de 2015 e 2016, 402 deles foram vencidos pelos times mandantes, como mostra a tabela 3.1.

(23)

11

Figura 3.3: Exemplo de arquivo .tab

Se formos um pouco mais além, podemos dizer que 77,3% dos times não perdem seus jogos quando a partida é disputada na sua casa, como é apresentado na figura 3.4.

Para entender o porquê dessa condi¸cão exercer uma influência tão grande no resul-tado dos jogos, fazer com que times visitantes entendam por que os mandantes dominam a maioria das partidas e mostrar como neutralizar este “fator casa”, observe as figuras 3.5 e 3.6. As variáveis utilizadas nos eixos x e y dos gráficos das figuras em questão foram selecionadas de acordo com o algoritmo nativo do programa Orange Data Mining para gráficos de dispersão, que descobre o grau de rela¸cão que as variáveis possuem entre si, classificando-as do maior grau para o menor.

1. Desempenho dos mandantes (Figura 3.5)

(24)

12

Figura 3.4: Vit´orias por mando de campo (%)

Figura 3.5: Finaliza¸c˜oes de dentro da ´area x Posicionamento no ataque

fatores externos como o apoio da torcida e a familiaridade com o campo de jogo[10]. Teoricamente, quanto mais um time vai ao ataque, mais chances de gol ele cria. Logo, maior é a probabilidade dele marcar um gol e vencer a partida. Porém, na prática não é bem assim que funciona. Note que na figura 3.5, times que não vão tanto ao ataque (mais próximos do 0 no eixo y) mas quando vão, conseguem chegar em condi¸cões de finalizar dentro da área (mais distantes do 0 no eixo x) vencem mais jogos. Times que se expõem demais (mais distantes do 0 no eixo y) e não conseguem chutar muitas bolas de perto (mais próximos do 0 no eixo x) acabam, naturalmente, perdendo a posse de bola. E essa perda de posse de bola pode resultar em um contra ataque onde o time acaba sofrendo um gol.

(25)

13

Figura 3.6: Contra ataques x Liga¸c˜oes diretas

Pode parecer óbvio para quem entende o m´ınimo de futebol, mas o gráfico da figura 3.6 aponta que quando o time visitante puxa poucos contra ataques e faz poucas liga¸cões diretas (passe que sai do goleiro direto para o atacante), na grande maioria das vezes ele acaba perdendo o jogo. Isso porque quanto mais nos afastamos do 0 tanto do eixo x (principalmente) quanto do eixo y, menos concentra¸cão de bolinhas azuis (derrotas) nós temos. Esta regra pode ser explicada porque, normalmente, o time mandante é quem toma a iniciativa do jogo e parte para o ataque. Ao se sentir sufocado, a única chance que o visitante tem é encaixar um contra ataque para pegar a defesa adversária desmontada. Assim, defesas bem armadas (para resistir à pressão do ataque adversário) e bons contra ataques (para aproveitar a abertura da defesa adversária) aumentam um pouco a chance do time visitante não perder. As análises a seguir foram feitas baseadas nas tabelas 3.2 e 3.3, que foram geradas a partir da base de dados, e nas árvores de decisão apresentadas em cada caso. O algoritmo utilizado para gerar estas árvores utiliza o conceito de Entropia (medida da quantidade de “desordem” de um conjunto de registros) e também é nativo do Orange Data Mining.

3. Desempenho do Palmeiras em 2016 - Campe˜ao (Figura 3.7)

No campeonato brasileiro de 2016, o campe˜ao Palmeiras, perdeu apenas 6 vezes. Em 5 destas ocasi˜oes, o time manteve seus jogadores mais de 37,5% do tempo no

(26)

14 P Equipe PG J V E D GP GC SG 1 Palmeiras 80 38 24 8 6 62 32 30 2 Santos 71 38 22 5 11 59 35 24 3 Flamengo 71 38 20 11 7 52 35 17 4 Atlético-MG 62 37 17 11 9 61 50 11 5 Botafogo 59 38 17 8 13 43 39 4 6 Atlético-PR 57 38 17 6 15 38 32 6 7 Corinthians 55 38 15 10 13 48 42 6 8 Ponte Preta 53 38 15 8 15 48 52 -4 9 Grêmio 53 38 14 11 13 41 44 -3 10 São Paulo 52 38 14 10 14 44 36 8 11 Chapecoense 52 37 13 13 11 49 53 -4 12 Cruzeiro 51 38 14 9 15 48 49 -1 13 Fluminense 50 38 13 11 14 45 45 0 14 Sport 47 38 13 8 17 49 55 -6 15 Coritiba 46 38 11 13 14 41 42 -1 16 Vitória 45 38 12 9 17 51 53 -2 17 Internacional 43 38 11 10 17 35 41 -6 18 Figueirense 37 38 8 13 17 30 50 -20 19 Santa Cruz 31 38 8 7 23 45 69 -24 20 América-MG 28 38 7 7 24 23 58 -35

Tabela 3.2: Campeonato brasileiro 2016

(27)

15 P Equipe PG J V E D GP GC SG 1 Corinthians 81 38 24 9 5 71 31 40 2 Atlético-MG 69 38 21 6 11 65 47 18 3 Grêmio 68 38 20 8 10 52 32 20 4 São Paulo 62 38 18 8 12 53 47 6 5 Internacional 60 38 17 9 12 39 38 1 6 Sport 59 38 15 14 9 53 38 15 7 Santos 58 38 16 10 12 59 41 18 8 Cruzeiro 55 38 15 10 13 44 35 9 9 Palmeiras 53 38 15 8 15 60 51 9 10 Atlético-PR 51 38 14 9 15 43 48 -5 11 Ponte Preta 51 38 13 12 13 41 40 1 12 Flamengo 49 38 15 4 19 45 53 -8 13 Fluminense 47 38 14 5 19 40 49 -9 14 Chapecoense 47 38 12 11 15 34 44 -10 15 Coritiba 44 38 11 11 16 31 42 -11 16 Figueirense 43 38 11 10 17 36 50 -14 17 Ava´ı 42 38 11 9 18 38 60 -22 18 Vasco da Gama 41 38 10 11 17 28 54 -26 19 Goiás 38 38 10 8 20 39 49 -10 20 Joinville 31 38 7 10 21 26 48 -22

Tabela 3.3: Campeonato brasileiro 2015

(28)

16

Figura 3.7: Campe˜ao: Palmeiras (2016) ´

ultimo ter¸co do campo. Ou seja: 83% das derrotas do Palmeiras na competi¸cão foram causadas pela exposi¸cão em excesso, que deixaram a defesa desprotegida. Esta informa¸cão poderia ter sido aproveitada pelos times adversários, esperando a equipe palmeirense no próprio campo para sair em velocidade no contra ataque ao invés de tentar “furar” a defesa que, ao lado da do Atlético-PR, foi a melhor do campeonato.

4. Desempenho dos Corinthians em 2015 - Campe˜ao (Figura 3.8)

Figura 3.8: Campe˜ao: Corinthians (2015)

Uma caracter´ıstica do Corinthians campeão brasileiro de 2015 é o baixo número de cruzamentos por parte da equipe. 19 das suas 24 vitórias (80%) aconteceram em jogos onde o time cruzou 8 ou menos bolas por cada lado, número considerado baixo para os padrões do futebol brasileiro. Sabendo disso, os times adversários poderiam

(29)

17 afrouxar a marca¸c˜ao nas laterais e concentr´a-la na parte central do campo, setor mais forte da equipe. Assim, o Corinthians seria for¸cado a cruzar mais bolas na ´

area, dificultando a a¸c˜ao de seus melhores jogadores.

5. Desempenho do Internacional em 2016 - Rebaixado (Figura 3.9)

Figura 3.9: Rebaixado: Internacional (2016)

Analisemos agora o caso do Internacional rebaixado em 2016. De cara, fica evidente que o principal fator para as suas derrotas foi a quantidade de bolas perdidas em ambos os lados do campo. Tanto que 7 de suas 11 vitórias vieram em jogos onde, embora o time tenha perdido muitas bolas na direita, perdeu poucas no setor central do campo e recuperou uma boa quantidade delas. Ciente da deficiência técnica de seus atletas, os treinadores que passaram pelo Internacional em 2016 poderiam dar preferência à escala¸cão de jogadores que errassem menos passes e colocar mais “ladrões de bola”em campo, além, é claro, de dar um foco maior para a troca de

passes nos treinamentos.

6. Desempenho do Vasco em 2015 - Rebaixado (Figura 3.10)

O caso do Vasco rebaixado em 2015 é um pouco emblemático. Curiosamente, 76,5% de suas derrotas ocorreram em jogos onde o time trocou uma grande quantidade de passes. Uma explica¸cão para isso pode ser a falta de objetividade da equipe, que não conseguiu transformar posse de bola em vitórias. Tendo consciência disso, os treinadores que passaram pelo clube na temporada poderiam instruir os jogadores a fazer mais lan¸camentos e cruzamentos, além de pedir que eles arriscassem mais chutes de longa distância. Por outro lado, o time venceu em 80% das vezes que recuperou 9 ou mais bolas no último ter¸co do campo. Esta informa¸cão seria útil

(30)

18

Figura 3.10: Rebaixado: Vasco (2015)

na montagem de um esquema tático onde o time poderia avan¸car a marca¸cão para pressionar a sa´ıda de bola do adversário e recuperar mais bolas no ataque.

(31)

Cap´ıtulo 4

Conclus˜

ao

O futebol está bem longe de ser uma ciência exata. Diferente de alguns outros esportes, no futebol quase nunca ser o melhor significa vencer. O esporte mais popular do mundo encanta milhões de pessoas pelo mundo afora justamente por suas caracter´ısticas ´

unicas, que reúnem os mais diversos aspectos. E num esporte onde fatores f´ısicos, técnicos, táticos e mentais determinam o resultado da partida, os números chegam para influenciar ainda mais.

Ter um time com jogadores fortes, resistentes e velozes não garante a vitória. Ter um time inteligente e bem entrosado não garante a vitória. Ter um time extremamente motivado não garante a vitória. Nem mesmo uma sele¸cão com os melhores jogadores do mundo garante a vitória. Desta forma, ter conhecimento dos pontos fracos e fortes do adversário também não garantirá. Porém, uma jun¸cão de todas estas condi¸cões aumenta consideravelmente as chances de êxito da equipe. Times campeões vencem justamente por conseguir reunir todos estes aspectos.

No que diz respeito à análise de desempenho, não basta mais analisar v´ıdeos das partidas e dados simples como escanteios, faltas e posse de bola. É preciso ir além, reunir a maior quantidade de dados que estiverem dispon´ıveis e extrair o máximo de informa¸cões poss´ıveis para descobrir fatos sobre o adversário que nem ele mesmo sabe e então poder utilizá-las contra ele. Até mesmo os times considerados imbat´ıveis têm pontos fracos e podem ser vencidos.

Há muitas informa¸cões escondidas que, nem mesmo os futebolistas mais experientes são capazes de enxergar. E justamente uma destas informa¸cões pode significar um gol, uma vitória ou até mesmo um t´ıtulo.

(32)

20 Esta é uma área em franca expansão tanto do lado da computa¸cão quanto do lado do futebol. A tendência é que, daqui a alguns anos, todos os clubes tenham um analista de desempenho fazendo parte da comissão técnica, e não somente os de ponta. Com o avan¸co da tecnologia, teremos a possibilidade de analisar dados que hoje não são sequer captados. E, com os times se tornando cada vez mais competitivos, o campeão será aquele que conseguir fazer uma análise mais profunda dos dados que tem à sua disposi¸cão e montar as estratégias mais eficientes.

(33)

Referˆ

encias Bibliogr´

aficas

[1] C. Anderson and D. Sally, Os números do jogo, 1st ed. Paralela, 2013. [2] A. Plastino, “Minera¸cão de dados - Aula 02 – Introdu¸cão,” 2015, UFF. [3] ——, “Minera¸cão de dados - Aula 03 – Classifica¸cão,” 2015, UFF.

[4] S. Kuper and S. Szymanski, Soccernomimcs, 1st ed. Tinta Negra, 2010. [5] M. Lewis, Moneyball: O Homem Que Mudou o Jogo, 1st ed. Intr´ınseca, 2015. [6] “Changing the game: The rise of sports analytics,” http://www.forbes.

com/sites/leighsteinberg/2015/08/18/changing-the-game-the-rise-of-sports-analytics/#5d462ef831b2, ´Ultimo acesso em 11/01/2017.

[7] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Morgan Kaufmann, 2012.

[8] “O gol,” ´Ultimo acesso em 29/12/2016. [Online]. Available: http://www.ogol.com.br [9] “Wyscout,” ´Ultimo acesso em 10/12/2016. [Online]. Available: https://v4.wyscout.

com

[10] A. M. Nevill and R. L. Holder, “Home advantage in sport: an overview of studies on the advantage of playing at home,” Sports Medicine, 1999.