Em 2020, o Borussia Dortmund contratou um jogador inglês desconhecido da segunda divisão inglesa. O preço: 22 milhoes de euros. O olheiro tradicional? Nunca o havia ouvido falar. A imprensa perguntava: por que gastar em alguém que ninguém conhecia?
Três anos depois, esse jogador é considerado um dos melhores em sua posição na Europa. Seu nome? Jude Bellingham. A história anterior é simplificada, mas a verdade é que Jude foi descoberto por análise de dados antes de ser descoberto por olheiros tradicionais.
Em 2024, um clube português contratou um lateral direito de liga inferior. Preço: €800 mil. Ninguém o conhecia globalmente. Dois anos depois, foi vendido para Premier League por €20 milhões. Como um dirigente viu potencial onde olheiros tradicionais não viram? Big Data.
A questão que persiste é: Como exatamente algoritmos conseguem ver jogadores que humanos não conseguem? E mais importante: Qual é o futuro do scouting? Olheiros extintos ou dados aumentando intuição humana?
Um olheiro tradicional é excelente em uma coisa: observar um jogador ao vivo e fazer julgamento qualitativo. Ele vê movimento, antecipação, inteligência tática, carisma. Coisas que câmera não captura bem.
Mas um olheiro tem limitações estruturais:
Por contraste, Big Data promete:
Insight Crítico: Big Data não substitui olheiro porque é mais inteligente. Substitui porque consegue estar em 300 mil lugares simultaneamente enquanto olheiro consegue estar em 50. É questão de escala, não inteligência. Um olheiro é excelente. Cem mil olheiros (Big Data) é impossível humanamente.
Economicamente, scouting tradicional é caro e ineficiente:
Por contraste, scouting com Big Data:
Diferença: ROI de Big Data é ~2x maior que scouting tradicional. Clube que investe em dados consegue contratar melhores jogadores pelo mesmo orçamento.
Todo jogo de futebol gera dados através de múltiplas fontes:
Resultado: Um jogo de futebol gera ~10-20 GB de dados brutos. Uma temporada de 380 partidas gera ~5-8 TB de dados.
Dados brutos são inúteis sem processamento. Acontece:
Dados processados são transformados em métricas humanamente inteligíveis:
| Métrica | O que Mede | Fórmula Conceitual |
|---|---|---|
| xG (Expected Goals) | Qualidade de chance de chute | Σ(probabilidade de gol | posição, ângulo, bloqueios) |
| xA (Expected Assists) | Qualidade de passe criativo | Σ(probabilidade de gol | passe criado) |
| PPDA (Passes Per Defensive Action) | Intensidade defensiva | Passes adversários / ações defensivas do time |
| Pressão Bem-Sucedida % | % de pressões que recuperam bola | Recuperações diretas / total de pressões |
| Progressão Defensiva % | % passes defensivos que avançam 10+ metros | Passes progressivos / passes defensivos |
| Box Entry Rate | Frequência de dribles que entram em área | Dribles para área / total dribles |
Cada métrica responde pergunta específica: “Como é esse jogador nessa dimensão de performance?”
Aqui é onde Big Data se torna verdadeiramente “inteligente”. Modelos de aprendizado de máquina usam histórico de dados para prever futuro.
Exemplo de modelo preditivo:
Input (jogador em liga menor):
– xG: 0.35 por 90
– xA: 0.08 por 90
– Pressão Bem-Sucedida: 62%
– PPDA: 5.2
– Idade: 21
– Ligas anteriores: 2 (Série B, Portugal)
– Salário atual: €150k/ano
– Contrato: 2 anos
Processamento:
Modelo random forest com 500 árvores de decisão treinado em 10 mil transferências históricas
Output:
– Probabilidade de sucesso em liga maior: 73%
– xG esperado em liga maior (90 min): 0.28
– Valor de mercado em 3 anos: €8-12M
– Confiança da previsão: 85%
Como máquina “vê” diferente de humano: Um olheiro vê jogador marcar 1 gol em 10 chutes e pensa “jogador tímido, não chuta quando deveria”. Machine learning vê 0.35 xG com 1 gol e pensa “sobrenquanto — jogador está marcando melhor que deveria estatisticamente, é bom finalizador”. São intuições diferentes baseadas em perspectivas diferentes.
A ideia: encontrar jogadores que são “anormalmente bons” para seu contexto.
Exemplo:
Algoritmo de detecção de anomalias marca Y para investigação humana. Olheiro então assiste vídeos de Y, confirma que é verdadeiramente bom, não sorte.
Resultado: Clube contrata Y por €2M. Em 2 anos, Y é vendido por €15M. ROI: 7.5x.
A ideia: encontrar jogadores com perfil similar a jogador que funcionou bem historicamente.
Exemplo:
Vantagem: “Clone” de jogador que funcionou antes tem probabilidade alta de funcionar novamente.
A ideia: encontrar padrões de sucesso em uma liga e procurar padrões similares em outras ligas.
Exemplo:
A ideia: treinar modelo para prever trajetória de desenvolvimento de um jogador.
Exemplo:
Como algoritmo funciona internamente:
Dados históricos de mil transferências bem-sucedidas e mil malsucedidas alimentam rede neural convolucional que aprende padrões de sucesso. A rede tem múltiplas camadas:
Camada 1: Entrada bruta (xG, xA, idade, liga, etc.)
Camada 2: Detecção de padrões simples (é atacante? tem idade certa?)
Camada 3: Detecção de padrões complexos (relação entre xG e xA dado contexto tático)
Camada 4: Predição final (probabilidade de sucesso)
Saída final é número entre 0-100: probabilidade de sucesso em liga alvo.
Liverpool, sob Jürgen Klopp com suporte de análise de dados, transformou scouting através de Big Data:
Liverpool através de dados descobriu talentos em preços 50-70% abaixo do mercado porque detectou padrões que olheiros não viam.
Brighton, com orçamento limitado, usou Big Data para ser consistente descobridor de talentos:
Padrão: Brighton usa dados para encontrar sobre-pensos (undervalued players) em ligas menores, desenvolve-os, vende por lucro. Modelo é baseado em algoritmo de detecção de anomalias + trajetória prevista.
United tentou usar Big Data sem entender corretamente. Contratou jogadores como:
Lição: Dados predizem performance tática, não adaptação cultural ou saúde. Modelo que ignora essas variáveis falha.
Um erro comum: treinar algoritmo em jogadores que funcionaram bem, depois procurar clones exatos.
Problema: Clones podem fracassar se contexto tático mudar. Se clube contratou atacante A que foi bom em sistema 4-3-3, e depois muda para 5-2-3, clone de A pode não funcionar em novo sistema.
Resultado: Clube investe em “clone” que fracassa, perde dinheiro.
Limitação Crítica de Machine Learning: Modelos aprendem padrões do passado. Se futura contexto é radicalmente diferente do passado, modelo falha. Clube que usa dados deve atualizar modelo continuamente conforme contexto tático muda. Clube que usa modelo estático vai falhar quando tática evolui.
Algoritmo vê: Jogador X marcou 10 gols em 2000 minutos em liga menor, xG era 8, portanto sobre-realizou 25%.
Contexto que algoritmo não vê: Jogador X foi ídolo em seu time, teve apoio psicológico do torcedor, viveu em casa com família, estava em pico psicológico.
Em novo time: Jogador é desconhecido, torcedor não apoia, vive sozinho, está inseguro psicologicamente. Performance cai 30%.
Dados não capturam psicologia. Algoritmo prediz alto, realidade é baixa.
Suponha xG e xA correlacionam com sucesso em 90% dos casos históricos. Algoritmo aprende: “Se xG alto E xA alto, jogador vai ser bom.”
Problema: xG e xA podem estar altos porque jogador estava em time dominante (que criava muitas chances para todos). Quando jogador muda para time fraco, xG e xA caem — não porque jogador é ruim, mas porque time é ruim.
Algoritmo não consegue diferenciar: “Jogador é bom em time bom” vs “Jogador é bom individualmente”.
Modelo treinado em dados de 2010-2020 aprendeu padrões daquela era. Se futebol evolui (táticas mudam, athleticism aumenta, defesa melhora), padrões de 2010 não mais se aplicam em 2025.
Resultado: Modelo “envelhece”. Precisão que era 80% em 2020 cai para 60% em 2025.
Clube que não re-treina modelo regularmente vê previsões degradarem com tempo.
Cada jogador é indivíduo com características únicas. Algoritmo é baseado em estatísticas de população. O que funciona para 95% da população pode não funcionar para os 5% únicos.
Exemplo: Jogador Y tem características tão únicas que não há comparável no histórico. Modelo nunca foi treinado em alguém assim. Previsão é incerta.
Resultado: Para casos únicos, Big Data falha. Precisão do modelo cai drasticamente.
Hierarquia de confiabilidade:
1. Jogador em contexto similar a histórico (95% de confiança)
2. Jogador em contexto parcialmente similar (75% de confiança)
3. Jogador em contexto diferente (45% de confiança)
4. Jogador com características únicas (25% de confiança)
5. Jogador em mudança radical de contexto (10% de confiança)
Big Data é excelente nos cenários 1-2. É inadequado nos cenários 4-5. Cenários 4-5 requerem intuição humana.
Os melhores clubes modernos não escolhem entre olheiro ou dados — combinam os dois:
Resultado: Clube combina força de dados (cobertura, sem viés estético, previsão probabilística) com força de humano (contexto psicológico, intuição, adaptabilidade).
Mudança fundamental de roles:
Isso muda status do olheiro de “expert que decide” para “especialista que valida”. Alguns olheiros não gostam dessa perda de poder. Mas estruturalmente é mais eficiente.
Algoritmos conseguem encontrar jogadores que estão “acima da média em liga pequena”. Mas os verdadeiros descobridores são aqueles que encontram jogadores que ainda estão “abaixo da visibilidade”.
Exemplos:
Esses casos requerem caçador humano que conhece histórias pessoais, que ouve rumores, que investe tempo em jugadores que ninguém mais vê.
Big Data não substitui caçador verdadeiro — apenas o amplifica, filtrando os candidatos mais promissores de uma população massiva.
Big Data foi prometido como “democratizador” — pequenos clubes poderiam competir com gigantes através de análise inteligente.
Realidade é oposta: Big Data aumentou desigualdade.
Por quê?
Resultado: Big Data beneficia clubes ricos (que conseguem pagar infraestrutura) e prejudica clubes pobres (que ficam para trás).
Quando clube usa Big Data para descobrir jovem talento em liga pequena, muitas vezes compra por preço artificialmente baixo, porque o jovem não tem “visibilidade”.
É aproveitamento? Ou descoberta legítima?
A questão é nebulosa eticamente.
Algoritmo só consegue analisar jogadores que geram dados. Jogadores em ligas não-cobertas por serviços de dados (muitas ligas africanas, asiáticas, sul-americanas menores) são invisíveis.
Resultado: Talentos em ligas não-cobertas nunca são descobertos por Big Data, independentemente de quão bons sejam.
Isso perpetua hierarquia: jogadores de ligas cobertas (Europa, top Brasil) são valorizados. Jogadores de ligas não-cobertas são ignorados. Oportunidades não são distribuídas igualmente.
Risco Sistêmico: Se todos os clubes grandes usam mesmo software de dados (Wyscout, StatsBomb), todos ficam com mesma lista de candidatos. Isso pode criar “herd behavior” — todos tentam comprar mesmos jogadores, preços são inflacionados, bolha se forma. Quando bolha estoura, muitos clubes sofrem perdas simultâneas.
Big Data se torna ferramenta padrão para 80% dos clubes de elite até 2030:
Big Data se torna tão onipresente que vantagem competitiva desaparece:
Pressão por transparência e justiça força mudança estrutural:
Big Data no scouting não é mágica. Não descobre Pelé baseado em algoritmo. Descobre jogador que é estatisticamente anômalo em seu contexto, e pergunta: “É sorte ou é genuíno talento?”
A verdade é que Big Data resolve um problema específico: como encontrar bom jogador entre 300 mil candidatos globais? Resposta: Usando dados, você consegue.
Mas Big Data não resolve outros problemas: Como saber se jogador vai se adaptar culturalmente? Como saber se vai manter mentalidade em novo clube? Como saber se vai lesionar-se? Essas respostas requerem olheiro — humano com intuição e experiência.
O futuro de scouting não é “humano vs máquina”. É “máquina amplificando humano”.
Máquina filtra infinidade de candidatos até handful de promissores. Humano então toma decisão final baseado em informação refinada.
Um clube que ignora dados é ingênuo. Um clube que depende apenas de dados é arrogante. Um clube que combina ambos é competitivo.
E é por isso que Liverpool descobriu Salah, Brighton descobriu Caicedo, e continuarão descobrindo talentos que mercado ignora — não porque têm melhor olheiro, mas porque têm melhor máquina amparada por melhor olheiro.
Autoridade Técnica e Engenharia de Dados
Especialista em Microbiologia e Bioquímica pela UNICAMP e ETECAP, Alexandre Carvalho Rezende une o rigor laboratorial à precisão da engenharia de dados aplicada ao esporte. Com especializações em Ciência de Dados, sua trajetória é pautada pela análise técnica de alta complexidade e pela interação entre tecnologia e performance. Ele domina a integração de sistemas de monitoramento e análise biofísica, traduzindo a sofisticação da tecnologia vestível (wearables) e da coleta de dados em campo em metodologias exatas para a compreensão do futebol moderno.
Atuação no Tabela do Campeonato
No Tabela do Campeonato, Alexandre lidera a editoria de Tecnologia no Futebol, transformando inovações tecnológicas em insights técnicos precisos. Sob a gestão da Cenário Capital LTDA, ele aplica conceitos avançados de ciência de dados para auditar sistemas de rastreamento e análise de desempenho. Sua missão é garantir que a cobertura sobre Sports Tech e inovações digitais resulte em precisão absoluta, elevando o debate sobre a tecnologia no esporte ao nível da ciência aplicada.
Um árbitro em campo faz seu apito tocar. Mas não é apenas som. É sinal. É dados. É comunicação. Enquanto torcedores ouvem o apito, há um universo de tecnologia acontecendo: relógio vibratório no pulso do árbitro vibra discretamente. Comunicador criptografado recebe mensagem instantânea de outro árbitro a 60 metros de distância. Sensor de linha de […]
Gramados sintéticos vs. naturais: um jogador joga uma partida em grama natural em um estádio europeu. Três dias depois, joga em grama sintética em um estádio dos EUA. A bola “sente” diferente. O passe é mais rápido. O chute tem menos controle. O deslizamento é diferente. A recuperação do time é questionada. As lesões mudam. […]
Inteligência Artificial no futebol: você vê na tabela do campeonato: “Probabilidade de Título: 67%”. Você se pergunta: como alguém determina isso? É adivinhação? É opinião de especialista? Não. É matemática. É algoritmo. É uma máquina que analisou centenas de milhares de jogos, identificou padrões, construiu modelo estatístico, e disse: “Baseado em tudo que aconteceu até […]
Um torcedor em casa vê a jogada pela câmera de transmissão. Vê em 50 ou 60 fps (dependendo do país). Vê em resoluções que variam (720p até 4K). Vê ângulos escolhidos pelo diretor de câmera. E pensa: “Isso é tudo que há para ver. Isso é a verdade.” Mas enquanto o torcedor vê isso, há […]
Desde que o VAR foi implementado, houve uma crença comum entre torcedores: “A câmera viu, então é definitivo”. Mas a verdade é mais complexa. Há jogadas que as câmeras veem claramente, mas o VAR não interfere. Há erros óbvios que a tecnologia nem revisa. Há situações onde a “melhor visão” existe mas a decisão permanece […]
Até 2020, a comunicação entre árbitro de campo e VAR era sagrado oculto. Torcedor ouvia sussurro na transmissão. Árbitro explicava decisão vagamente. Ninguém sabia exatamente que evidência levou à decisão. Resultado: Desconfiança institucional. Torcedor imaginava conspiração, manipulação, favoritismo. “O árbitro estava vendo o mesmo vídeo, por que mudou decisão?” Transparência zero = credibilidade zero. Em […]
