O pênalti que valeu uma Copa e milhões de cálculos invisíveis
Aos 118 minutos da final da Copa do Mundo de 2022, quando Gonzalo Montiel caminhou em direção à marca do pênalti para cobrar a penalidade decisiva da Argentina contra a França, uma equipe de analistas já havia calculado milhares de cenários semelhantes. Não se tratava apenas de estatísticas históricas sobre cobranças. O modelo incorporava padrões biomecânicos do jogador, tendências do goleiro, fadiga acumulada ao longo da partida e probabilidades ajustadas em tempo real.
Quando a bola entrou e a Argentina conquistou o título, o momento pareceu pertencer exclusivamente ao talento humano. Nos bastidores, porém, havia uma camada invisível de matemática acompanhando cada movimento.
O futebol, talvez mais do que qualquer outro esporte popular, construiu sua identidade sobre a imprevisibilidade. Uma bola desviada, um escorregão, um gol improvável nos acréscimos. Durante décadas, treinadores, dirigentes e torcedores defenderam a ideia de que o jogo resistia à lógica dos números. Hoje, essa resistência enfrenta uma avalanche de dados produzidos a cada segundo dentro dos estádios.
Segundo levantamento da Stats Perform, uma única partida das principais ligas europeias pode gerar mais de 3,5 milhões de pontos de dados rastreados por sistemas ópticos e sensores. Cada corrida, aceleração, passe, mudança de direção e posicionamento é convertido em informação analisável. O que antes dependia da memória de observadores agora alimenta modelos matemáticos capazes de identificar padrões invisíveis ao olho humano.
Quando o futebol encontrou o método Moneyball
A transformação começou longe dos gramados. Em 2003, o livro Moneyball, de Michael Lewis, tornou-se um fenômeno ao narrar como o executivo Billy Beane utilizou análise estatística para competir contra clubes mais ricos na Major League Baseball.
O futebol observou a experiência com curiosidade, mas também com ceticismo. O esporte parecia complexo demais para ser reduzido a planilhas.
Os pesquisadores David B. Clarke e Norman Norman, em estudo publicado no Journal of Sports Sciences (1995), demonstraram que o futebol contém um componente significativo de aleatoriedade quando comparado a outros esportes coletivos. A baixa quantidade de gols torna os resultados mais suscetíveis a eventos fortuitos.
Esse argumento serviu durante anos como munição para quem acreditava que análises quantitativas tinham utilidade limitada.
A realidade mostrou-se diferente.
Quando o clube dinamarquês FC Midtjylland decidiu investir fortemente em ciência de dados no início da década de 2010, a decisão foi recebida com ironia por parte da imprensa esportiva local. O proprietário Matthew Benham, matemático formado pela Universidade de Oxford e especialista em modelagem estatística aplicada a apostas esportivas, implementou sistemas de análise para recrutamento, treinamento e estratégia.
Entre 2015 e 2024, o clube conquistou múltiplos títulos nacionais apesar de operar com orçamento significativamente inferior ao de seus rivais mais tradicionais.
O caso chamou atenção de outras equipes europeias. O Brentford, também controlado por Benham, adotou filosofia semelhante. Em vez de disputar jogadores já valorizados, a equipe passou a identificar atletas subestimados por métricas avançadas. O resultado foi a promoção à Premier League em 2021 e sua consolidação como clube competitivo na elite inglesa.
A métrica que mudou a forma de enxergar um gol
A pergunta parece simples: um passe vale apenas quando se transforma diretamente em assistência?
Durante décadas, estatísticas tradicionais resumiam atacantes e meio-campistas por gols e assistências. O problema é que essas métricas ignoravam grande parte do processo que leva uma jogada a acontecer.
Foi nesse contexto que surgiram modelos como o Expected Goals (xG), hoje amplamente utilizados em clubes profissionais.
O conceito foi desenvolvido gradualmente por pesquisadores e analistas esportivos ao longo dos anos 2010. Trabalhos apresentados na MIT Sloan Sports Analytics Conference e pesquisas conduzidas por especialistas como Sarah Rudd ajudaram a consolidar a metodologia.
Em vez de avaliar apenas o resultado final de uma finalização, o modelo calcula a probabilidade de um chute resultar em gol considerando fatores como distância, ângulo, parte do corpo utilizada, posicionamento defensivo e contexto da jogada.
Uma finalização próxima à pequena área pode receber valor de 0,75 xG, indicando que oportunidades semelhantes resultam em gol em aproximadamente 75% dos casos históricos. Já um chute de longa distância frequentemente apresenta valores inferiores a 0,05.
A mudança parece técnica, mas altera profundamente a interpretação do desempenho.
Na temporada 2022-2023 da Premier League, diversas equipes apresentaram diferenças relevantes entre gols marcados e gols esperados. Parte dessas diferenças refletia qualidade excepcional de finalização. Outra parte representava simples variabilidade estatística.
Para departamentos de recrutamento, essa distinção vale milhões de euros.
Um atacante que marcou poucos gols, mas acumulou elevado volume de oportunidades qualificadas, pode representar investimento mais promissor do que outro que viveu uma sequência improvável de acertos.
O mercado de transferências virou uma disputa de cientistas
O dinheiro envolvido ajuda a explicar a velocidade dessa transformação.
Segundo relatório da Deloitte Football Money League 2025, as receitas combinadas dos maiores clubes europeus ultrapassaram € 11 bilhões. Em um ambiente onde uma contratação equivocada pode custar dezenas de milhões de euros, qualquer vantagem informacional torna-se estratégica.
Clubes passaram a contratar cientistas de dados, engenheiros de software, físicos, estatísticos e matemáticos. O departamento de análise deixou de ocupar salas discretas para se tornar parte central da estrutura esportiva.
O Liverpool tornou-se um dos casos mais estudados dessa integração.
Sob a liderança de Ian Graham, diretor de pesquisa do clube entre 2012 e 2023, modelos quantitativos passaram a influenciar decisões importantes de recrutamento. Em seu livro How to Win the Premier League (2024), Graham descreve como métricas avançadas ajudaram o clube a identificar atletas antes de sua explosão de valor no mercado.
A contratação de Mohamed Salah, em 2017, tornou-se um exemplo emblemático. Embora já fosse um jogador reconhecido, análises internas indicavam potencial superior ao percebido por boa parte do mercado europeu.
O resultado foi uma das contratações mais bem-sucedidas da história recente do futebol inglês.
O atleta transformado em fluxo de dados
A coleta de dados também redefiniu o treinamento esportivo.
Hoje, jogadores utilizam dispositivos GPS capazes de registrar distância percorrida, velocidade máxima, acelerações, desacelerações e carga física acumulada.
Pesquisas conduzidas por Martin Buchheit e colaboradores, publicadas no International Journal of Sports Physiology and Performance, demonstraram relações importantes entre monitoramento de carga física e redução do risco de lesões musculares.
O objetivo não é apenas medir desempenho.
Trata-se de antecipar problemas.
Um volante pode apresentar desempenho aparentemente normal durante os treinamentos. Entretanto, algoritmos podem detectar alterações sutis em seus padrões de movimento, sugerindo fadiga acumulada ou aumento do risco de lesão.
Em muitos clubes, essas análises influenciam decisões diárias sobre intensidade dos treinamentos, recuperação física e tempo de permanência em campo.
O jogo sem a bola: a nova fronteira da análise
Durante muito tempo, a análise esportiva concentrou-se na bola. Hoje, boa parte da atenção está voltada para o que acontece longe dela.
Sistemas de rastreamento óptico instalados em estádios registram a posição dos 22 jogadores e da bola dezenas de vezes por segundo.
Pesquisadores como Javier Fernández e Luke Bornn publicaram estudos influentes sobre controle espacial no futebol. Seus modelos avaliam quais regiões do campo estão efetivamente dominadas por cada equipe em diferentes momentos da partida.
A abordagem revela aspectos invisíveis nas estatísticas tradicionais.
Uma equipe pode registrar menos posse de bola e ainda assim controlar os espaços mais perigosos do campo. Isso ajuda a explicar por que alguns times parecem constantemente ameaçadores mesmo quando passam longos períodos sem a posse.
O foco deixa de ser apenas quem toca na bola. Passa a ser quem controla o ambiente onde ela irá circular.
O contra-ataque dos críticos dos dados
Nem todos estão convencidos de que mais números significam melhores decisões.
Arsène Wenger, um dos treinadores mais influentes das últimas décadas, argumentou em diferentes entrevistas concedidas à FIFA e a veículos europeus que modelos estatísticos frequentemente encontram dificuldades para capturar fatores como liderança, criatividade, adaptação emocional e tomada de decisão sob pressão.
Os dados oferecem respaldo parcial a essa crítica.
Pesquisas publicadas no European Journal of Sport Science indicam que fatores psicológicos e contextuais continuam exercendo influência significativa sobre o desempenho esportivo, frequentemente difícil de representar em modelos matemáticos.
A Copa do Mundo de 2018 tornou-se um exemplo ilustrativo.
Diversos modelos probabilísticos apontavam Alemanha, Brasil e Espanha entre os favoritos ao título. Nenhum deles chegou à final.
A Croácia disputou a decisão contrariando projeções e expectativas.
Isso não significa que os modelos falharam completamente. Significa que probabilidades não são previsões determinísticas.
Uma equipe com 70% de chance de vencer continuará perdendo em aproximadamente três de cada dez partidas. O problema é que seres humanos tendem a interpretar probabilidades de forma retrospectiva.
Quando o improvável acontece, a sensação é de que toda a análise estava errada.
O excesso de informação pode ser um problema
A fronteira atual da ciência de dados no futebol não está mais na coleta de informações.
Ela está na interpretação.
Empresas como Second Spectrum e SkillCorner desenvolvem sistemas que analisam posicionamentos coletivos com precisão crescente. Em vez de avaliar se um passe deu certo ou errado, essas plataformas procuram determinar se aquela era a melhor decisão possível antes da execução.
O foco desloca-se do resultado para o processo.
Um meia pode errar um passe extremamente difícil, mas ainda assim ter tomado a decisão correta. Da mesma forma, um passe completado com sucesso pode representar uma escolha ruim caso existissem alternativas significativamente mais vantajosas.
Esse tipo de análise aproxima o futebol de setores como mercado financeiro, logística e pesquisa operacional, onde decisões são avaliadas pela qualidade probabilística do raciocínio e não apenas pelo resultado final.
Ao mesmo tempo, clubes enfrentam um novo desafio.
A FIFA estimou durante a Copa do Mundo do Catar que as seleções participantes tiveram acesso a volumes inéditos de dados de desempenho, rastreamento e análise tática.
A coleta tornou-se tão eficiente que algumas organizações enfrentam uma situação paradoxal: excesso de informação.
Encontrar significado passou a ser mais difícil do que gerar dados.
O que ainda escapa aos algoritmos
No gramado, a experiência permanece curiosamente familiar.
O torcedor vê um atacante driblando um zagueiro, um goleiro se lançando para uma defesa improvável, uma arquibancada explodindo após um gol nos acréscimos. Nada disso parece matemática.
Mas em algum servidor, talvez a milhares de quilômetros do estádio, milhões de registros estão sendo processados naquele exato momento.
Não para substituir a emoção do futebol.
A ambição é compreendê-la.
Mesmo assim, permanece uma questão que intriga cientistas de dados, treinadores e dirigentes: se cada corrida, passe e posicionamento puder ser convertido em números, o que acontecerá quando o futebol finalmente encontrar uma forma de medir aquilo que transforma um jogo comum em uma lembrança eterna?