Futebol e Data Science: dois universos distintos que, SIM, podem se cruzar!

Quem diria que um ano passaria tão rápido? Em 2019, o Trama iniciava suas especulações sobre os temas mais variados. Para comemorar, temos um post sobre como 2 assuntos, a princípio, distantes, podem unir forças: o nosso amado futebol e a ciência de dados, hoje tendência assumida em inúmeras pesquisas e novas maneiras de ver como as coisas se comportam :)

Gabriel Daiha, engenheiro de controle e automação por formação, cientista de dados por profissão, e vascaíno por cima de tudo, é o nosso autor de hoje!

Gabriel Daiha: engenheiro, cientista de dados, torcedor e autor freelance nas horas vagas :) Foto de acervo pessoal.

Muito se questiona por aí sobre decisões tomadas no futebol brasileiro que impactam diretamente no andamento do jogo - seja no âmbito dos jogadores, dos treinadores, na escolha de um passe durante uma partida sob determinada condição, na definição de uma estratégia para o próximo jogo de sua equipe, ou até na escala dos dirigentes, na hora de contratar atletas e treinadores para o seu time.

Desafios no futebol!

Para cada uma dessas situações, o sujeito possui um conjunto de fatores impostos pelo contexto, e que devem (ou pelo menos deveriam rs) ser levados em conta para se executar a ação final. E, na grande maioria das vezes, o decisor não consegue ter a dimensão/controle de como todos esses pontos se relacionam entre si e o quanto eles impactam o resultado final.

Vamos ao exemplo prático da contratação de um jogador. Muitos fatores devem ser levados em conta de forma a otimizar esse processo: nível técnico do atleta, contexto da equipe atual, histórico de lesões e comportamento extra-campo, preço de mercado, salário, “fit” com o que a sua equipe precisa, etc.

Um bom jeito de se saber se você está indo pelo caminho certo é avaliar como que pessoas que estiveram na mesma situação agiram e qual foi o resultado final da decisão. Só que, para se conseguir concluir absorver algo não enviesado das experiências passadas, de forma a poder tomar uma ação, seria necessário observar uma grande quantidade de situações diferentes.

No exemplo das contratações, seria como pegar diversos casos similares de atletas que se transferiram, vendo como estavam antes da execução da decisão de contratação, e como renderam após sua efetivação.

O desafio de escolher jogadores: estes foram os transferidos de clubes europeus em 2013. Fonte.

Logo, como levar em conta vários fatores diferentes, avaliar diversas situações anteriores e, no final, conseguir entender melhor o que é mais/menos relevante na hora de contratar? Um humano (ou um grupo de humanos) seria capaz disso, mas cairia na eventual armadilha de vícios e preferências particulares, além do pouco poder de processamento de dados em grande escala (pela limitação natural do nosso cérebro).

É nesse contexto que Data Science e todo o seu conjunto de ferramentas chega como uma possível solução para APOIAR esse processo. Boto APOIAR em “Caps Lock” pois é sempre bom reforçar que a decisão final é sempre tomada por um humano, usuário da inteligência provida pela máquina.

A Ciência de Dados se beneficia dos recursos de várias áreas da pesquisa em si: da computação, aprimorando todo o processo de ingestão/processamento de dados e aplicação de algoritmos; da matemática aplicada, com funções e teorias matemáticas relacionando variáveis; da probabilidade e estatística, trazendo métodos de quantificação da incerteza (natural do ser humano) ao processo e até do design, com métodos visuais de se apresentar resultados numérico complexos de forma simples.

Ciência de dados: um mundo mágico? O céu dos analistas?. Fonte.

Durante uma contratação, é preciso processar um grande volume de fatores e exemplos anteriores de forma rápida e transformar isso em um resultado (uma indicação de com quem fechar negócio). É um dos casos em que os mundos de Futebol e Data Science podem convergir.

E, dentro do universo de Data Science, a área de aprendizado de máquina (Machine Learning) reúne conjuntos de algoritmos, que, por sua vez, permitem que um computador aprenda padrões de um determinado evento, e vem como um grande potencial de revolução para processos decisórios. Mas como uma máquina seria capaz de responder a um problema meu? Como uma máquina aprende algum padrão?

Aprendizado de máquina: conectando eventos prévios, grande volume de dados e projeções. Fonte.

Para nos atermos ao nosso exemplo, temos contratações anteriores, características prévias do jogador/equipe e quais foram os resultados delas. A máquina vai procurar modelar matematicamente a relação entre os fatores e a consequência final, de forma a conseguir, em uma nova situação dada, as características de uma contratação - ou seja, prever se ela vai dar um resultado bom ou ruim. Isso se chama APRENDIZADO SUPERVISIONADO.

Se a nossa resposta (que mede a decisão) é um número contínuo, uma nota de 0 a 10 para o rendimento do jogador por exemplo, estamos diante de um problema de REGRESSÃO. Se a nossa resposta é simplesmente dizer se foi uma boa ou má contratação, estamos diante de um problema de CLASSIFICAÇÃO.

Caso o nosso problema fosse simplesmente entender melhor o perfil do mercado de jogadores sem saber muito bem quais perfis existem, procurando agrupar atletas de perfis similares, por exemplo, estaríamos diante de um problema de APRENDIZADO NÃO SUPERVISIONADO. O computador não recebe uma resposta sobre os exemplos passados e procura modelar relações entre os exemplos (como no caso citado, um problema de AGRUPAMENTO) e relações entre suas respectivas características (ANÁLISE DE FATORES).

Diante de tudo isso exposto, será que ainda não é possível se usar dos benefícios da Ciência de Dados para auxiliar em decisões dentro e fora de campo? Liverpool e Barcelona são exemplos no mundo do futebol que já começaram a se dar bem com essas técnicas e recursos.

Alisson Becker e Salah comemorando o fatídico gol contra o Flamengo, no Mundial de Clubes de 2019. Fonte.

E pela experiência que tive no futebol brasileiro, posso te dizer que estamos diante de um cenário de terra bem arrasada e mato muito pouco capinado nesse aspecto por aqui. Precisamos de mais profissionais com essa expertise na área do futebol e que tenham interesse em trazer inovações para o maior esporte do mundo, no país mais apaixonado por chutar uma bola.