Aplicação do Expected Goals (Xg) como Métrica Preditiva no Futebol Brasileiro

Caio Luiz Prates de Freitas; Maria Valeria Espinos Guerra Martins

DOI: 10.22167/2675-6528-202602750

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Este estudo analisou o Expected Goals (xG) como métrica preditiva aplicada ao futebol brasileiro, com foco no Campeonato Brasileiro Série A, buscando avaliar sua relação com o desempenho das equipes e suas potencialidades e limitações no contexto nacional, além de sua integração com técnicas de aprendizado de máquina. A pesquisa foi desenvolvida a partir de uma base de dados construída com informações públicas da plataforma FootyStats, abrangendo cinco temporadas consecutivas (2021-2025), com dados agregados por equipe e temporada devido à disponibilidade limitada de informações detalhadas. Para a análise preditiva, desenvolveu-se um modelo de classificação utilizando o algoritmo Random Forest, com xG a favor e xG contra como variáveis explicativas, e o desempenho das equipes categorizado em três classes (alto, médio e baixo) por meio de segmentação baseada em quantis. O modelo foi avaliado por métricas de acurácia, precisão, recall e F1-score, e comparado a um modelo baseline de regressão logística. Os resultados sugeriram uma associação consistente entre as métricas de xG e o desempenho das equipes, com o saldo de xG destacando-se como indicador relevante. O Random Forest apresentou acurácia de 0,50, superior à regressão logística (0,40), indicando desempenho moderado e maior capacidade de identificar equipes de alto desempenho, embora com limitações na distinção entre classes média e baixa. Concluiu-se que o xG possui potencial como métrica complementar para análise de desempenho no futebol brasileiro, e sua combinação com aprendizado de máquina pode contribuir para análises preditivas, apesar da granularidade limitada dos dados e do número reduzido de observações restringirem a generalização dos resultados.

Palavras-chave: análise de dados; expected goals; futebol; predição; random forest.

1. Introdução

O futebol, como esporte de alta complexidade, apresenta resultados de partidas frequentemente influenciados por uma série de fatores aleatórios. Elementos como erros individuais, decisões da arbitragem e a própria sorte podem impactar significativamente o desfecho de um jogo. Essa natureza imprevisível do futebol constitui um desafio considerável para a análise objetiva do desempenho das equipes (ARAUJO, 2017).

Ao contrário de outras modalidades esportivas com alta pontuação, os gols no futebol são eventos relativamente raros. Essa característica implica que o placar final de uma partida nem sempre reflete de maneira justa a qualidade do desempenho de uma equipe. Consequentemente, as abordagens tradicionais de análise, que se baseiam exclusivamente nos resultados das partidas ou em estatísticas básicas como posse de bola e número de finalizações, demonstram limitações importantes na compreensão aprofundada da performance.

Para superar as lacunas das análises convencionais, a estatística aplicada ao esporte tem evoluído consideravelmente nos últimos anos. Dentre as métricas mais avançadas, destaca-se o Expected Goals, ou xG, que representa uma medida estatística da probabilidade de uma finalização resultar em gol. O cálculo do xG considera diversas características observáveis do chute e do contexto da jogada, como a distância e o ângulo da finalização em relação ao gol, a parte do corpo utilizada e o tipo de assistência (EGGELS, 2016).

Essa métrica atribui uma probabilidade entre zero e um para cada tentativa de gol, quantificando a qualidade das oportunidades criadas por uma equipe, independentemente do resultado efetivo da jogada. Ao fornecer uma visão mais precisa sobre a qualidade das chances de gol, o xG permite uma avaliação do desempenho das equipes de forma mais objetiva e menos suscetível ao acaso inerente ao futebol (EGGELS, 2016).

Apesar de sua consolidação em ligas europeias e na literatura acadêmica internacional, a aplicação do xG no futebol brasileiro ainda é incipiente. Os campeonatos nacionais possuem características específicas, como o equilíbrio competitivo entre as equipes, a diversidade de estilos de jogo e as variações nas condições de gramado e clima. Tais particularidades ressaltam a importância de investigar a aplicabilidade e os benefícios dessa métrica no contexto do Brasil.

Contudo, a utilização do xG não está isenta de críticas. Alguns analistas argumentam que a métrica pode não capturar integralmente o contexto complexo das jogadas, como a pressão defensiva, a qualidade do passe que antecede a finalização ou as condições do campo. Além disso, a dependência das variáveis utilizadas pode levar a resultados divergentes entre diferentes modelos de xG, e em partidas de placar apertado, o xG agregado pode não prever corretamente o vencedor, dado que um único lance pode ser decisivo.

Outra problemática relevante para o cenário nacional reside na disponibilidade limitada de dados públicos detalhados de xG para o futebol brasileiro. Diferentemente das ligas europeias, onde plataformas especializadas oferecem dados granulares em nível de finalização, partida e equipe, as fontes para o Campeonato Brasileiro Série A geralmente fornecem apenas informações consolidadas por equipe e por temporada. Essa restrição de granularidade de dados impõe desafios metodológicos e limita a capacidade de análises mais aprofundadas.

Diante dessas considerações, torna-se fundamental investigar o potencial do xG como ferramenta complementar para a análise de desempenho no futebol brasileiro, contribuindo para diagnósticos técnicos mais precisos e para o aprimoramento de processos de planejamento e treinamento das equipes. A métrica oferece uma capacidade superior de representar a qualidade das oportunidades criadas em comparação com indicadores tradicionais, como o número de gols, conforme destacado por Eggels (2016). Assim, este estudo justifica-se pela necessidade de desenvolver uma compreensão mais robusta do desempenho das equipes no Campeonato Brasileiro Série A.

Nesse contexto, o presente trabalho tem como objetivo analisar o Expected Goals (xG) como métrica preditiva aplicada ao futebol brasileiro, com foco no Campeonato Brasileiro Série A, bem como avaliar sua integração com técnicas de aprendizado de máquina na modelagem de desempenho das equipes.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa de natureza quantitativa, com abordagem metodológica focada na análise preditiva do desempenho de equipes de futebol. O objetivo central foi investigar a aplicabilidade da métrica Expected Goals (xG) no Campeonato Brasileiro Série A e sua integração com técnicas de aprendizado de máquina. Para tanto, empregou-se uma estratégia de pesquisa baseada na coleta, organização e análise de dados históricos, visando à construção e avaliação de modelos preditivos.

A unidade de análise consistiu nas equipes participantes do Campeonato Brasileiro Série A. A base de dados foi construída a partir de informações públicas disponibilizadas pela plataforma FootyStats (FOOTYSTATS, 2025). O período abrangido pela coleta de dados compreendeu cinco temporadas consecutivas da competição, de 2021 a 2025, buscando capturar padrões consistentes ao longo do tempo e aumentar a robustez da análise.

Devido à disponibilidade limitada de dados detalhados para o futebol brasileiro, optou-se pela utilização de informações agregadas por equipe e por temporada. A coleta de dados foi realizada manualmente, extraindo as métricas de interesse diretamente das tabelas disponíveis no ambiente web da plataforma FootyStats. Após a extração, os dados foram convertidos para o formato CSV (Comma-Separated Values), facilitando sua manipulação e integração em ferramentas de análise. A inviabilidade de técnicas automatizadas de “web scraping” (MITCHELL, 2018) foi verificada devido à estrutura do site e mecanismos de proteção.

As variáveis coletadas incluíram o Expected Goals a favor (xG), o Expected Goals contra (xGA), gols marcados, gols sofridos e o desempenho geral das equipes ao longo da competição. Essas métricas foram selecionadas por sua relevância teórica na análise de desempenho no futebol e pela consistência de sua disponibilidade na fonte de dados. A métrica xG, conforme Eggels (2016), quantifica a probabilidade de uma finalização resultar em gol, considerando características como distância e ângulo do chute.

Após a coleta, os dados foram submetidos a um rigoroso processo de pré-processamento, que incluiu etapas de padronização de variáveis, tratamento de inconsistências e verificação de integridade. Essa fase foi crucial para assegurar a qualidade e a confiabilidade da base de dados final, conforme preconizado em projetos de ciência de dados (PROVOST; FAWCETT, 2013). Os dados foram consolidados em uma única base estruturada, com aproximadamente 100 observações, correspondendo a vinte equipes por temporada ao longo das cinco temporadas.

A padronização dos nomes das colunas foi realizada para garantir um formato único, eliminando espaços e uniformizando a nomenclatura. As identificações das equipes foram padronizadas por meio de um dicionário de correspondência manual, corrigindo variações como abreviações ou siglas. As informações de temporada foram explicitamente incorporadas, e as bases foram integradas utilizando o nome padronizado da equipe e a temporada como chaves, com cruzamento interno para manter apenas observações presentes em ambas as fontes e remoção de registros duplicados.

A variável dependente, representando o desempenho das equipes, foi construída a partir da posição final na tabela de classificação de cada temporada. Para transformar essa variável contínua em categórica, utilizou-se a função `qcut` da biblioteca pandas (MCKINNEY, 2017). Essa função permitiu segmentar as equipes em três grupos de tamanho semelhante, classificados como “alto”, “médio” e “baixo” desempenho, com base em quantis, garantindo equilíbrio entre as classes e adaptando a segmentação à distribuição dos dados de cada temporada.

Para a análise preditiva, desenvolveu-se um modelo de classificação utilizando o algoritmo Random Forest, um método de aprendizado de máquina supervisionado (BREIMAN, 2001). As variáveis explicativas empregadas foram o xG a favor e o xG contra. Os dados foram divididos em conjuntos de treinamento e teste, utilizando a função `train_test_split` da biblioteca Scikit-learn, com uma proporção de 80% para treinamento e 20% para teste (test_size = 0.2). O parâmetro `random_state` foi fixado em 42 para assegurar a reprodutibilidade dos resultados.

Os hiperparâmetros do algoritmo Random Forest foram adotados em suas configurações padrão, com exceção do `random_state`. Para fins de avaliação comparativa, implementou-se um modelo baseline de regressão logística (Logistic Regression), amplamente utilizada em problemas de classificação (JAMES et al., 2013). Este modelo foi construído com as mesmas variáveis explicativas e a mesma divisão entre conjuntos de treino e teste, permitindo uma comparação direta com o desempenho do Random Forest.

A avaliação do desempenho dos modelos preditivos foi realizada por meio de métricas padrão em problemas de classificação multi-classe. Incluíram-se a acurácia, que mede a proporção de previsões corretas; a precisão, que indica a proporção de previsões positivas corretas entre todas as classificações positivas; a sensibilidade (recall), que avalia a capacidade do modelo de identificar corretamente os casos positivos reais; e o F1-score, que representa a média harmônica entre precisão e sensibilidade (JAMES et al., 2013; BISHOP, 2006; MANNING; RAGHAVAN; SCHÜTZE, 2008).

3. Resultados e Discussão

A consolidação da base de dados, que reuniu informações agregadas por equipe e por temporada do Campeonato Brasileiro Série A entre 2021 e 2025, permitiu o desenvolvimento e a avaliação do modelo preditivo proposto. A base final, estruturada a partir de dados extraídos da plataforma FootyStats e convertida para formato CSV, demonstrou consistência e integridade adequadas para a aplicação de técnicas de aprendizado de máquina. Não foram identificadas inconsistências críticas que pudessem comprometer a análise subsequente, garantindo a confiabilidade dos dados utilizados no estudo.

Embora a utilização de dados agregados por equipe e temporada represente uma limitação em termos de granularidade, essa abordagem mostrou-se eficaz para identificar padrões estruturais de desempenho ao longo do tempo. Essa metodologia permitiu analisar tendências mais estáveis, mitigando a influência de eventos pontuais inerentes ao futebol, como gols ocasionais ou decisões arbitrárias isoladas. Tal estratégia foi fundamental para a robustez da análise, considerando a disponibilidade de dados para o contexto do futebol brasileiro.

A análise exploratória dos dados revelou padrões significativos nas métricas de desempenho, particularmente nas variáveis relacionadas ao Expected Goals. Observou-se uma forte associação entre o “xG” a favor e o desempenho geral das equipes ao longo das temporadas. Esse achado indica que as equipes com maior capacidade de gerar volume e qualidade de oportunidades de gol tendem a alcançar melhores resultados competitivos, reforçando a importância da criação de chances claras no futebol.

Complementarmente, o “xG” contra, ou “xGA”, demonstrou uma relação inversa com o desempenho das equipes. Equipes que apresentaram menores valores de “xGA”, ou seja, que concederam menos oportunidades de gol de alta qualidade aos adversários, geralmente exibiram campanhas mais consistentes. Esse comportamento sublinha a relevância do equilíbrio entre o desempenho ofensivo e defensivo, sugerindo que o sucesso competitivo não depende apenas da capacidade de criar oportunidades, mas também da habilidade de evitar chances perigosas do oponente.

O saldo de Expected Goals, calculado como a diferença entre “xG” a favor e “xG” contra, emergiu como um indicador particularmente relevante, sintetizando o desempenho global das equipes em uma única métrica. Ao longo das temporadas analisadas, verificou-se que equipes com saldo positivo consistente tendiam a ocupar posições superiores na tabela de classificação. Em contraste, equipes com saldo negativo apresentavam maior probabilidade de campanhas inferiores, um resultado que se alinha à literatura internacional e valida a aplicabilidade do “xG” como métrica eficaz de avaliação de desempenho (EGGELS, 2016).

A análise da eficiência ofensiva foi conduzida pela razão entre o número de gols marcados e o “Expected Goals” (“xG”), permitindo avaliar o grau de aproveitamento das oportunidades criadas pelas equipes. Essa métrica buscou capturar a relação entre o desempenho observado e o desempenho esperado, fornecendo uma medida direta da eficácia na finalização. Equipes que superam consistentemente seu “xG” podem ser consideradas mais eficientes na conversão de chances, enquanto aquelas que ficam abaixo podem indicar problemas na finalização ou na tomada de decisão.

Com base nas variáveis selecionadas, o modelo de classificação foi desenvolvido utilizando o algoritmo Random Forest, visando identificar padrões associados ao desempenho das equipes ao longo das temporadas. A escolha desse algoritmo mostrou-se adequada devido à sua capacidade de lidar com a natureza não linear das relações entre as variáveis e a presença de interações complexas entre os indicadores de desempenho, características comuns em dados esportivos (JAMES et al., 2013).

A validação do modelo foi realizada por meio da divisão da base de dados em conjuntos de treino e teste, assegurando a independência das observações. Apesar das limitações decorrentes do uso de dados agregados, o modelo demonstrou uma capacidade moderada de generalização, conforme evidenciado pelos resultados obtidos no conjunto de teste. Esse processo de validação é crucial para garantir que o modelo não esteja excessivamente ajustado aos dados de treinamento, um fenômeno conhecido como overfitting (BREIMAN, 2001).

Em termos de desempenho global, o modelo Random Forest apresentou uma acurácia de 0,50, indicando que metade das observações foram corretamente classificadas. Considerando a natureza multi-classe do problema, esse resultado representa um desempenho superior ao que seria esperado em uma classificação aleatória, embora ainda revele limitações na capacidade preditiva do modelo. A acurácia, como medida geral, oferece uma visão inicial da eficácia do modelo em prever o desempenho das equipes.

A análise das métricas de desempenho por classe revelou diferenças notáveis no comportamento do modelo. A classe de alto desempenho obteve os melhores resultados, com precisão de 0,70, recall de 0,78 e F1-score de 0,74. Esses valores indicam uma elevada capacidade do modelo em identificar corretamente as equipes com desempenho superior, demonstrando sua eficácia em reconhecer os padrões associados aos times de ponta no Campeonato Brasileiro Série A.

Por outro lado, a classe de baixo desempenho apresentou valores reduzidos para as métricas de precisão, recall e F1-score, todos iguais a 0,25. Esse resultado evidencia a dificuldade do modelo em identificar corretamente as equipes classificadas na categoria de baixo desempenho. A classe intermediária, por sua vez, exibiu um desempenho moderado, com F1-score de 0,31, refletindo uma maior sobreposição entre os padrões de desempenho das equipes nessa faixa, o que dificultou a distinção precisa.

As métricas agregadas reforçaram esse padrão de comportamento, com uma média macro de F1-score de aproximadamente 0,43 e uma média ponderada próxima de 0,49. Esses valores indicam um desempenho geral moderado e relativamente equilibrado entre as classes, embora as classes com maior número de observações tenham exercido uma influência mais significativa nas médias ponderadas. A distribuição das classes, com aproximadamente 33 observações para “alto”, 33 para “baixo” e 34 para “médio”, mostra um equilíbrio na amostra utilizada para o treinamento e teste do modelo.

A matriz de confusão forneceu uma análise detalhada do comportamento do modelo, revelando não apenas a quantidade de acertos, mas também os padrões específicos de erro entre as classes. Observou-se que o modelo demonstrou melhor desempenho na classificação da classe “alto”, com sete classificações corretas de um total de nove observações reais. Essa alta taxa de acerto reforça a capacidade do modelo em identificar consistentemente equipes com desempenho superior, um achado relevante para a análise esportiva.

Contudo, a matriz evidenciou dificuldades significativas na classificação das classes “médio” e “baixo”. Para a classe “médio”, apenas duas das sete observações foram corretamente classificadas, enquanto a maioria foi confundida com a classe “alto”. Isso sugere uma sobreposição considerável entre essas categorias no espaço de características. Na classe “baixo”, o modelo apresentou desempenho limitado, com apenas um acerto em quatro observações, e os erros foram distribuídos entre as demais classes.

Esse padrão de erro indica uma tendência do modelo a superestimar o desempenho das equipes, classificando com maior frequência observações nas categorias superiores. Tal comportamento pode ser atribuído à menor separação entre as variáveis explicativas das classes intermediárias e inferiores, bem como à reduzida quantidade de observações em certas categorias. No contexto do futebol, onde pequenas diferenças de desempenho podem levar a classificações distintas, essa dificuldade na distinção entre classes próximas é consistente com a natureza do esporte.

De forma geral, a análise da matriz de confusão reforça que o modelo é mais eficiente na identificação de padrões extremos de desempenho, enquanto apresenta limitações na classificação de cenários intermediários. Essa observação aponta para oportunidades de aprimoramento do modelo, possivelmente por meio da incorporação de variáveis mais detalhadas que capturem nuances específicas de cada equipe, como aspectos táticos e situacionais, que os dados agregados por temporada não conseguem abarcar plenamente.

Como forma de avaliação comparativa, implementou-se um modelo baseline utilizando regressão logística. Ambos os modelos foram treinados com as mesmas variáveis explicativas (“xG” e “xGA”) e a mesma divisão entre conjuntos de treino e teste. O modelo de regressão logística obteve uma acurácia de 0,40, inferior à acurácia de 0,50 alcançada pelo modelo Random Forest. Esse resultado indica que a utilização de um modelo não linear, como o Random Forest, contribui para uma melhor captura dos padrões presentes nos dados, mesmo que o ganho de desempenho seja moderado.

A diferença relativamente pequena entre os modelos sugere que parte da relação entre as variáveis explicativas e o desempenho das equipes pode ser explicada por padrões lineares. No entanto, a superioridade do Random Forest evidencia a existência de interações mais complexas que são melhor representadas por métodos baseados em ensembles. Isso corrobora a literatura que destaca a capacidade de modelos de ensemble de lidar com relações não lineares e interações complexas entre variáveis (JAMES et al., 2013).

É fundamental interpretar os resultados obtidos à luz das limitações da base de dados utilizada. A ausência de dados em nível de partida e de evento restringe a capacidade do modelo de capturar dinâmicas mais detalhadas do jogo, o que pode impactar sua precisão preditiva. No entanto, mesmo com essa limitação, o modelo demonstrou capacidade de identificar padrões estruturais relevantes, reforçando a utilidade do “xG” como métrica agregada para análise de desempenho no futebol brasileiro.

A utilização de múltiplas temporadas para a construção da base de dados contribuiu para mitigar parte das limitações de granularidade, aumentando a variabilidade dos dados e permitindo uma análise mais robusta. Essa abordagem é consistente com as recomendações da literatura em ciência de dados para melhorar a capacidade de generalização de modelos preditivos (PROVOST; FAWCETT, 2013).

Os resultados deste estudo reforçam a relevância do Expected Goals (“xG”) como métrica avançada para análise de desempenho no futebol, corroborando achados da literatura internacional. Conforme proposto por Eggels (2016), o “xG” apresenta maior capacidade de representar a qualidade das oportunidades criadas quando comparado a métricas tradicionais, como o número absoluto de gols. Essa característica foi evidenciada tanto na análise descritiva quanto na modelagem preditiva, onde as variáveis derivadas do “xG” se destacaram como as mais relevantes.

A importância do saldo de “xG” observada nos resultados também está alinhada com a literatura, que sugere que o desempenho no futebol é explicado de forma mais clara por indicadores que combinam aspectos ofensivos e defensivos. Nesse sentido, o fato de o “xG” contra (“xGA”) apresentar elevada relevância no modelo reforça a ideia de que a solidez defensiva exerce um papel fundamental no sucesso das equipes, muitas vezes sendo tão ou mais determinante do que a capacidade ofensiva.

Adicionalmente, os resultados relacionados à eficiência ofensiva evidenciam um aspecto amplamente discutido em estudos sobre análise de desempenho esportivo: a existência de variabilidade entre desempenho esperado e desempenho observado. Conforme discutido por Spearman et al. (2017), o futebol é um sistema complexo, no qual múltiplos fatores influenciam o resultado. Nesse contexto, o “xG” se mostra particularmente relevante por incorporar elementos probabilísticos, reduzindo a influência do acaso e fornecendo uma visão mais objetiva da performance.

Os achados do estudo apresentam possibilidades de aplicação prática no contexto do futebol profissional, especialmente em atividades relacionadas ao “scouting” e à avaliação de desempenho. Embora o modelo tenha sido construído com dados agregados por equipe e temporada, sua aplicação demonstra como métricas de “Expected Goals” podem complementar as análises tradicionais baseadas exclusivamente em gols marcados, gols sofridos e posição na tabela de classificação.

Departamentos de análise de desempenho e “scouting” de clubes profissionais podem utilizar métricas de “xG” como indicadores adicionais para avaliar a qualidade das oportunidades criadas e concedidas pelas equipes, contribuindo para uma análise mais aprofundada do desempenho esportivo. Essa abordagem permite identificar equipes que apresentam desempenho superior ou inferior ao observado em seus resultados tradicionais, auxiliando na avaliação de adversários, planejamento de partidas e identificação de tendências de desempenho.

Outra possível aplicação, embora dependente de dados individualizados, está relacionada ao processo de identificação e avaliação de jogadores. A comparação entre gols marcados e “xG” poderia ser utilizada para analisar a eficiência dos atletas na finalização. Jogadores que apresentem produção de gols consistentemente superior ao seu “xG” poderiam ser identificados como potenciais finalizadores eficientes, enquanto diferenças persistentes poderiam indicar características de desempenho que merecem investigação mais aprofundada para processos de “scouting” e recrutamento.

No entanto, é crucial destacar que o “xG” não deve ser utilizado de forma isolada para decisões de contratação ou avaliação de atletas. A eficiência observada em relação ao “xG” pode ser influenciada por diversos fatores, como a qualidade das oportunidades, as características dos adversários e as variações associadas ao período analisado. Dessa forma, a utilização prática da métrica deve ocorrer de maneira complementar a outras informações disponíveis nos departamentos de análise de desempenho e “scouting”, integrando-se a uma visão holística do desempenho.

Um aspecto central a ser considerado é o trade-off entre a complexidade do modelo e sua capacidade de generalização. Embora o algoritmo Random Forest apresente mecanismos que reduzem o risco de overfitting, a utilização de uma base de dados relativamente limitada em termos de número de observações pode restringir o potencial preditivo do modelo. Nesse sentido, a inclusão de múltiplas temporadas contribuiu para aumentar a variabilidade dos dados e melhorar a robustez da análise, conforme recomendado na literatura de ciência de dados (PROVOST; FAWCETT, 2013).

Em síntese, os resultados obtidos indicam que o Expected Goals se configura como uma métrica relevante e informativa para a análise e previsão de desempenho no futebol brasileiro. Sua associação consistente com o desempenho competitivo das equipes, aliada à capacidade de identificar padrões extremos de performance, demonstra o potencial do “xG” como ferramenta complementar. A integração entre métricas probabilísticas e técnicas de aprendizado de máquina, como o Random Forest, mostrou-se eficaz, abrindo caminho para aplicações práticas em análise esportiva, scouting e tomada de decisão estratégica, apesar das limitações de granularidade dos dados e da dificuldade em distinguir classes de desempenho intermediárias e baixas.

4. Conclusão

O presente estudo buscou analisar o Expected Goals (xG) como métrica preditiva no futebol brasileiro, com foco no Campeonato Brasileiro Série A, e avaliar sua integração com técnicas de aprendizado de máquina na modelagem do desempenho das equipes. Verificou-se uma associação consistente entre as métricas de xG e o desempenho das equipes ao longo das temporadas, com o saldo de xG destacando-se como um indicador relevante para a análise. Para a predição, desenvolveu-se um modelo de classificação utilizando o algoritmo Random Forest, que apresentou acurácia de 0,50, superando o modelo baseline de regressão logística, que obteve 0,40. Observou-se que o Random Forest demonstrou maior capacidade em identificar equipes de alto desempenho, com precisão de 0,70 e recall de 0,78, embora tenha exibido limitações na distinção entre as classes de desempenho médio e baixo. A análise da eficiência ofensiva, pela razão entre gols marcados e xG, reforçou a utilidade da métrica para identificar discrepâncias entre o desempenho esperado e o observado, contribuindo para uma compreensão mais aprofundada das dinâmicas do jogo. Esses achados reforçam a relevância do xG como ferramenta complementar para a análise de desempenho no futebol profissional, oferecendo suporte a atividades de scouting e planejamento estratégico.

Apesar das contribuições, o estudo enfrentou limitações decorrentes da granularidade dos dados, que foram agregados por equipe e temporada, restringindo a capacidade do modelo de capturar nuances táticas e situacionais em nível de partida. O número reduzido de observações também impactou a generalização do modelo, especialmente na distinção de classes de desempenho intermediárias e inferiores. Para pesquisas futuras, sugere-se a utilização de bases de dados mais detalhadas, em nível de partida ou evento, e a incorporação de variáveis adicionais, como métricas táticas e contextuais. Recomenda-se, ainda, a exploração de outros algoritmos de aprendizado de máquina e técnicas de validação mais robustas para aprimorar a capacidade preditiva. Em síntese, a integração entre métricas probabilísticas como o xG e técnicas de aprendizado de máquina mostrou-se um caminho promissor para o desenvolvimento da análise de desempenho esportivo no futebol brasileiro, ampliando a compreensão do jogo e abrindo novas oportunidades para a tomada de decisão estratégica.

Referências Bibliográficas

ARAUJO, G. B. Uma caixinha de surpresas: como o componente aleatório afeta a tomada de decisões no futebol. Revista de Gestão e Negócios do Esporte (RGNE), São Paulo, v. 1, n. 1, p. 1-17, jan./jun. 2017.

BISHOP, 2006 [Referência completa não encontrada no documento original]

BREIMAN, L. Random Forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001.

EGGELS, H. G. H. Expected Goals in Soccer: Explaining Match Results using Predictive Analytics. Eindhoven: Eindhoven University of Technology, 2016.

FOOTYSTATS. Campeonato Brasileiro Série A – Expected Goals (xG). Disponível em: https://footystats.org/pt/brazil/serie-a/xg. Acesso em: 20 jan. 2026.

JAMES, Gareth; WITTEN, Daniela; HASTIE, Trevor; TIBSHIRANI, Robert. An Introduction to Statistical Learning: with Applications in R. New York: Springer, 2013.

MANNING, Christopher D.; RAGHAVAN, Prabhakar; SCHÜTZE, Hinrich. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2008.

MCKINNEY, 2017 [Referência completa não encontrada no documento original]

MITCHELL, Ryan. Web Scraping with Python: Collecting More Data from the Modern Web. 2. ed. Sebastopol: O’Reilly Media, 2018.

PROVOST, Foster; FAWCETT, Tom. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. Sebastopol: O’Reilly Media, 2013.

SPEARMAN, W.; BASYE, A.; DICK, G.; FOGARTY, J.; FOSSDAL, T. et al. Physics-based modeling of pass probabilities in soccer. Journal of Quantitative Analysis in Sports, v. 13, n. 3, p. 1–10, 2017.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy