Modelo de Decisión Multicriterio para Evaluación y Selección de Jugadores

David Antonio Teixeira dos Santos; Elias Soares de Figueiredo

DOI: 10.22167/2675-6528-202602811

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

Considerando el mercado de fichajes en el fútbol profesional, caracterizado por altos volúmenes financieros y complejidad en la toma de decisiones, se desarrolló un modelo analítico para apoyar la selección de jugadores, utilizando técnicas de análisis de datos y aprendizaje automático. Se recopilaron datos de rendimiento de atletas a través de APIs deportivas. Se aplicó el algoritmo K-means para agrupar jugadores en clústeres de funciones tácticas similares, permitiendo comparaciones homogéneas. Posteriormente, se desarrolló un sistema de evaluación multicriterio (score) basado en múltiples métricas de rendimiento para clasificar a los jugadores en sus contextos. Se evaluaron diferentes modelos de clasificación, incluyendo KNN, SVC, Random Forest y XGBoost, con optimización de hiperparámetros. El modelo SVC obtuvo el mejor rendimiento, con una precisión de 0,6371, en la estimación de la probabilidad de éxito de los fichajes. Los resultados indicaron que el enfoque identifica jugadores con perfiles tácticos comparables y estima la probabilidad de éxito en los fichajes, considerando criterios técnicos, tácticos y de utilización. Se concluyó que la integración de clusterización, clasificación y modelado predictivo ofrece un enfoque más estructurado, cuantitativo y menos subjetivo para el reclutamiento en el fútbol profesional.

Palabras clave: Fútbol; K-means; Machine learning; SVC.

1. Introducción

El mercado de fichajes en el fútbol profesional es un entorno de alta complejidad y con volúmenes financieros expresivos. Solo la Premier League, por ejemplo, registró gastos de aproximadamente 21 mil millones de reales en contrataciones en la ventana de verano de la temporada 2025/2026 (O Globo, 2025). En este contexto, la elección y selección de jugadores representan un desafío crucial para los clubes, ya que implican la consideración de múltiples factores que van más allá de la calidad técnica individual del atleta.

La toma de decisiones en la selección de jugadores exige el balanceo de aspectos técnicos, tácticos y financieros. La evaluación tradicional, a menudo subjetiva, puede no capturar la totalidad de estas dimensiones, lo que genera la necesidad de enfoques más estructurados y cuantitativos. Tal problemática se alinea a un enfoque de decisión multicriterio, que busca apoyar la elección entre diferentes alternativas al considerar múltiples criterios simultáneamente (Greco et al., 2016; Ishizaka & Nemery, 2013).

En el fútbol, la decisión multicriterio es particularmente útil, ya que un jugador puede destacar en diferentes atributos, como el rendimiento defensivo u ofensivo, y los factores financieros pueden influir en la viabilidad de un fichaje. La creciente profesionalización del deporte y la competitividad impulsan el uso de datos y análisis cuantitativos, con departamentos de análisis de rendimiento desempeñando un papel estratégico en la identificación y evaluación de talentos.

Para reducir la subjetividad y mejorar el análisis, se emplean técnicas de aprendizaje automático. Los métodos de aprendizaje no supervisado, como el algoritmo K-means, permiten agrupar jugadores en clústeres que representan funciones tácticas similares (Lucey et al., 2013; Rein & Memmert, 2016; Andrienko et al., 2017). Esta segmentación es crucial para permitir comparaciones más coherentes entre atletas que desempeñan roles similares en el campo, evitando análisis inadecuados entre perfiles distintos (Akhanli & Hennig, 2022).

La base para este análisis es un conjunto de datos continuos de rendimiento de jugadores, obtenidos a través de APIs deportivas, que proporcionan información detallada y actualizada (Pappalardo et al., 2019). La utilización de estas variables continuas es fundamental para capturar diferencias reales de rendimiento y preservar la multidimensionalidad del problema de decisión. Adicionalmente, se aplican técnicas de aprendizaje basadas en la similitud para identificar jugadores comparables a un atleta de referencia, considerando múltiples dimensiones de rendimiento (Decroos & Davis, 2019).

Complementariamente, técnicas de aprendizaje supervisado se utilizan para evaluar y predecir la idoneidad de los jugadores recomendados. La comparación entre diferentes algoritmos de clasificación, con optimización de hiperparámetros, permite seleccionar el modelo más adecuado para el problema, aumentando la robustez del sistema de apoyo a la decisión (Géron, 2021). La integración de estos enfoques —decisión multicriterio, aprendizaje no supervisado y supervisado— ofrece un método más estructurado y completo para el análisis de jugadores.

La aplicación de métodos cuantitativos en el fútbol representa un avance significativo en relación con los enfoques tradicionales, proporcionando mayor transparencia, consistencia y capacidad analítica en el proceso de selección de jugadores. Al incorporar múltiples criterios, explorar la similitud entre atletas e integrar modelos predictivos, se hace posible reducir los riesgos asociados a las contrataciones y aumentar la probabilidad de éxito deportivo y financiero de los clubes. El trabajo tiene como objetivo desarrollar un modelo analítico de apoyo a la decisión para la identificación de jugadores compatibles con las necesidades de un equipo de fútbol, utilizando técnicas de aprendizaje automático basadas en la similitud estadística. El enfoque propuesto busca analizar el desempeño individual de los atletas y el contexto de los equipos, ofreciendo recomendaciones fundamentadas en datos históricos.

2. Material y Métodos

El presente estudio, aplicado y experimental, utilizó datos secundarios obtenidos de la API-Football, plataforma de datos públicos y licenciados sobre fútbol profesional. El acceso a la API, permitido para fines académicos, se realizó mediante registro y siguió términos de uso. La API proporcionó estadísticas detalladas de partidos, métricas de jugadores e información contextual de equipos, en formato JSON. La recolección se ejecutó por peticiones HTTP automatizadas en Python, respetando los límites de la API. Los datos son públicos y agregados, sin información personal privada.

El conjunto de datos abarcó datos de partidos de las seis ligas europeas principales (Premier League, La Liga, Serie A, Bundesliga, Ligue 1 y Primeira Liga) de las temporadas 2018 a 2024. Se contabilizaron 14809 partidos, 564593 estadísticas de jugadores y 29410 estadísticas de equipos. La información de los jugadores incluyó edad, nacionalidad, posición, minutos jugados, goles, asistencias, tiros, pases, métricas defensivas e indicadores disciplinarios.

La preparación de los datos utilizó Python con bibliotecas como `requests`, `pyspark` y `pandas`. Se aplicaron tratamiento, limpieza y estandarización, eliminando registros inconsistentes, tratando valores ausentes y estandarizando variables numéricas. Los datos de los jugadores se dividieron por los minutos jugados para evaluar la efectividad; las variables de los equipos se calcularon como promedios. Se excluyeron jugadores con menos de 300 minutos en el campo y porteros para reducir la influencia de observaciones con baja representatividad y debido a las características únicas de la posición.

La estandarización de los datos se realizó mediante StandardScaler, lo que aseguró que todas las características presentaran una media cero y una varianza unitaria, garantizando que variables con diferentes escalas no influyeran en los modelos basados en distancia, como K-Nearest Neighbors (KNN) y Support Vector Machine (SVC), manteniendo la consistencia en el pipeline de modelado.

Para el agrupamiento de los datos, se utilizó la biblioteca Scikit-learn para entrenar y aplicar el algoritmo K-means. Se probaron de dos a diez números de clusters, y el número de grupos finales se determinó mediante evaluación visual del método de Elbow y por el coeficiente de Silueta. Los grupos de jugadores se calcularon para cada sector del campo, diferenciándose en defensores (D), mediocampistas (M) y atacantes (F).

Para la evaluación comparativa de los atletas, se desarrolló un sistema de clasificación (score) basado en múltiples métricas de rendimiento. Los datos se segmentaron por posición, temporada, clúster y liga. Se definieron métricas específicas, como eficiencia de pases, capacidad de regate y rendimiento en duelos. Se construyeron clasificaciones utilizando la función de ordenación densa (dense rank) dentro de cada partición. Los jugadores se clasificaron por minutos jugados, evaluación general (rating), métricas ofensivas y defensivas. La puntuación agregada se definió restando las posiciones obtenidas en las clasificaciones de un valor constante.

Para predecir el éxito de las transferencias, se desarrolló un enfoque basado en la comparación de múltiples algoritmos de clasificación supervisada. El éxito de una transferencia se definió por la participación del jugador en al menos el 50% de los partidos en la temporada siguiente al cambio de equipo. Los datos se dividieron en conjuntos de entrenamiento y prueba (75% y 25%, respectivamente), con una semilla fija para la reproducibilidad. La técnica de sobremuestreo SMOTE se aplicó en el conjunto de entrenamiento para generar ejemplos sintéticos de la clase minoritaria.

Se evaluaron algoritmos como K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Random Forest, Gradient Boosting, Extreme Gradient Boosting (XGBoost), Gaussian Naive Bayes y un modelo baseline (Dummy Classifier). La optimización de hiperparámetros para cada modelo se realizó utilizando Randomized Search con validación cruzada de cinco folds. La evaluación final de los modelos se llevó a cabo basándose en la precisión en el conjunto de prueba.

3. Resultados y Discusión

La aplicación del modelo analítico desarrollado reveló insights significativos sobre la evaluación y selección de jugadores en el fútbol profesional, demostrando la capacidad de integrar diferentes técnicas de aprendizaje automático para apoyar la toma de decisiones. Los resultados iniciales de la investigación indicaron que la segmentación de jugadores en grupos tácticamente homogéneos, la evaluación multicriterio y la modelización predictiva de éxito en transferencias ofrecen un enfoque más robusto y menos subjetivo que los métodos tradicionales. Esta integración permitió un análisis en profundidad del rendimiento individual de los atletas y del contexto de los equipos, proporcionando recomendaciones fundamentadas en datos históricos.

Clúster

La aplicación del algoritmo K-means para la clusterización de los jugadores, con la definición de cuatro grupos (k=4) para cada posición, se realizó basándose en métricas normalizadas por minuto de juego. La elección del número de clusters se guió por la evaluación visual del método de Elbow, que busca un equilibrio entre la menor variación de inercia y el número de grupos, y por el coeficiente de Silueta, que mide el grado de similitud de una muestra con su propio cluster en comparación con otros. Aunque los coeficientes de silueta obtenidos fueron relativamente bajos (0,147 para defensores, 0,159 para mediocampistas y 0,165 para atacantes), estos valores aún indican una separación moderada entre los clusters.

Esta separación moderada sugiere que, a pesar de existir patrones de comportamiento distintos entre los jugadores, hay una zona de superposición entre los perfiles identificados, lo cual es un comportamiento esperado en el contexto del fútbol, donde las funciones tácticas de los atletas frecuentemente se superponen. Sin embargo, la segmentación demostró ser útil para identificar tendencias y agrupar jugadores con características similares, permitiendo una comparación más coherente dentro de un mismo contexto de posición en el campo. Los clusters, incluso con valores de silueta por debajo de lo ideal, proporcionan una estructura interpretable y aplicable al problema de reclutamiento, evidenciando variaciones relevantes en el comportamiento táctico de los atletas.

El análisis de los clústeres reveló perfiles tácticos específicos que trascienden la simple clasificación por posición. Para los defensores, se identificaron cuatro perfiles: el “Defensor equilibrado”, con participación moderada en pases, duelos y acciones defensivas; el “Defensor conservador”, con baja participación ofensiva y menor volumen de acciones; el “Defensor agresivo”, con alto involucramiento en duelos y regates, presentando un perfil más combativo; y el “Defensor constructor”, con alto volumen de pases y fuerte participación en la construcción del juego. Esta distinción demuestra la capacidad del modelo para capturar matices tácticos que la posición formal no revelaría.

Entre los atacantes, también se identificaron cuatro perfiles distintos. El “Atacante intenso” se caracteriza por un alto volumen de duelos, regates y faltas, con un perfil físico y participativo. El “Atacante equilibrado” presenta una participación moderada en todas las métricas. El “Atacante finalizador” se enfoca en goles, con un alto número de remates por minuto. Por último, el “Atacante de apoyo” exhibe un menor volumen ofensivo directo, con una actuación más complementaria al equipo. Estos perfiles permiten a los clubes buscar atletas que se ajusten a necesidades tácticas específicas, en lugar de limitarse a una evaluación genérica basada solo en la posición.

Para los centrocampistas, la clusterización también generó cuatro perfiles. El “Mediocampista ofensivo” muestra alta participación en duelos y regates, con una contribución ofensiva relevante. El “Mediocampista avanzado” tiene mayor frecuencia de finalizaciones y elevada presencia ofensiva. El “Mediocampista constructor” se destaca por su alto volumen de pases y acciones defensivas, actuando como organizador de juego. El “Mediocampista equilibrado” presenta un perfil intermedio entre ataque y defensa. Esta granularidad en la identificación de perfiles tácticos corrobora los hallazgos de Akhanli y Hennig (2022), quienes destacan la importancia de la segmentación de jugadores con base en datos de rendimiento para formar grupos más homogéneos, superando las limitaciones de la clasificación simple por posición en el campo.

Los resultados obtenidos refuerzan el argumento de Bialkowski et al. (2014), que señala que los jugadores pueden desempeñar funciones tácticas distintas de la posición formal registrada. Esto hace que los análisis basados exclusivamente en la posición sean insuficientes para capturar la complejidad del juego. La utilización de la clusterización, por lo tanto, permite un análisis más robusto de los jugadores, segmentando a los atletas en grupos tácticamente homogéneos y posibilitando comparaciones más coherentes, lo que es fundamental para un reclutamiento eficaz y alineado a las necesidades tácticas de un club.

Puntuación

El sistema de clasificación basado en múltiples métricas de rendimiento, denominado score, fue desarrollado para evaluar comparativamente a los atletas dentro de sus respectivos contextos. El análisis de correlación entre el score y las variables de rendimiento en la temporada 2022 indicó que no existe una fuerte asociación entre el score y ninguna métrica individual aislada. Por ejemplo, el rating, una evaluación promedio de los jugadores, presentó una correlación positiva baja de 0,18 con el score, lo que sugiere que el score no se limita a reproducir esta evaluación promedio, sino que incorpora otras dimensiones.

Se observó que diversas métricas presentaron correlación negativa con el score, como regates (-0,32), duelos (-0,31) y faltas (-0,31). Esto indica que mayores valores en estas variables no necesariamente implican mayor similaridad con el perfil analizado por el score. Este resultado refuerza la naturaleza relativa del modelo, que evalúa la proximidad entre jugadores considerando múltiples dimensiones simultáneamente, en vez de buscar la maximización aislada de indicadores específicos. La correlación prácticamente nula con el número total de partidos (0,01) sugiere que el score no es influenciado directamente por el volumen de encuentros, indicando que el modelo no presenta sesgo relacionado con el tiempo de exposición de los atletas.

La aplicación del puntaje en jugadores del Real Madrid en la temporada 2022 evidenció la capacidad del modelo para identificar atletas con alto rendimiento relativo dentro de sus respectivos contextos. Jugadores como Karim Benzema y Federico Valverde presentaron elevados percentiles de puntaje y calificación, indicando consistencia entre la evaluación tradicional y la métrica propuesta. Sin embargo, se observó que algunos atletas presentaron alta calificación, pero un puntaje inferior, evidenciando que el modelo captura múltiples dimensiones de rendimiento y no solo la evaluación media.

Estos resultados demuestran que la puntuación representa una medida multidimensional, no pudiendo ser explicada por ninguna variable aislada, lo que es consistente con la propuesta de enfoque multicriterio adoptada en el estudio. En la práctica, esta característica permite identificar jugadores con un rendimiento equilibrado en diferentes dimensiones del juego, evitando la sobrevaloración de atletas que destacan solo en métricas específicas. De esta forma, la puntuación se muestra como una herramienta adecuada para apoyar decisiones en contextos multicriterio, alineándose al enfoque de Decroos y Davis (2019), que utilizan vectores de jugadores para representar estilos de juego considerando múltiples dimensiones simultáneamente.

A diferencia de otros enfoques que utilizan datos espaciales de eventos, este trabajo emplea métricas de rendimiento agregadas por partido, lo que amplía su aplicabilidad a bases de datos más accesibles. La baja correlación de la puntuación con métricas individuales aisladas, como regates y duelos, refuerza la idea de Pappalardo et al. (2019) sobre las limitaciones de los enfoques unidimensionales, que tienden a sobrevalorar aspectos específicos del rendimiento. Así, la puntuación contribuye a una evaluación más completa y equilibrada del perfil del jugador.

Modelo

Para predecir el éxito de las transferencias de jugadores, se evaluaron diferentes algoritmos de clasificación, incluyendo K-Nearest Neighbors (KNN), Support Vector Machine (SVC), Random Forest, Gradient Boosting, Extreme Gradient Boosting (XGBoost), Gaussian Naive Bayes y un modelo de referencia (Dummy Classifier). La optimización de hiperparámetros se realizó utilizando la técnica de Randomized Search con validación cruzada de 5 folds, y la evaluación de los modelos se llevó a cabo basándose en la precisión en el conjunto de prueba.

Los resultados indicaron que el modelo SVC presentó el mejor rendimiento, con una precisión de 0,6371. A continuación, el KNN obtuvo 0,6225 y el Random Forest alcanzó 0,5907. Los demás modelos presentaron un rendimiento inferior, destacando el Gaussian Naive Bayes (0,5351) y el Dummy Classifier (0,4020), este último representando una referencia mínima de rendimiento. Aunque la precisión de 0,6371 obtenida por el modelo SVC no es elevada en términos absolutos, representa una buena ganancia en relación con el modelo base, indicando la presencia de señal predictiva en los datos utilizados.

Este resultado es consistente con la naturaleza multifactorial del problema, dado que el éxito de las transferencias depende de múltiples factores no observables, como la adaptación del atleta al nuevo club, la ocurrencia de lesiones y aspectos psicológicos. La precisión moderada refleja la complejidad inherente a la predicción del rendimiento individual en deportes colectivos, tal como lo destacan Goes et al. (2021), quienes señalan los desafíos derivados de la ausencia de variables contextuales relevantes, como el estilo de juego del equipo y las condiciones físicas de los atletas.

La principal contribución de este trabajo reside en la integración de diferentes etapas en un único pipeline analítico. Este enfoque combina la segmentación táctica por clústeres, la construcción de una puntuación multicriterio basada en el perfil de un jugador de referencia y la aplicación de un modelo predictivo para evaluar la probabilidad de éxito de las transferencias. A diferencia de estudios que tratan estas etapas de forma aislada, el enfoque propuesto ofrece un sistema de apoyo a la decisión más completo, con potencial de aplicación práctica en el reclutamiento de jugadores, proporcionando una visión holística y estructurada.

Como limitaciones del estudio, se destaca la definición de éxito de transferencia basada en la participación del jugador en al menos el 50% de los partidos en la siguiente temporada. Aunque este criterio es un proxy objetivo de utilización y adaptación, no captura integralmente el impacto deportivo del atleta, pudiendo clasificar como exitosos a jugadores con alta participación pero bajo rendimiento, o desconsiderar a atletas poco utilizados por factores externos, como lesiones. Adicionalmente, el modelo no incorporó variables contextuales relevantes, como estilo de juego de los equipos, formación táctica, características del entrenador y nivel de los adversarios, factores que pueden influir significativamente en el rendimiento de los jugadores y el éxito de las transferencias.

Otra limitación importante se refiere a la ausencia de variables financieras, como salario, valor de mercado y coste de transferencia, que son determinantes en el proceso real de toma de decisiones de los clubes. La exclusión de jugadores con baja minutación, aunque necesaria para reducir la variabilidad estadística, puede haber eliminado atletas con potencial relevante, como jóvenes en inicio de carrera o jugadores que regresaban de una lesión. De forma similar, la exclusión de porteros limita la aplicabilidad del modelo a todas las posiciones en el campo. Por último, las métricas utilizadas se agregaron y normalizaron por minuto, lo que, aunque permite comparabilidad, no captura integralmente el contexto de los partidos, y la precisión moderada de los modelos de clasificación refleja la complejidad del problema, que involucra factores no observables en los datos disponibles.

En resumen, el modelo analítico desarrollado demostró la viabilidad de un enfoque integrado para el apoyo a la decisión en la selección de jugadores. La clusterización permitió la identificación de perfiles tácticos homogéneos, el score multicriterio ofreció una evaluación multidimensional del rendimiento y el modelo predictivo de SVC estimó la probabilidad de éxito en las transferencias. Esta combinación de técnicas de aprendizaje automático y decisión multicriterio ofrece una herramienta más estructurada, cuantitativa y menos subjetiva para el reclutamiento en el fútbol profesional, a pesar de las limitaciones inherentes a la complejidad del dominio y a la disponibilidad de los datos.

4. Conclusión

El presente estudio buscó desarrollar un modelo analítico de apoyo a la decisión para la identificación de jugadores compatibles con las necesidades de un equipo de fútbol, empleando técnicas de aprendizaje automático basadas en similitud estadística. Se verificó que la aplicación del algoritmo K-means permitió agrupar jugadores en clústeres de funciones tácticas similares, revelando perfiles específicos que trascienden la clasificación tradicional por posición en el campo. Esta segmentación posibilitó comparaciones más homogéneas entre atletas. Adicionalmente, se desarrolló un sistema de ranqueo multicriterio, el score, que evaluó el desempeño de los jugadores de forma multidimensional, sin limitarse a métricas aisladas o al volumen de partidos. En la etapa de modelado predictivo, el algoritmo Support Vector Machine (SVC) obtuvo el mejor desempeño, con una precisión de 0,6371, en la estimación de la probabilidad de éxito de transferencias. La principal contribución de este trabajo reside en la integración de estas etapas en un pipeline analítico único, ofreciendo un enfoque más estructurado, cuantitativo y menos subjetivo para el reclutamiento en el fútbol profesional.

Sin embargo, el estudio presentó algunas limitaciones, como la definición de éxito de transferencia basada en la participación en al menos el 50% de los partidos, lo que no captura integralmente el impacto deportivo o factores externos como lesiones. También se observó la ausencia de variables contextuales relevantes, como el estilo de juego del equipo y las características del entrenador, y de variables financieras, que son cruciales en la toma de decisiones de los clubes. La exclusión de jugadores con baja minutaje y de porteros también restringió la amplitud del análisis. Para estudios futuros, se sugiere la incorporación de métricas avanzadas, como expected goals (xG), la inclusión de datos financieros y contractuales, y la exploración de modelos más complejos, como redes neuronales, para mejorar la capacidad predictiva del sistema.

Referencias Bibliográficas

AKHANLI, S. E.; HENNIG, C. Clustering of football players based on performance data and aggregated clustering validity indexes. Statistics and Computing, v. 32, n. 1, p. 1–22, 2022.

Andrienko, G.; Andrienko, N.; Budziak, G.; von Landesberger, T.; Weber, H. (2017). Visual analysis of pressure in football. Heidelberg: Springer.

BIALKOWSKI, A. et al. (2014). Large-scale analysis of soccer matches using spatiotemporal tracking data. In: IEEE International Conference on Data Mining, Shenzhen. Proceedings… Shenzhen: IEEE, p. 725–730.

DECROOS, T.; DAVIS, J. Player vectors: characterizing soccer players’ playing style from match event streams. In: BREFELD, U. et al. (Ed.). Machine Learning and Knowledge Discovery in Databases. ECML PKDD 2019. Lecture Notes in Computer Science, v. 11908. Cham: Springer, 2020. p. 569–584

GOES, F. et al. (2021). Unlocking the potential of big data to support tactical performance analysis in professional soccer. European Journal of Sport Science, v. 21, n. 4, p. 481–496.

Greco, S., Ehrgott, M.; Figueira, J. R. (2016). Multiple criteria decision analysis:state of the art surveys. New York: Springer.

GÉRON, A. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow. 2. ed. Rio de Janeiro: Alta Books, 2021.

Ishizaka, A.; Nemery, P. (2013). Multi-criteria decision analysis: methods and software. Chichester: John Wiley & Sons.

Lucey, P., Bialkowski, A., Monfort, M., Carr, P.; Matthews, I. (2013).Assessing team strategy using spatiotemporal data. New York: ACM.

O GLOBO. Premier League quebra recorde e ultrapassa a barreira dos R$ 21 bilhões em gastos com reforços na janela. 2 set. 2025. Disponível em: https://oglobo.globo.com/esportes/noticia/2025/09/02/premier-league-quebra-recorde-e-ultrapassa-a-barreira-dos-r-21-bilhoes-em-gastos-com-reforcos-na-janela.ghtml#:~:text=A%20Premier%20League%20quebrou%20recordes,as%20cinco%20grandes%20ligas%20europeias. Acesso em 01/02/2026

PAPPALARDO, L. et al. PlayeRank: data-driven performance evaluation and player ranking in soccer via a machine learning approach. ACM Transactions on Intelligent Systems and Technology, v. 10, n. 5, p. 1–27, 2019.

Rein, R.; Memmert, D. (2016). Big data and tactical analysis in elite soccer: future challenges and opportunities for sports science. Cham: Springer.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy