Perfis de Desempenho de Jogadores de Futebol Identificados por Aprendizado Não Supervisionado

Welington Leal Pereira; Lauro Marques Vicari

DOI: 10.22167/2675-6528-202603558

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

O presente estudo abordou a crescente utilização de dados no futebol profissional como suporte à tomada de decisão, visando a uma compreensão mais objetiva e estruturada do desempenho dos jogadores. O objetivo foi identificar perfis de desempenho e analisar similaridades entre atletas por meio de técnicas de aprendizado não supervisionado. Utilizaram-se dados da temporada 2024–2025, que contemplaram 3.825 jogadores de linha de oito ligas nacionais e internacionais. Inicialmente, realizou-se uma análise exploratória dos dados. Em seguida, aplicou-se a Análise de Componentes Principais para reduzir a dimensionalidade e, posteriormente, empregou-se o algoritmo K-Means para identificar agrupamentos de jogadores. A clusterização resultou em dois perfis para atacantes e defensores, e três para meio-campistas. A análise permitiu identificar perfis distintos de desempenho, com diferenças claras entre posições e maior diversidade funcional no meio-campo. A análise de similaridade também possibilitou identificar jogadores com características estatísticas semelhantes, permitindo comparações entre atletas de diferentes ligas. Concluiu-se que a aplicação de técnicas de aprendizado não supervisionado é eficaz na identificação de padrões de desempenho, contribuindo significativamente para o apoio à tomada de decisão no futebol profissional.

Palavras-chave: Análise de desempenho; Análise de similaridade; Aprendizado não supervisionado; Clusterização; Futebol profissional.

1. Introdução

O futebol é amplamente reconhecido como o esporte mais popular do mundo, cativando bilhões de torcedores e consolidando-se como uma das maiores indústrias do entretenimento global. A relevância econômica desse setor é evidenciada por dados como os do relatório “Annual Review of Football Finance”, da Deloitte (2025), que aponta para receitas do mercado europeu de futebol superiores a 38 bilhões de euros na temporada 2023/24, representando um crescimento de aproximadamente oito por cento em relação ao período anterior. Esse desempenho é impulsionado não apenas por direitos de transmissão, patrocínios e bilheteria, mas também pelo crescente investimento em tecnologia, com destaque para a análise de dados, a inteligência artificial e os sistemas de monitoramento de desempenho.

Nas últimas décadas, o volume de dados gerados durante as partidas de futebol aumentou significativamente, abrangendo desde estatísticas básicas até informações detalhadas obtidas por meio de tecnologias de rastreamento de jogadores e registros de eventos de jogo. Ferramentas como o árbitro assistente de vídeo (VAR) e o impedimento semiautomático reforçam a digitalização do esporte. Paralelamente, observa-se a crescente adoção de técnicas de aprendizado de máquina para apoiar decisões estratégicas, como a avaliação de desempenho, a definição tática e o recrutamento de atletas. Clubes europeus, como Liverpool e Brentford, tornaram-se referências na utilização estruturada de dados para suporte à tomada de decisão, especialmente em processos de recrutamento e análise de desempenho, demonstrando o potencial estratégico da análise quantitativa no futebol moderno (Deloitte, 2025).

Contudo, no cenário brasileiro, a aplicação de ferramentas avançadas de análise de dados no futebol ainda ocorre de forma heterogênea e em processo de consolidação. Embora cerca de 55 por cento dos clubes da primeira divisão já possuam alguma estrutura voltada à análise de dados, com crescimento mais significativo a partir de 2020, essa evolução é desigual entre as equipes (Globo Esporte, 2025). O uso dessas ferramentas concentra-se, predominantemente, em atividades de apoio, como análise de mercado (scouting), avaliação de adversários e monitoramento de desempenho, sem plena integração aos processos estratégicos de tomada de decisão. Estudos recentes indicam a necessidade de ampliar o uso de ferramentas analíticas mais sofisticadas, capazes de integrar informações técnicas, físicas e táticas, a fim de melhorar a qualidade das decisões no contexto esportivo (Oliveira; Ramos-Silva, 2022).

No campo acadêmico, a aplicação de técnicas de análise de dados no futebol tem sido explorada em diversos estudos. Liu et al. (2013) identificaram a associação de variáveis como posse de bola, número de finalizações e precisão de passes ao desempenho das equipes. Sarmento et al. (2014) destacaram a evolução da análise de desempenho e a crescente importância de abordagens quantitativas. Mackenzie e Cushion (2013) enfatizaram a transição de análises descritivas para métodos mais robustos, ressaltando a necessidade de integração entre dados e contexto tático. Bush et al. (2013) observaram mudanças nos padrões de desempenho por posição, evidenciando a evolução das exigências físicas e técnicas dos jogadores. Mais recentemente, Pappalardo et al. (2018) demonstraram a viabilidade de abordagens baseadas em aprendizado de máquina para avaliação quantitativa do desempenho de jogadores.

A crescente relevância da análise de dados no futebol moderno e a necessidade de ampliar a aplicação dessas técnicas no contexto brasileiro justificam a realização deste estudo. Ao integrar métodos de Ciência de Dados à análise de desempenho esportivo, o trabalho busca contribuir para o avanço acadêmico e para aplicações práticas no setor, especialmente em atividades como scouting, avaliação de jogadores e suporte à tomada de decisão estratégica. Assim, o presente trabalho tem como objetivo analisar o desempenho de jogadores de futebol de diferentes ligas nacionais e internacionais por meio de técnicas de Ciência de Dados, com ênfase em métodos não supervisionados, incluindo a Análise de Componentes Principais (PCA) e algoritmos de clusterização, buscando identificar perfis de jogadores, analisar similaridades entre atletas e avaliar o potencial de aplicação dessas técnicas como ferramenta de apoio à análise de desempenho no futebol profissional.

2. Material e Métodos

A pesquisa caracterizou-se como um estudo de natureza aplicada, utilizando conceitos e técnicas de Ciência de Dados para analisar o desempenho de jogadores de futebol. A abordagem adotada foi quantitativa e descritiva, com foco na coleta, tratamento e análise de dados estatísticos relacionados ao desempenho esportivo. Do ponto de vista dos procedimentos técnicos, o estudo foi classificado como pesquisa documental, pois utilizou dados secundários provenientes de bases públicas especializadas em estatísticas de futebol profissional.

A coleta de dados foi realizada a partir da plataforma “FBref”, que disponibilizou indicadores detalhados de desempenho individual de jogadores. Foram coletadas informações referentes à temporada 2024–2025 de oito ligas profissionais de futebol, incluindo Bundesliga (Alemanha), Premier League (Inglaterra), La Liga (Espanha), Serie A (Itália), Campeonato Brasileiro Série A (Brasil), Liga Profissional Argentina (Argentina), Ligue 1 (França) e Liga Portugal (Portugal).

A seleção dessas competições justificou-se pela relevância no cenário internacional e pela diversidade de estilos de jogo, o que possibilitou análises comparativas entre jogadores de diferentes ambientes competitivos. Os dados foram extraídos via download direto da plataforma e armazenados em arquivos no formato CSV, organizados em diretórios distintos por liga. Cada competição apresentou múltiplos arquivos correspondentes a diferentes conjuntos de métricas estatísticas, abrangendo indicadores ofensivos, defensivos e gerais.

Os jogadores da posição de goleiro foram integralmente excluídos da análise devido às diferenças estruturais entre os indicadores estatísticos dessa posição e aqueles utilizados para jogadores de linha. Ressalta-se que foram utilizados exclusivamente dados de domínio público, não havendo acesso a informações pessoais sensíveis, o que garantiu a conformidade com os princípios éticos da pesquisa científica.

A estruturação e o tratamento dos dados foram realizados utilizando a linguagem de programação Python (versão 3.13.9), em ambiente de desenvolvimento Spyder (versão 6.1.0), distribuído pela plataforma Anaconda. Isso permitiu a leitura automatizada dos arquivos e a padronização da estrutura dos conjuntos de dados. Foram realizadas etapas de limpeza e estruturação, incluindo a padronização dos nomes das variáveis, a conversão de tipos de dados para formatos numéricos apropriados e a identificação de registros inconsistentes.

Em seguida, procedeu-se à integração das diferentes tabelas estatísticas disponibilizadas pela plataforma, por meio da correspondência entre registros de jogadores, considerando variáveis como nome, liga e temporada. Após essas etapas, obteve-se uma base consolidada composta por 4.336 jogadores e 71 variáveis.

Para a construção da base analítica, aplicou-se um critério mínimo de participação em campo para reduzir distorções associadas a jogadores com baixa minutagem. Foram considerados apenas atletas com, no mínimo, 900 minutos jogados ao longo da temporada, resultando na redução da base para 3.825 jogadores de linha. Também foram criadas variáveis derivadas, padronizando as métricas pela minutagem total do jogador, escalada para um intervalo de 90 minutos, conforme a equação Xper90 = (X / Mj) × 90.

As variáveis de desempenho selecionadas referiram-se a três dimensões principais: ofensiva, defensiva e disciplinar. As métricas incluíram gols por 90 minutos (gls_per90), assistências por 90 minutos (ast_per90), finalizações por 90 minutos (sh_per90), finalizações no alvo por 90 minutos (sot_per90), desarmes ganhos por 90 minutos (tklw_per90), interceptações por 90 minutos (int_per90), cartões amarelos por 90 minutos (crdy_per90) e faltas cometidas por 90 minutos (fls_per90).

A padronização estatística dos dados foi realizada por meio do método StandardScaler, implementado na biblioteca scikit-learn. Esse procedimento transformou as variáveis para que apresentassem média zero e desvio padrão unitário, garantindo que variáveis originalmente em diferentes escalas contribuíssem de forma equilibrada nas análises, sendo relevante em algoritmos baseados em distância (Hastie et al., 2009).

Os jogadores foram segmentados por posição em campo, sendo agrupados em três categorias: atacantes, meio-campistas e defensores. Essa segmentação foi adotada em função das diferenças estruturais nos perfis de desempenho entre as posições, reduzindo a heterogeneidade dos dados e permitindo a identificação de padrões mais consistentes dentro de cada grupo (Sarmento et al., 2014; Rein e Memmert, 2016).

A redução de dimensionalidade foi realizada por meio da técnica de Análise de Componentes Principais (PCA), que transforma um conjunto de variáveis potencialmente correlacionadas em componentes ortogonais e preserva a maior parte da variabilidade dos dados (Jolliffe, 2002; Jolliffe e Cadima, 2016). A aplicação do PCA teve como objetivo minimizar a multicolinearidade entre variáveis e sintetizar as informações em um número reduzido de componentes mais representativos (Hastie et al., 2009).

A técnica de PCA foi aplicada sobre dados previamente padronizados e separadamente para cada grupo de jogadores, preservando as particularidades de cada posição. Na implementação, utilizou-se a biblioteca scikit-learn, com sua configuração padrão baseada em decomposição por valores singulares (SVD), matematicamente equivalente à decomposição espectral da matriz de covariância.

O algoritmo de clusterização adotado foi o K-Means, amplamente utilizado em tarefas de aprendizado não supervisionado para segmentação de dados (Macqueen, 1967). O método particiona as observações em K grupos, de forma que os elementos pertencentes a um mesmo cluster apresentem maior similaridade entre si e maior dissimilaridade em relação aos demais grupos. A função objetivo do algoritmo minimiza a variabilidade intra-cluster, medida pela soma das distâncias quadráticas entre as observações e os centroides dos clusters.

A aplicação do algoritmo K-Means foi realizada sobre os componentes principais obtidos por meio do PCA, o que contribuiu para a redução de redundâncias entre variáveis e melhorou a eficiência do processo de agrupamento (Hastie et al., 2009). O algoritmo foi implementado utilizando a biblioteca scikit-learn, com parâmetros de “random_state” igual a 42 e “n_init” igual a 50, para garantir reprodutibilidade e robustez dos experimentos.

Para a definição do número adequado de clusters, foram utilizadas duas abordagens complementares: o método do cotovelo (Elbow Method) e o coeficiente de silhueta (Silhouette Score). O método do cotovelo baseia-se na análise da inércia intra-cluster em função do número de agrupamentos, enquanto o coeficiente de silhueta avalia simultaneamente a coesão interna e a separação entre grupos distintos (Rousseeuw, 1987; Kaufman e Rousseeuw, 1990).

A análise de agrupamentos foi realizada a partir dos dados transformados pelos componentes principais, considerando valores de K no intervalo de dois a oito agrupamentos. A escolha do número ótimo de clusters foi baseada na análise conjunta dos dois critérios, selecionando-se o número de agrupamentos que maximizou o valor médio do coeficiente de silhueta, com a análise visual do gráfico do cotovelo como critério complementar de validação.

De forma complementar à clusterização, realizou-se uma análise de similaridade com o objetivo de aprofundar a compreensão das relações entre os jogadores dentro dos grupos identificados. Essa abordagem permitiu evidenciar padrões de proximidade entre atletas, identificando aqueles com características estatísticas mais semelhantes. Para cada jogador, foram determinados os cinco atletas mais similares, com base nos menores valores de distância euclidiana, desconsiderando-se a auto comparação.

As análises foram conduzidas por meio das bibliotecas pandas para manipulação de dados, scikit-learn para aplicação dos algoritmos de aprendizado de máquina, e matplotlib e seaborn para geração de visualizações utilizadas na análise exploratória e interpretação dos resultados.

3. Resultados e Discussão

A análise dos dados de desempenho de jogadores de futebol profissional revelou padrões e perfis distintos, fornecendo uma base objetiva para a compreensão das características dos atletas em diferentes posições e ligas. A base final utilizada no estudo compreendeu 3.825 jogadores de linha, com participação mínima de 900 minutos na temporada 2024–2025, e onze variáveis de desempenho, todas ajustadas por 90 minutos de jogo. A ausência de valores nulos em todas as variáveis analisadas indicou uma elevada completude e qualidade dos dados, fundamentais para a robustez das análises subsequentes.

A análise estatística descritiva das variáveis ofensivas, como gols e assistências, evidenciou médias reduzidas, de 0,0726 e 0,0507, respectivamente, por 90 minutos de jogo. Esse achado reflete a dinâmica do futebol, onde a produção ofensiva de alto impacto tende a ser concentrada em um grupo seleto de jogadores, conforme apontado por Pappalardo et al. (2018). Notou-se uma alta frequência de valores iguais a zero nessas variáveis, especialmente no primeiro quartil, indicando que uma parcela significativa dos jogadores, particularmente aqueles com funções não ofensivas como defensores, não registrou gols ou assistências no período analisado. As variáveis de finalizações e finalizações no alvo, embora com médias de 0,7110 e 0,2436, apresentaram maior dispersão, sugerindo diferentes níveis de participação ofensiva entre os atletas e reforçando a concentração de ações ofensivas em um subconjunto específico de jogadores.

Em contraste, as variáveis defensivas, como desarmes ganhos e interceptações, exibiram maior heterogeneidade, com médias de 0,5867 e 0,4648, respectivamente. Essa dispersão é atribuída às diversas responsabilidades táticas dos jogadores em campo (Rein e Memmert, 2016). Diferentemente das métricas ofensivas, as variáveis defensivas apresentaram menor concentração de valores nulos, com valores positivos já no primeiro quartil, indicando uma participação mais generalizada dos jogadores nessas ações. Quanto às métricas disciplinares, a média de cartões amarelos foi baixa, de 0,1244, enquanto a de faltas cometidas foi superior, de 0,7069, sugerindo que nem todas as infrações resultam em penalização disciplinar, mas que as faltas são mais frequentes do que as advertências formais.

A distribuição das variáveis ofensivas revelou uma assimetria à direita, com a maioria dos valores concentrada perto de zero e uma frequência decrescente à medida que os valores aumentavam. Essa característica, com caudas alongadas, reforça a ideia de que um número restrito de jogadores se destaca nas ações ofensivas. Similarmente, as variáveis defensivas e disciplinares também apresentaram assimetria à direita, com concentração em valores baixos. Contudo, desarmes e interceptações mostraram maior dispersão em comparação com as métricas ofensivas, indicando uma distribuição mais equitativa da participação defensiva entre os jogadores, embora as métricas disciplinares ainda mantivessem maior concentração em valores reduzidos.

A análise da matriz de correlação revelou a existência de dois blocos principais de variáveis. O primeiro bloco, composto pelas métricas ofensivas, demonstrou forte correlação entre finalizações, finalizações no alvo e gols, com coeficientes de 0,95 entre finalizações e finalizações no alvo, e 0,89 entre gols e finalizações no alvo. O segundo bloco, referente às métricas defensivas e disciplinares, apresentou correlações elevadas entre desarmes, interceptações, faltas e cartões amarelos. Observou-se, ainda, correlações predominantemente fracas a moderadas entre variáveis ofensivas e defensivas, como o coeficiente de 0,04 entre gols e interceptações, o que sugere uma especialização funcional entre os jogadores. As variáveis disciplinares apresentaram associação moderada com métricas defensivas, indicando uma relação com a intensidade das ações de marcação (Gudmundsson e Horton, 2016). Os elevados níveis de correlação dentro de cada bloco indicaram redundância de informação.

A comparação das métricas ofensivas entre as ligas evidenciou diferenças nos padrões de produção. A Bundesliga (Alemanha) registrou as maiores médias de gols e finalizações, indicando uma intensidade ofensiva superior. A Ligue 1 (França) e a Premier League (Inglaterra) também apresentaram valores elevados, enquanto a Liga Profissional Argentina e o Campeonato Brasileiro Série A exibiram médias inferiores, sugerindo um menor volume ofensivo nessas competições. Em relação às métricas defensivas e disciplinares, a Ligue 1 (França) destacou-se em interceptações e desarmes, o que aponta para uma maior intensidade nas ações de recuperação de posse de bola. As métricas disciplinares, por sua vez, apresentaram variações mais moderadas entre as ligas, com a La Liga (Espanha) e a Serie A (Itália) registrando médias ligeiramente superiores em faltas (Rein e Memmert, 2016).

A análise das métricas ofensivas por posição em campo revelou diferenças claras associadas às funções táticas dos jogadores. Atacantes (FW) e posições híbridas com maior participação ofensiva, como atacantes-meio-campistas (FW-MF), apresentaram as maiores médias de gols, finalizações e finalizações no alvo. Jogadores com características mistas, como defensores-atacantes (DF-FW), também se destacaram em assistências, enquanto defensores (DF) registraram os menores valores nessas métricas. No que diz respeito às métricas defensivas e disciplinares, defensores (DF) e posições híbridas com atuação defensiva, como defensores-meio-campistas (DF-MF), apresentaram os maiores valores de desarmes e interceptações, sugerindo maior intensidade nos duelos defensivos. Em contrapartida, atacantes (FW) exibiram menores valores, e meio-campistas (MF) mantiveram um comportamento intermediário.

A elevada variabilidade observada nos dados, especialmente entre jogadores com funções híbridas, ressaltou as limitações das classificações tradicionais baseadas apenas na posição nominal. Nesse contexto, a segmentação por posição ou função tática mostrou-se essencial para reduzir a heterogeneidade da amostra e permitir a identificação de padrões mais específicos e comparáveis entre os jogadores, considerando suas responsabilidades em campo. A presença de correlações elevadas entre as variáveis indicou redundância de informação e potencial multicolinearidade, justificando a aplicação da Análise de Componentes Principais (PCA) para sintetizar a variabilidade dos dados em um conjunto reduzido de componentes não correlacionados, preservando a maior parte da informação original e tornando os dados mais adequados para as etapas subsequentes de clusterização. Contudo, é importante ressaltar que a análise se limitou às variáveis disponíveis, não contemplando aspectos como posicionamento espacial, movimentação sem bola e interações coletivas, o que representa uma limitação do estudo.

A aplicação da Análise de Componentes Principais (PCA) sobre os dados padronizados e segmentados por posição permitiu uma redução eficaz da dimensionalidade. Para os atacantes, o primeiro componente principal concentrou aproximadamente 68% da variância total, e o segundo componente adicionou cerca de 10%. Esse padrão indicou que o desempenho dos atacantes pode ser representado de forma eficiente por um número reduzido de dimensões, sugerindo um perfil mais concentrado e associado às ações ofensivas, com menor dispersão de perfis dentro dessa posição (Pappalardo et al., 2018).

No grupo dos defensores, o primeiro componente principal explicou cerca de 60% da variância, e os componentes subsequentes apresentaram contribuições mais distribuídas. Esse comportamento sugeriu uma estrutura mais complexa, onde diferentes aspectos do desempenho defensivo contribuíram de forma mais equilibrada para a variabilidade dos dados, evidenciando uma maior diversidade de perfis dentro dessa posição (Rein e Memmert, 2016). Para os meio-campistas, o primeiro componente também representou aproximadamente 60% da variância, e o segundo componente contribuiu com cerca de 22%. A partir do terceiro componente, observou-se uma redução significativa da variância explicada, o que evidenciou a diversidade funcional dessa posição, caracterizada pela combinação de ações ofensivas e defensivas (Gudmundsson e Horton, 2016).

De forma geral, a análise da variância acumulada indicou que dois a três componentes principais foram suficientes para representar a maior parte da variabilidade dos dados em todos os grupos analisados, superando, em geral, 80% da variância total (Jolliffe e Cadima, 2016). Os primeiros componentes concentraram a maior parte da variabilidade, enquanto os componentes subsequentes apresentaram contribuições marginais. Isso confirmou a existência de redundância entre as variáveis originais e a viabilidade de representar os dados em um espaço de menor dimensionalidade, o que otimizou a aplicação dos algoritmos de clusterização.

Para definir o número adequado de “clusters”, foram utilizadas duas abordagens complementares: o método do cotovelo e o coeficiente de silhueta. O método do cotovelo revelou uma redução acentuada da inércia à medida que o número de agrupamentos aumentava, seguida por uma estabilização gradual para todos os grupos (atacantes, meio-campistas e defensores). Esse ponto de inflexão, onde a adição de novos “clusters” gerou ganhos marginais reduzidos na explicação da variabilidade dos dados, foi consistentemente observado em torno de três “clusters” para todos os grupos (Kettenring, 2006).

A avaliação por meio do coeficiente de silhueta permitiu analisar a qualidade dos agrupamentos, considerando a coesão interna e a separação entre os “clusters”. Os resultados indicaram que os maiores valores médios do coeficiente foram obtidos para K = 2 nos grupos de atacantes e defensores, com valores aproximados de 0,65 e 0,55, respectivamente. Para os meio-campistas, observou-se um melhor desempenho para K = 3, com valor médio próximo de 0,59. Coeficientes de silhueta acima de 0,5 são considerados indicativos de boa separação entre grupos (Rousseeuw, 1987), o que confirmou a estrutura de agrupamentos bem definida.

A análise conjunta dos critérios evidenciou que, embora o método do cotovelo apontasse para a viabilidade de três “clusters” em todos os grupos, o coeficiente de silhueta apresentou diferenças mais específicas entre as posições. Para atacantes e defensores, a separação entre os grupos foi maximizada com dois “clusters”, enquanto para os meio-campistas, a utilização de três “clusters” proporcionou um melhor equilíbrio entre coesão interna e separação entre grupos. Esses resultados indicaram que a estrutura dos dados variou conforme a posição, sendo mais concentrada nos atacantes e defensores e mais diversa no meio-campo, o que se refletiu diretamente na definição do número de “clusters” mais adequado para cada grupo.

A análise de agrupamentos permitiu identificar padrões distintos de desempenho entre os jogadores, evidenciando a existência de perfis bem definidos dentro de cada posição. A interpretação dos resultados foi realizada com base nos dois primeiros componentes principais (PC1 e PC2), que foram responsáveis pela maior parte da variância dos dados e associados a diferentes dimensões de desempenho dos jogadores. O PC1 foi associado ao volume e à intensidade geral das ações, com maior contribuição de finalizações, finalizações no alvo e gols, enquanto o PC2 foi relacionado à diferenciação entre ações ofensivas e defensivas.

Para os atacantes, a clusterização resultou na formação de dois “clusters” com características distintas. O primeiro grupo concentrou jogadores posicionados em valores mais baixos de PC1, indicando menor intensidade geral nas métricas analisadas. Exemplos como Gabriel Jesus e Khvicha Kvaratskhelia, que se destacaram nesse grupo, apresentam características funcionais associadas à mobilidade, movimentação para diferentes zonas do ataque e participação na construção das jogadas. Esses jogadores se encontram no polo associado à menor participação nas ações de finalização.

Por outro lado, o segundo “cluster” de atacantes concentrou jogadores em valores elevados de PC1 e na região negativa de PC2, associada principalmente às métricas de gols, finalizações e finalizações no alvo. Erling Haaland e Kylian Mbappé foram exemplos proeminentes desse grupo. Haaland apresenta um perfil mais associado à referência central, ocupação da área e finalização, enquanto Mbappé combina atuação pelo lado e pelo centro, velocidade, ataque ao último terço e capacidade de conclusão. A localização desses jogadores no gráfico de dispersão é coerente com essas características, uma vez que ambos se encontram no polo associado à maior participação nas ações de finalização.

Para os meio-campistas, a análise revelou a formação de três “clusters” distintos. O primeiro “cluster” concentrou jogadores em valores mais baixos de PC1 e próximos à região central de PC2, como Jack Grealish e João Palhinha. Isso indicou menor intensidade geral nas métricas analisadas e ausência de forte predominância em um dos polos do PC2. Apesar da proximidade no espaço dos componentes, os jogadores apresentaram características funcionais distintas, com Grealish associado à progressão e participação na construção ofensiva, e Palhinha com atuação mais voltada à proteção defensiva.

O segundo “cluster” de meio-campistas reuniu jogadores em posições intermediárias do espaço dos componentes, como Rodrigo De Paul e Casemiro, embora com diferenças em suas localizações. Rodrigo De Paul apresentou posição próxima à região central de PC2, indicando equilíbrio entre as dimensões representadas. Casemiro, por sua vez, apresentou valor negativo de PC2, aproximando-se do polo associado às ações defensivas e disciplinares. Essa diferença é compatível com suas características funcionais, pois De Paul participa tanto na construção quanto na recuperação da posse, enquanto Casemiro possui perfil mais associado à proteção defensiva e ao equilíbrio do meio-campo.

O terceiro “cluster” de meio-campistas concentrou jogadores em valores mais elevados de PC1 e PC2, com destaque para Kevin De Bruyne e Jude Bellingham. A posição de De Bruyne, com PC2 elevado, está associada ao polo das métricas ofensivas, especialmente gols, finalizações, finalizações no alvo e assistências, sendo compatível com seu perfil de criação e participação na construção das jogadas. Bellingham também apresentou valores positivos de PC1 e PC2, indicando maior intensidade geral das ações e associação ao componente ofensivo, embora sua posição no gráfico fosse inferior à de De Bruyne em PC2. Esses exemplos evidenciam a diversidade funcional dos meio-campistas e a capacidade da análise de identificar diferentes padrões estatísticos dentro da mesma posição.

Para os defensores, a clusterização resultou na formação de dois grupos. O primeiro grupo concentrou jogadores em posições mais baixas no PC1, indicando menor intensidade relativa nas ações analisadas. Entre os exemplos identificados, Axel Witsel, que possui experiência como meio-campista defensivo e defensor, apareceu nesse grupo, enquanto Ezri Konsa, zagueiro de características predominantemente defensivas, encontrou-se próximo à região de transição entre os grupos. A principal diferença entre os “clusters” de defensores reside no nível de participação geral e no maior envolvimento ofensivo.

O segundo “cluster” de defensores reuniu jogadores com maior intensidade geral das ações e maior participação ofensiva, especialmente em posições mais elevadas no PC1 e PC2. Marquinhos, zagueiro com participação na construção desde a defesa, apareceu em uma posição intermediária desse grupo. Achraf Hakimi, lateral com forte projeção ofensiva e participação frequente no terço final, apresentou uma das posições mais elevadas no PC1 e PC2. A distribuição evidenciou, assim, diferentes formas de atuação entre os defensores, desde perfis mais voltados à função defensiva até jogadores com maior participação na progressão e construção ofensiva. De forma geral, os resultados evidenciaram que a clusterização foi capaz de identificar padrões distintos e interpretáveis de desempenho, diferenciando os jogadores a partir de suas características estatísticas. A separação dos grupos evidenciou diferentes combinações de participação ofensiva e defensiva, permitindo relacionar os padrões encontrados às características posicionais e funcionais dos atletas, reforçando o potencial do modelo para análises comparativas no futebol.

De forma complementar à clusterização, a análise de similaridade aprofundou a compreensão das relações entre os jogadores dentro dos grupos identificados, evidenciando padrões de proximidade entre atletas com características estatísticas semelhantes. Para cada jogador, foram determinados os cinco atletas mais similares com base nos menores valores de distância euclidiana, desconsiderando-se a auto comparação. Observou-se que jogadores com funções semelhantes apresentaram menores distâncias no espaço de características, indicando elevada proximidade estatística.

No caso dos atacantes, a relação entre Erling Haaland e Robert Lewandowski, com a menor distância de 0,4474, evidenciou um perfil altamente específico de finalizadores centrais, caracterizados por elevada eficiência ofensiva, alto volume de finalizações e menor participação em ações de criação. Jonathan Burkardt (0,5646) e Kylian Mbappé (0,7438) também foram identificados como similares. À medida que a distância aumentava, como nos casos de Mbappé e outros jogadores listados, percebeu-se a introdução de variações no perfil de atuação, especialmente relacionadas à mobilidade, participação na construção ofensiva e versatilidade posicional.

Para os meio-campistas, a proximidade entre Kevin De Bruyne e Rayan Cherki, refletida pela menor distância de 0,2588, sugeriu uma equivalência funcional no que se refere à criação de jogadas e participação ofensiva. Samuel Lino (0,5741) e Vincenzo Grifo (0,6079) também foram considerados similares. Ambos os jogadores apresentam forte envolvimento em ações de progressão, geração de oportunidades e contribuição criativa no terço final do campo. Embora existam diferenças contextuais e de estilo de jogo, a similaridade estatística indica que o modelo reconhece padrões consistentes de desempenho associados a meio-campistas ofensivos. Distâncias maiores para os demais jogadores listados indicaram uma transição para perfis com menor centralidade na organização ofensiva.

De forma análoga, para os defensores, a proximidade entre Achraf Hakimi e Trent Alexander-Arnold, com distância de 1,9151, evidenciou um perfil contemporâneo de defensores com forte participação ofensiva. Raphaël Guerreiro (2,4787) e Gonzalo Montiel (2,8477) também foram identificados como similares. Ambos se destacam não apenas por suas contribuições defensivas, mas também pela capacidade de progressão com a bola, criação de jogadas e envolvimento em ações ofensivas, aproximando-se, em termos funcionais, de papéis tradicionalmente associados ao meio-campo. As distâncias observadas para os demais jogadores indicam variações nesse perfil, refletindo diferentes níveis de envolvimento ofensivo e versatilidade tática. Esse padrão reforça a capacidade do modelo em identificar não apenas a posição nominal dos jogadores, mas também suas funções efetivas em campo, capturando a evolução do papel dos defensores no futebol moderno.

A análise de similaridade ampliou a interpretação dos resultados ao detalhar relações individuais entre jogadores. Enquanto a clusterização evidenciou padrões globais de agrupamento, a proximidade entre pares de jogadores permitiu identificar equivalências funcionais e diferenças específicas de desempenho. Os resultados obtidos apresentam aplicações práticas relevantes no contexto do futebol profissional, especialmente em processos de “scouting” e tomada de decisão. A análise de similaridade permite que clubes identifiquem, de forma objetiva, atletas com perfis estatísticos próximos, facilitando a busca por reposições ou alternativas táticas dentro de um mesmo modelo de jogo, além de otimizar seus investimentos, alinhando contratações à necessidade e capacidade financeira do clube.

Por exemplo, diante da eventual saída de um jogador-chave, como um atacante ou meio-campista de alta eficiência ofensiva ou criação de chances, o clube pode utilizar a análise para identificar atletas com características semelhantes em termos de produção ofensiva, como volume de assistências, finalizações e gols por 90 minutos. Isso possibilita uma reposição mais alinhada ao perfil desejado, reduzindo o risco associado à contratação e aumentando a probabilidade de adaptação ao sistema de jogo. Um caso ilustrativo é a contratação de Rayan Cherki pelo Manchester City em 2025, após a saída de Kevin De Bruyne, onde a análise da Opta Analyst (2025) indicou Cherki como um potencial perfil para reposição, consistente com os resultados deste estudo que o identificou como similar a De Bruyne. Essa abordagem também pode auxiliar na identificação de jogadores subvalorizados no mercado, que apresentem métricas semelhantes a atletas de alto desempenho, porém com menor visibilidade ou custo, como exemplificado pela estratégia de recrutamento do Brentford FC com Ollie Watkins (The Athletic, 2023; BBC Sport, 2020).

Em síntese, a aplicação de técnicas de aprendizado não supervisionado, como a Análise de Componentes Principais e a clusterização K-Means, mostrou-se eficaz na identificação de perfis de desempenho e na análise de similaridade entre jogadores de futebol. Os resultados evidenciaram que o desempenho apresenta estruturas bem definidas, com diferenças claras entre posições e entre perfis dentro de uma mesma função tática, além de uma maior diversidade de comportamentos no meio-campo. Essas informações contribuem significativamente para o apoio à tomada de decisão no futebol profissional, oferecendo uma ferramenta robusta para o “scouting”, a avaliação de jogadores e o planejamento tático e financeiro dos clubes.

4. Conclusão

O presente estudo analisou o desempenho de jogadores de futebol de diversas ligas nacionais e internacionais, empregando técnicas de Ciência de Dados não supervisionadas para identificar perfis e similaridades entre atletas. Verificou-se que a aplicação da Análise de Componentes Principais (PCA) e do algoritmo K-Means permitiu uma redução eficaz da dimensionalidade dos dados e a formação de agrupamentos coerentes. Observou-se a existência de perfis de desempenho distintos, com dois clusters para atacantes e defensores, e três para meio-campistas, refletindo a diversidade funcional e tática de cada posição. A análise revelou que atacantes se dividem entre finalizadores centrais e jogadores com maior mobilidade e participação na construção, enquanto defensores variam de perfis predominantemente defensivos a laterais com forte projeção ofensiva. No meio-campo, identificou-se uma maior complexidade, com grupos que equilibram ações ofensivas e defensivas, e outros focados na criação de jogadas ou na proteção. A análise de similaridade, por sua vez, evidenciou a proximidade estatística entre jogadores com funções análogas, como a relação entre Erling Haaland e Robert Lewandowski, ou Kevin De Bruyne e Rayan Cherki, mesmo em contextos de ligas distintas. Essa abordagem contribui significativamente para o futebol profissional, oferecendo uma ferramenta robusta para o scouting, a avaliação objetiva de jogadores e o planejamento tático e financeiro dos clubes, ao permitir a identificação de atletas com perfis estatísticos compatíveis para reposições estratégicas ou a descoberta de talentos subvalorizados no mercado.

Contudo, o estudo apresentou limitações importantes, pois a análise baseou-se exclusivamente em dados estatísticos de eventos de jogo, não incorporando aspectos espaciais, táticos mais complexos ou interações coletivas, o que pode não capturar integralmente a dinâmica do jogo. As métricas utilizadas também não contemplaram variáveis como posicionamento espacial, movimentação sem bola e interações coletivas. Para pesquisas futuras, sugere-se a ampliação da análise com a inclusão de variáveis relacionadas à movimentação em campo, como distância percorrida, velocidade e acelerações, além de métricas de desempenho físico e tático mais detalhadas. Recomenda-se, ainda, investigar como outras ligas esportivas estruturam suas análises de dados e integram diferentes fontes de informação em seus processos decisórios, utilizando essas experiências como referência para o aprimoramento de abordagens analíticas no futebol. Em suma, a aplicação de técnicas de aprendizado não supervisionado demonstrou ser uma ferramenta eficaz para a identificação de padrões de desempenho e similaridade entre jogadores, fortalecendo o suporte à tomada de decisão na gestão esportiva.

Referências Bibliográficas

BBC SPORT. 2020. Aston Villa sign Ollie Watkins from Brentford in £28m deal. Disponível em: https://www.bbc.com/sport/football/54281026. Acesso em: 20 abr. 2026.

BUSH, M. et al. 2013. Evolution of match performance parameters for various playing positions in the English Premier League. Human Movement Science 32(4): 808-821.

DELOITTE. 2025. Annual Review of Football Finance 2025. Disponível em: https://www2.deloitte.com. Acesso em: 20 mar. 2026.

GLOBO ESPORTE. 2025. Além do scout: como a análise de dados cresce e influencia nos clubes do futebol brasileiro. Disponível em: https://ge.globo.com/mg/futebol/noticia/2025/10/21/alem-do-scout-como-a-analise-de-dados-cresce-e-influencia-nos-clubes-do-futebol-brasileiro.ghtml. Acesso em: 20 abr. 2026.

GUDMUNDSSON, J.; HORTON, M. 2017. Spatio-temporal analysis of team sports. ACM Computing Surveys 50(2): 1-34.

HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. 2009. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, New York, NY, EUA.

JOLLIFFE, I. T. 2002. Principal Component Analysis. 2. ed. Springer, New York, NY, EUA.

JOLLIFFE, I. T.; CADIMA, J. 2016. Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A 374(2065): 1-16.

KAUFMAN, L.; ROUSSEEUW, P. J. 1990. Finding groups in data: an introduction to cluster analysis. Wiley, New York, NY, USA.

KETTENRING, J. R. 2006. The practice of cluster analysis. Journal of Classification 23(1): 3-30.

LIU, H.; GÓMEZ, M. A.; LAGO-PEÑAS, C.; SI, G. 2013. Inter-operator reliability of live football match statistics from OPTA Sportsdata. International Journal of Performance Analysis in Sport 13(3): 803-821.

MACKENZIE, R.; CUSHION, C. 2013. Performance analysis in football: a critical review and implications for future research. Journal of Sports Sciences 31(6): 639-676.

MACQUEEN, J. 1967. Some methods for classification and analysis of multivariate observations. In: Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1967, Berkeley, CA, EUA. Anais… p. 281–297.

OLIVEIRA, G. M.; RAMOS-SILVA, L. F. 2022. A visão do analista de desempenho de futebol para uma atuação talentosa. Revista Brasileira de Futebol 15: 1-10.

OPTA ANALYST. Rayan Cherki: Lyon’s chance creator and a possible Manchester City fit. 2025. Disponível em: https://theanalyst.com/articles/rayan-cherki-lyon-man-city-transfer-chance-creation-stats. Acesso em: 20 abr. 2026.

PAPPALARDO, L.; CINTIA, P.; FERRAGINA, P.; MASSUCCO, E.; PEDRESCHI, D.; GIANNOTTI, F. 2018. PlayeRank: data-driven performance evaluation and player ranking in soccer via a machine learning approach. ACM Transactions on Intelligent Systems and Technology 9(1): 1-23.

REIN, R.; MEMMERT, D. 2016. Big data and tactical analysis in elite soccer: future challenges and opportunities for sports science. SpringerPlus 5(1410): 1-13.

ROUSSEEUW, P. J. 1987. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics 20: 53-65.

SARMENTO, H.; MARCELINO, R.; ANGUERA, M. T.; CAMPANIÇO, J.; MATOS, N.; LEITÃO, J. C. 2014. Match analysis in football: a systematic review. Journal of Sports Sciences 32(20): 1831-1843.

THE ATHLETIC. 2023. Access All Areas: Brentford’s recruitment strategy explained. Disponível em: https://www.nytimes.com/athletic/4709058/2023/07/26/access-all-areas-brentford-recruitment/. Acesso em: 20 abr. 2026.

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