Resumo Executivo

Vitória Viana Limonge Goeking; Juliano Domingues da Silva

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Este estudo objetivou identificar e analisar os principais fatores estatísticos e táticos que influenciam o desempenho do Clube Atlético Mineiro, com base em dados das temporadas de 2023 e 2024. A investigação buscou, por meio de modelos de regressão, compreender quais variáveis de jogo se correlacionam com métricas de performance como saldo de gols, vitórias, precisão de passes e finalizações, fornecendo um panorama quantitativo para a avaliação estratégica do time.

O futebol no Brasil é um pilar econômico relevante, movimentando R$ 52,9 bilhões, o equivalente a 0,72% do PIB nacional (CBF & EY, 2021). Essa magnitude reflete-se na complexificação da gestão dos clubes, que evoluíram para modelos de negócio como a Sociedade Anônima do Futebol (SAF). A resiliência do setor, com crescimento de 20% nas receitas dos principais clubes em 2016 mesmo em crise (Sousa et al., 2022), reforça a necessidade de estratégias baseadas em dados para garantir sustentabilidade e sucesso competitivo.

Nesse contexto, a busca por vantagens competitivas impulsionou o uso de análises de dados no planejamento técnico e tático. Compreender as razões para um desempenho superior é um objetivo primordial para técnicos e estudiosos (Vendite, Vendite e Moraes, 2003). A análise estatística tornou-se um pilar para equipes de inteligência otimizarem a performance, dissecando informações sobre o próprio time e adversários. O futebol moderno exige um desempenho elevado, tornando o estudo científico da modalidade indispensável para o sucesso (Cunha, Binotto e Barros, 2001).

A relevância da análise de dados é reconhecida por órgãos como a FIFA, que desenvolveu a ferramenta FIFA Football Language para análises de desempenho. No campo acadêmico, a aplicação de técnicas estatísticas e de machine learning para prever resultados tem ganhado destaque (Silva, Barros e de Albuquerque, 2020), com autores como YU (2022) afirmando o papel central dos dados na evolução do esporte. No entanto, apesar do avanço global, há uma lacuna de estudos que aplicam modelos estatísticos robustos para analisar o desempenho de clubes brasileiros de forma específica.

Este trabalho se insere nesta lacuna, propondo uma análise focada no Clube Atlético Mineiro para identificar os fatores que potencializam seu rendimento. Diferente de análises genéricas, o estudo busca desvendar as particularidades do time, oferecendo insights aplicáveis pela comissão técnica e diretoria. A pesquisa se justifica pela necessidade de traduzir o volume de dados de cada partida em conhecimento estratégico, contribuindo para o avanço do clube e para a literatura sobre análise de desempenho no futebol brasileiro.

A pesquisa é quantitativa e aplicada. Foi construído um banco de dados a partir de fontes públicas, contemplando 139 partidas do Clube Atlético Mineiro nas temporadas 2023 e 2024, em todos os campeonatos disputados. O conjunto de dados original continha 25 atributos por partida, incluindo variáveis numéricas (chutes, posse de bola, passes, faltas) e categóricas (mandante, estádio, campeonato, esquemas táticos).

Os dados foram tratados para adequação à modelagem estatística. Os esquemas táticos (do Atlético e do adversário) foram reclassificados em ofensivo, defensivo e equilibrado. Variáveis textuais, como escalação, foram transformadas em métricas quantitativas, criando os indicadores “variação da escalação” e “variação da substituição” para medir a proporção de jogadores diferentes em relação à partida anterior e avaliar o impacto da rotatividade. Variáveis categóricas relevantes, como campeonato e esquema tático, foram dummizadas para inclusão nos modelos de regressão.

A premissa metodológica é que o “bom desempenho” é um conceito multifacetado, não mensurável por uma única métrica. Portanto, a pesquisa foi estruturada em quatro cenários de análise, cada um com uma variável resposta diferente: Cenário 1 (saldo de gols), Cenário 2 (variável binária de vitória), Cenário 3 (precisão de passe) e Cenário 4 (quantidade de chutes a gol). Essa abordagem permite uma compreensão mais completa da performance do time.

Para analisar os dados, foram aplicados modelos de regressão supervisionados. Nos Cenários 1, 3 e 4 (respostas contínuas), utilizou-se a regressão linear múltipla. No Cenário 2 (resposta binária), aplicou-se a regressão logística binária. A seleção de variáveis para os modelos finais foi aprimorada pelo método Stepwise, que testa iterativamente a inclusão e exclusão de variáveis para encontrar o modelo com melhor ajuste e significância estatística. A robustez dos modelos foi avaliada por testes de diagnóstico, como o Fator de Inflação de Variância (VIF) para multicolinearidade, testes de Shapiro-Francia para normalidade dos resíduos e testes de Breusch-Pagan e White para heterocedasticidade, garantindo a validade dos resultados (Gujarati, 2004).

A análise exploratória revelou correlações esperadas, como a positiva entre posse de bola e número de passes, e entre total de chutes e chutes a gol. A matriz de correlação também apontou uma associação significativa entre escanteios e número de chutes, sugerindo que a bola parada é uma fonte relevante de finalizações. A distribuição dos resultados das 139 partidas mostrou equilíbrio entre vitórias e derrotas, com predominância de empates, padrão acentuado no Campeonato Brasileiro. A análise temporal da variação de escalação e substituição indicou que a rotatividade de jogadores permaneceu estável, próxima da média.

No Cenário 1 (saldo de gols), o modelo de regressão linear, refinado pelo método Stepwise, identificou seis variáveis significativas. A quantidade de chutes a gol e a participação no Campeonato Mineiro influenciaram positivamente o saldo de gols. Em contrapartida, enfrentar adversários com esquemas táticos equilibrados ou ofensivos, a quantidade de cartões amarelos recebidos e o número de escanteios a favor correlacionaram-se negativamente com o saldo de gols. Este último resultado sugere que, embora escanteios gerem chutes, sua conversão em gols pode ser ineficiente ou a equipe se torna vulnerável a contra-ataques.

A análise do Cenário 2 (probabilidade de vitória) utilizou um modelo de regressão logística. Os resultados indicaram que atuar como mandante, a quantidade de chutes a gol e o número de substituições aumentam a chance de vitória. Por outro lado, a posse de bola apresentou correlação negativa e significativa com a probabilidade de vencer. Este é um dos achados mais contraintuitivos do estudo, sugerindo que um estilo de jogo com menor posse, possivelmente mais vertical e focado em transições rápidas, é mais eficaz para o Atlético Mineiro do que um jogo de controle. Enfrentar adversários com esquemas equilibrados ou ofensivos também diminuiu a probabilidade de vitória.

O Cenário 3 (precisão de passe) apresentou desafios metodológicos. O modelo inicial, após o Stepwise, indicou que passes, variação na substituição e quantidade de substituições influenciam positivamente a precisão. No entanto, o diagnóstico revelou problemas de não aderência à normalidade dos resíduos. A aplicação da transformação de Box-Cox melhorou o ajuste do modelo (R² ajustado subiu de 0,193 para 0,533), apontando que a participação no Campeonato Mineiro, a variação na escalação e o número de passes impactam positivamente a precisão. Contudo, mesmo após a transformação, os resíduos não seguiram uma distribuição normal e o modelo apresentou heterocedasticidade (teste de White). Tais violações das premissas indicam que os resultados deste cenário devem ser interpretados com cautela, pois a validade dos testes de significância pode estar comprometida.

Para o Cenário 4 (quantidade de chutes a gol), o modelo de regressão linear identificou duas variáveis com impacto positivo e significativo: a quantidade de passes e o número de escanteios. Este resultado reforça que um maior volume de passes cria mais oportunidades de finalização e que os escanteios são um mecanismo fundamental para a equipe gerar perigo. O diagnóstico deste modelo foi satisfatório, não apresentando problemas significativos de heterocedasticidade (teste de White), o que confere maior confiabilidade às suas conclusões.

A performance dos modelos foi avaliada comparativamente. Nos modelos de regressão linear, o método Stepwise melhorou os indicadores de ajuste (AIC, BIC) e aumentou o R² ajustado, indicando que os modelos mais parcimoniosos foram mais eficientes. No modelo logístico do Cenário 2, a curva ROC resultou em uma área sob a curva (AUC) de 0,7691, indicando boa capacidade discriminatória para prever vitórias. A análise de diferentes pontos de corte (cutoff) demonstrou a flexibilidade do modelo: um cutoff de 0,5 maximizou a acurácia (69,8%), enquanto valores mais baixos aumentaram a sensibilidade e valores mais altos, a especificidade.

A discussão dos resultados foi enriquecida pela comparação com a literatura. Os achados corroboram parcialmente Santos et al. (2024), que também identificaram a finalização a gol como fator determinante no futebol brasileiro. No entanto, a descoberta do impacto negativo da posse de bola nas vitórias do Atlético Mineiro contrasta com a visão geral de que o controle do jogo é sempre benéfico, revelando uma particularidade tática. A relação negativa entre cartões amarelos e saldo de gols alinha-se com os achados de Villa e Lozano (2016) na liga espanhola. Em comparação com Socin et al. (2021), que analisaram o Campeonato Brasileiro de 2013, houve concordância na relação positiva entre escanteios e chutes a gol, mas divergência nos fatores que influenciam a precisão de passe, reforçando que as dinâmicas de desempenho são específicas de cada clube e contexto.

Em síntese, a análise dos quatro cenários permitiu uma compreensão detalhada dos fatores de desempenho do Clube Atlético Mineiro. Para aumentar o saldo de gols (Cenário 1), a equipe deve focar na eficiência das finalizações, especialmente no Campeonato Mineiro, e minimizar cartões amarelos. Para aumentar a probabilidade de vitória (Cenário 2), os resultados sugerem um estilo de jogo mais direto e vertical, com menos posse de bola, aproveitando o fator casa e usando as substituições de forma estratégica. Para melhorar a precisão de passe (Cenário 3), o volume de passes e a estabilidade na escalação parecem importantes, embora as conclusões sejam limitadas por questões estatísticas. Para gerar mais chutes a gol (Cenário 4), a estratégia deve se concentrar em aumentar o volume de passes e otimizar escanteios. A principal limitação do estudo reside nos problemas de aderência às premissas estatísticas no modelo do Cenário 3, que indicam a necessidade de abordagens de modelagem alternativas.

Para pesquisas futuras, sugere-se aprofundar a investigação sobre a não normalidade e heterocedasticidade no modelo de precisão de passe, explorando modelos não lineares ou a inclusão de outras variáveis. A incorporação de variáveis defensivas (desarmes, interceptações) como explicativas ou como novas variáveis de resposta poderia fornecer um panorama mais completo, equilibrando a análise entre aspectos ofensivos e defensivos. Conclui-se que o objetivo foi atingido: demonstrou-se, por meio de modelagem estatística, os principais fatores que influenciam o desempenho do Clube Atlético Mineiro nas temporadas de 2023 e 2024, revelando particularidades táticas e estatísticas do time.

Este estudo objetivou identificar e analisar os principais fatores estatísticos e táticos que influenciam o desempenho do Clube Atlético Mineiro, com base em dados das temporadas de 2023 e 2024. A investigação buscou, por meio de modelos de regressão, compreender quais variáveis de jogo se correlacionam com métricas de performance como saldo de gols, vitórias, precisão de passes e finalizações, fornecendo um panorama quantitativo para a avaliação estratégica do time.

O futebol no Brasil é um pilar econômico relevante, movimentando R$ 52,9 bilhões, o equivalente a 0,72% do PIB nacional (CBF & EY, 2021). Essa magnitude reflete-se na complexificação da gestão dos clubes, que evoluíram para modelos de negócio como a Sociedade Anônima do Futebol (SAF). A resiliência do setor, com crescimento de 20% nas receitas dos principais clubes em 2016 mesmo em crise (Sousa et al., 2022), reforça a necessidade de estratégias baseadas em dados para garantir sustentabilidade e sucesso competitivo.

Nesse contexto, a busca por vantagens competitivas impulsionou o uso de análises de dados no planejamento técnico e tático. Compreender as razões para um desempenho superior é um objetivo primordial para técnicos e estudiosos (Vendite, Vendite e Moraes, 2003). A análise estatística tornou-se um pilar para equipes de inteligência otimizarem a performance, dissecando informações sobre o próprio time e adversários. O futebol moderno exige um desempenho elevado, tornando o estudo científico da modalidade indispensável para o sucesso (Cunha, Binotto e Barros, 2001).

A relevância da análise de dados é reconhecida por órgãos como a FIFA, que desenvolveu a ferramenta FIFA Football Language para análises de desempenho. No campo acadêmico, a aplicação de técnicas estatísticas e de machine learning para prever resultados tem ganhado destaque (Silva, Barros e de Albuquerque, 2020), com autores como YU (2022) afirmando o papel central dos dados na evolução do esporte. No entanto, apesar do avanço global, há uma lacuna de estudos que aplicam modelos estatísticos robustos para analisar o desempenho de clubes brasileiros de forma específica.

Este trabalho se insere nesta lacuna, propondo uma análise focada no Clube Atlético Mineiro para identificar os fatores que potencializam seu rendimento. Diferente de análises genéricas, o estudo busca desvendar as particularidades do time, oferecendo insights aplicáveis pela comissão técnica e diretoria. A pesquisa se justifica pela necessidade de traduzir o volume de dados de cada partida em conhecimento estratégico, contribuindo para o avanço do clube e para a literatura sobre análise de desempenho no futebol brasileiro.

A pesquisa é quantitativa e aplicada. Foi construído um banco de dados a partir de fontes públicas, contemplando 139 partidas do Clube Atlético Mineiro nas temporadas 2023 e 2024, em todos os campeonatos disputados. O conjunto de dados original continha 25 atributos por partida, incluindo variáveis numéricas (chutes, posse de bola, passes, faltas) e categóricas (mandante, estádio, campeonato, esquemas táticos).

Os dados foram tratados para adequação à modelagem estatística. Os esquemas táticos (do Atlético e do adversário) foram reclassificados em ofensivo, defensivo e equilibrado. Variáveis textuais, como escalação, foram transformadas em métricas quantitativas, criando os indicadores “variação da escalação” e “variação da substituição” para medir a proporção de jogadores diferentes em relação à partida anterior e avaliar o impacto da rotatividade. Variáveis categóricas relevantes, como campeonato e esquema tático, foram dummizadas para inclusão nos modelos de regressão.

A premissa metodológica é que o “bom desempenho” é um conceito multifacetado, não mensurável por uma única métrica. Portanto, a pesquisa foi estruturada em quatro cenários de análise, cada um com uma variável resposta diferente: Cenário 1 (saldo de gols), Cenário 2 (variável binária de vitória), Cenário 3 (precisão de passe) e Cenário 4 (quantidade de chutes a gol). Essa abordagem permite uma compreensão mais completa da performance do time.

Para analisar os dados, foram aplicados modelos de regressão supervisionados. Nos Cenários 1, 3 e 4 (respostas contínuas), utilizou-se a regressão linear múltipla. No Cenário 2 (resposta binária), aplicou-se a regressão logística binária. A seleção de variáveis para os modelos finais foi aprimorada pelo método Stepwise, que testa iterativamente a inclusão e exclusão de variáveis para encontrar o modelo com melhor ajuste e significância estatística. A robustez dos modelos foi avaliada por testes de diagnóstico, como o Fator de Inflação de Variância (VIF) para multicolinearidade, testes de Shapiro-Francia para normalidade dos resíduos e testes de Breusch-Pagan e White para heterocedasticidade, garantindo a validade dos resultados (Gujarati, 2004).

A análise exploratória revelou correlações esperadas, como a positiva entre posse de bola e número de passes, e entre total de chutes e chutes a gol. A matriz de correlação também apontou uma associação significativa entre escanteios e número de chutes, sugerindo que a bola parada é uma fonte relevante de finalizações. A distribuição dos resultados das 139 partidas mostrou equilíbrio entre vitórias e derrotas, com predominância de empates, padrão acentuado no Campeonato Brasileiro. A análise temporal da variação de escalação e substituição indicou que a rotatividade de jogadores permaneceu estável, próxima da média.

No Cenário 1 (saldo de gols), o modelo de regressão linear, refinado pelo método Stepwise, identificou seis variáveis significativas. A quantidade de chutes a gol e a participação no Campeonato Mineiro influenciaram positivamente o saldo de gols. Em contrapartida, enfrentar adversários com esquemas táticos equilibrados ou ofensivos, a quantidade de cartões amarelos recebidos e o número de escanteios a favor correlacionaram-se negativamente com o saldo de gols. Este último resultado sugere que, embora escanteios gerem chutes, sua conversão em gols pode ser ineficiente ou a equipe se torna vulnerável a contra-ataques.

A análise do Cenário 2 (probabilidade de vitória) utilizou um modelo de regressão logística. Os resultados indicaram que atuar como mandante, a quantidade de chutes a gol e o número de substituições aumentam a chance de vitória. Por outro lado, a posse de bola apresentou correlação negativa e significativa com a probabilidade de vencer. Este é um dos achados mais contraintuitivos do estudo, sugerindo que um estilo de jogo com menor posse, possivelmente mais vertical e focado em transições rápidas, é mais eficaz para o Atlético Mineiro do que um jogo de controle. Enfrentar adversários com esquemas equilibrados ou ofensivos também diminuiu a probabilidade de vitória.

O Cenário 3 (precisão de passe) apresentou desafios metodológicos. O modelo inicial, após o Stepwise, indicou que passes, variação na substituição e quantidade de substituições influenciam positivamente a precisão. No entanto, o diagnóstico revelou problemas de não aderência à normalidade dos resíduos. A aplicação da transformação de Box-Cox melhorou o ajuste do modelo (R² ajustado subiu de 0,193 para 0,533), apontando que a participação no Campeonato Mineiro, a variação na escalação e o número de passes impactam positivamente a precisão. Contudo, mesmo após a transformação, os resíduos não seguiram uma distribuição normal e o modelo apresentou heterocedasticidade (teste de White). Tais violações das premissas indicam que os resultados deste cenário devem ser interpretados com cautela, pois a validade dos testes de significância pode estar comprometida.

Para o Cenário 4 (quantidade de chutes a gol), o modelo de regressão linear identificou duas variáveis com impacto positivo e significativo: a quantidade de passes e o número de escanteios. Este resultado reforça que um maior volume de passes cria mais oportunidades de finalização e que os escanteios são um mecanismo fundamental para a equipe gerar perigo. O diagnóstico deste modelo foi satisfatório, não apresentando problemas significativos de heterocedasticidade (teste de White), o que confere maior confiabilidade às suas conclusões.

A performance dos modelos foi avaliada comparativamente. Nos modelos de regressão linear, o método Stepwise melhorou os indicadores de ajuste (AIC, BIC) e aumentou o R² ajustado, indicando que os modelos mais parcimoniosos foram mais eficientes. No modelo logístico do Cenário 2, a curva ROC resultou em uma área sob a curva (AUC) de 0,7691, indicando boa capacidade discriminatória para prever vitórias. A análise de diferentes pontos de corte (cutoff) demonstrou a flexibilidade do modelo: um cutoff de 0,5 maximizou a acurácia (69,8%), enquanto valores mais baixos aumentaram a sensibilidade e valores mais altos, a especificidade.

A discussão dos resultados foi enriquecida pela comparação com a literatura. Os achados corroboram parcialmente Santos et al. (2024), que também identificaram a finalização a gol como fator determinante no futebol brasileiro. No entanto, a descoberta do impacto negativo da posse de bola nas vitórias do Atlético Mineiro contrasta com a visão geral de que o controle do jogo é sempre benéfico, revelando uma particularidade tática. A relação negativa entre cartões amarelos e saldo de gols alinha-se com os achados de Villa e Lozano (2016) na liga espanhola. Em comparação com Socin et al. (2021), que analisaram o Campeonato Brasileiro de 2013, houve concordância na relação positiva entre escanteios e chutes a gol, mas divergência nos fatores que influenciam a precisão de passe, reforçando que as dinâmicas de desempenho são específicas de cada clube e contexto.

Em síntese, a análise dos quatro cenários permitiu uma compreensão detalhada dos fatores de desempenho do Clube Atlético Mineiro. Para aumentar o saldo de gols (Cenário 1), a equipe deve focar na eficiência das finalizações, especialmente no Campeonato Mineiro, e minimizar cartões amarelos. Para aumentar a probabilidade de vitória (Cenário 2), os resultados sugerem um estilo de jogo mais direto e vertical, com menos posse de bola, aproveitando o fator casa e usando as substituições de forma estratégica. Para melhorar a precisão de passe (Cenário 3), o volume de passes e a estabilidade na escalação parecem importantes, embora as conclusões sejam limitadas por questões estatísticas. Para gerar mais chutes a gol (Cenário 4), a estratégia deve se concentrar em aumentar o volume de passes e otimizar escanteios. A principal limitação do estudo reside nos problemas de aderência às premissas estatísticas no modelo do Cenário 3, que indicam a necessidade de abordagens de modelagem alternativas.

Para pesquisas futuras, sugere-se aprofundar a investigação sobre a não normalidade e heterocedasticidade no modelo de precisão de passe, explorando modelos não lineares ou a inclusão de outras variáveis. A incorporação de variáveis defensivas (desarmes, interceptações) como explicativas ou como novas variáveis de resposta poderia fornecer um panorama mais completo, equilibrando a análise entre aspectos ofensivos e defensivos. Conclui-se que o objetivo foi atingido: demonstrou-se, por meio de modelagem estatística, os principais fatores que influenciam o desempenho do Clube Atlético Mineiro nas temporadas de 2023 e 2024, revelando particularidades táticas e estatísticas do time.

Referências:
Caldas, R. I. da S. (2019). Sociedade anônima do futebol: o novo paradigma do futebol brasileiro. Trabalho de Conclusão de Curso (Graduação em Direito), Faculdade Dom Helder Câmera, Belo Horizonte.
Confederação Brasileira de Futebol (CBF) & EY. (2021). Relatório de Impacto do Futebol Brasileiro na Economia. Rio de Janeiro: CBF.
Cunha, S. A., Binotto, M. R., & Barros, R. M. L. (2001). Análise da variabilidade na medição de posicionamento tático no futebol. Revista Paulista de Educação Física, 15(2), 111-116.
Gujarati, D. N. (2004). Basic econometrics. McGraw-Hill.
Santos, J. F. de S., De Araújo Jr, W. L., Leonel, D. F., & Lopes, F. J. G. (2024). Quais variáveis de desempenho técnico e tático diferenciam as equipes de futebol do campeonato brasileiro masculino série A?. Revista Brasileira de Futsal e Futebol, 16(64), 97-102.
Silva, A. B. L., Barros, K. N. N de O. B., & De Albuquerque, M. A. (2020). Modelagem via árvore de decisão para previsão de jogos de futebol. Research, Society and Development, 9(9).
Soncin, R., Lima, W. P., Lopes, R., Diniz, R., Amadio, A. C., Serrão, J. C., & Mezêncio, B. (2021). Análise do scout do campeonato brasileiro de futebol 2013. Revista Brasileira de Futsal e Futebol, 13(56), 717-725.
Sousa, R. B. (2019). A influência da limitação de toques na bola no comportamento tático e na rede de interações de jogadores de futebol durante pequenos jogos. Escola de Educação Física, Fisioterapia e Terapia Ocupacional da UFMG.
Vendite, L. L., De Moraes, A. C., & Vendite, C. C. (2003). Scout no futebol: uma análise estatística. CONEXÕES: Campinas, 1(2), 115-224.
Villa, G., & Lozano, S. (2016). Assessing the scoring efficiency of a football match. Escuela Superior de Ingenieros, University of Seville, Camino de los Descubrimientos, s/n, 41092 Seville, Spain.
YU, W. (2022). Football Result Prediction Based on Machine Learning. Faculty of Science and Technology, Beijing Normal University-Hong Kong Baptist University United International College, China.
Caldas, R. I. da S. (2019). Sociedade anônima do futebol: o novo paradigma do futebol brasileiro. Trabalho de Conclusão de Curso (Graduação em Direito), Faculdade Dom Helder Câmera, Belo Horizonte.
Confederação Brasileira de Futebol (CBF) & EY. (2021). Relatório de Impacto do Futebol Brasileiro na Economia. Rio de Janeiro: CBF.
Cunha, S. A., Binotto, M. R., & Barros, R. M. L. (2001). Análise da variabilidade na medição de posicionamento tático no futebol. Revista Paulista de Educação Física, 15(2), 111-116.
Gujarati, D. N. (2004). Basic econometrics. McGraw-Hill.
Santos, J. F. de S., De Araújo Jr, W. L., Leonel, D. F., & Lopes, F. J. G. (2024). Quais variáveis de desempenho técnico e tático diferenciam as equipes de futebol do campeonato brasileiro masculino série A?. Revista Brasileira de Futsal e Futebol, 16(64), 97-102.
Silva, A. B. L., Barros, K. N. N de O. B., & De Albuquerque, M. A. (2020). Modelagem via árvore de decisão para previsão de jogos de futebol. Research, Society and Development, 9(9).
Soncin, R., Lima, W. P., Lopes, R., Diniz, R., Amadio, A. C., Serrão, J. C., & Mezêncio, B. (2021). Análise do scout do campeonato brasileiro de futebol 2013. Revista Brasileira de Futsal e Futebol, 13(56), 717-725.
Sousa, R. B. (2019). A influência da limitação de toques na bola no comportamento tático e na rede de interações de jogadores de futebol durante pequenos jogos. Escola de Educação Física, Fisioterapia e Terapia Ocupacional da UFMG.
Vendite, L. L., De Moraes, A. C., & Vendite, C. C. (2003). Scout no futebol: uma análise estatística. CONEXÕES: Campinas, 1(2), 115-224.
Villa, G., & Lozano, S. (2016). Assessing the scoring efficiency of a football match. Escuela Superior de Ingenieros, University of Seville, Camino de los Descubrimientos, s/n, 41092 Seville, Spain.
YU, W. (2022). Football Result Prediction Based on Machine Learning. Faculty of Science and Technology, Beijing Normal University-Hong Kong Baptist University United International College, China.

---

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

_{Saiba mais sobre o curso; clique aqui:}