Da prancheta ao xG na tela: como os dados do futebol evoluíram — e dá para prever os jogos?

TL;DR — Os dados que aparecem na tela durante a Copa — xG, mapa de calor, rede de passes — são o fim de uma cadeia que começou em 1950, com um homem anotando jogadas à mão. Em 70 anos, a infraestrutura de captura mudou da caneta para sensores que reportam 500 vezes por segundo. O que não mudou: o dado bruto não decide nada sozinho. No fim, testei isso na prática: 49 mil jogos de seleções, dois modelos (Elo simples vs Dixon-Coles sofisticado) e um backtest honesto. Sair do chute para um modelo decente levou a acurácia de 47% para 60%; trocar o simples pelo complexo quase não mudou nada.

A cada Copa, a tela enche de número: posse de bola, xG acumulado, mapa de calor, quilômetros percorridos, rede de passes desenhada em tempo real. Parece que sempre foi assim. Não foi. Por trás de cada um desses gráficos existe uma cadeia de captura, transmissão e interpretação de dados que levou sete décadas para ficar de pé — e que é, no fundo, um problema de engenharia de dados, não de mágica.

Vale a pena contar essa história agora, no meio do torneio, porque ela explica uma coisa que o futebol aprendeu do jeito difícil: ter mais dado nunca foi o problema. Ler o dado certo, sim.

O analista que iluminava o caderno com um capacete de minerador

A coleta sistemática de dados no futebol não nasceu num laboratório de tecnologia. Nasceu em 1950, com Charles Reep (1904–2002), um contador da Força Aérea britânica que decidiu anotar, à mão, tudo o que acontecia em campo. Reep era visto na arquibancada do Home Park, em Plymouth, usando um capacete de minerador para iluminar o caderno enquanto registrava passe a passe, lance a lance.

Ele dividia o campo em zonas, contava sequências de passes, marcava onde cada jogada terminava. Em 1951 já assessorava o Brentford; depois trabalharia com Stan Cullis no Wolverhampton. Era, para todos os efeitos, o primeiro analista de desempenho do futebol — décadas antes de "analytics" virar palavra (Pollard, 2002).

E aqui está a primeira lição, que vale tanto para 1950 quanto para hoje: Reep tinha dado real e tirou a conclusão errada. Ele observou que a maioria dos gols vinha de sequências de três passes ou menos e concluiu que o futebol deveria ser direto — chutar para frente, evitar a posse. O problema é estatístico: a maioria das jogadas é de sequências curtas, então a maioria dos gols também seria, independentemente de isso ser eficiente. Reep confundiu frequência com causa.

Essa leitura ajudou a sustentar, por décadas, a cultura do "chutão" no futebol britânico. Foi a primeira vez — não a última — que dado real, mal interpretado, virou convicção errada em escala.

Anos 80 e 90: o caderno vira planilha (e o humano vira gargalo)

Nas décadas seguintes, o método de Reep foi industrializado, mas a tecnologia continuou sendo basicamente a mesma: gente anotando.

A cena dos anos 90 é a que muita gente lembra. Um analista assistia ao jogo registrando cada toque: quem deu o passe, para quem, em que minuto, se foi certo ou errado, se terminou em finalização. Logo em seguida, alguém tabulava aquilo e repassava ao narrador — às vezes ainda no intervalo, às vezes no dia seguinte. O dado existia, mas o gargalo era humano: a velocidade da informação era a velocidade de quem anotava e somava.

Foi nesse contexto que, em 1996, surgiu a Opta, em Londres. Começou de forma quase artesanal — um grupo registrando manualmente estatísticas da Premier League — e logo fechou com a Sky Sports para alimentar as transmissões da temporada 1996–97. Na temporada seguinte virou a provedora oficial de estatísticas da liga. Na Euro 2000, pela primeira vez, dados de jogador ficaram disponíveis ao vivo num grande torneio.

Repare: ainda era trabalho humano. Operadores assistiam ao vídeo e codificavam eventos. O que mudou não foi a captura — foi a organização e a distribuição do dado.

Anos 2000: a captura começa a sair das mãos

A virada começa quando a captura deixa de depender de alguém digitando o que viu.

• Rastreamento óptico (tracking). No fim dos anos 1990, sistemas como o Prozone instalaram câmeras nos estádios para registrar a posição de todos os jogadores ao longo dos 90 minutos — não só os eventos com a bola. Nasce aí a distinção que organiza o campo até hoje: event data (o que aconteceu) e tracking data (onde todo mundo estava).
• Tempo real. A Opta passou a operar um processo de coleta em tempo real a partir de 2006.
• Vestíveis. Na mesma época, coletes com GPS e acelerômetros começaram a medir carga física — distância, sprints, aceleração. Pela primeira vez, o corpo do atleta também virou fluxo de dados.

De repente havia três fontes em paralelo: eventos, posições e fisiologia. O desafio deixou de ser coletar e passou a ser integrar.

Anos 2010: visão computacional, métricas derivadas e dados abertos

A década seguinte é a da maturação técnica.

O tracking óptico ganhou visão computacional, registrando posições a cerca de 25 quadros por segundo. A tecnologia entrou em campo nas decisões: goal-line technology (Hawk-Eye) na Copa de 2014, VAR na Copa de 2018.

E surgiram as métricas derivadas — o dado deixando de ser descrição e virando modelo. A mais conhecida é o xG (expected goals): para cada finalização, um modelo estima a probabilidade de virar gol com base em ângulo, distância, parte do corpo, tipo de jogada. O xG chegou às transmissões mainstream por volta de 2017 e mudou o vocabulário do torcedor.

Foi também nessa década que a análise se democratizou. Em 2017, a StatsBomb começou a liberar event data de graça (a iniciativa de open data), permitindo que qualquer pessoa com Python e paciência fizesse análise séria sem pagar por feed.

Para sentir a distância percorrida, compare o que Reep anotava com o que um provedor moderno entrega para o mesmo lance:

# Anotação manual — estilo Reep, 1950 (papel)
12' P10 -> P9 passe certo
12' P9 -> P7 passe certo
13' P7 finalização zona A2 fora

// Event data moderno — mesma finalização, estruturada
{ "minute": 13, "type": "Shot", "player": "Camisa 7", "location": [112.3, 38.7], "shot": { "outcome": "Off Target", "xg": 0.07, "body_part": "Right Foot", "technique": "Normal", "first_time": false }
}

O lance é o mesmo. O que mudou é tudo o que cabe em volta dele.

Hoje: a Copa como laboratório de instrumentação

O estado da arte apareceu de forma escancarada no impedimento semiautomático, estreado na Copa do Catar, em 2022. Os números são de engenharia, não de marketing:

• 12 câmeras dedicadas sob o teto do estádio rastreiam a bola e até 29 pontos do corpo de cada jogador, 50 vezes por segundo — todos os membros e extremidades relevantes para a marcação.
• A bola Al Rihla carregava um sensor inercial (IMU) no centro, enviando dados 500 vezes por segundo para detectar o ponto exato do toque.
• O sistema foi validado cientificamente pelo MIT Sports Lab e pelo grupo TRACK da Victoria University.

Toda essa captura vira, em segundos, um pipeline em tempo real que alimenta o VAR — e também os gráficos da transmissão: o xG acumulado que aparece no canto da tela, o mapa de calor no intervalo, a rede de passes, a posse atualizada lance a lance.

E é aqui que vale a honestidade técnica: o que parece "inteligência artificial decidindo o jogo" é, na maior parte, engenharia de dados em tempo real bem-feita — sincronizar câmera, sensor e evento; tratar latência; validar qualidade; servir tudo isso com confiança suficiente para sair no ar ao vivo. O modelo é a ponta; a base é pipeline.

O que realmente mudou — e o que não

Em 70 anos, a infraestrutura de captura saltou da caneta de Reep para sensores a 500 Hz. O volume e a granularidade são incomparáveis.

O que não mudou é o ponto que importa: o dado bruto não decide nada sozinho. Reep tinha pouquíssimo dado e errou na leitura. Hoje temos dado demais — e o risco é exatamente o mesmo, só que mais sofisticado: confundir granularidade com entendimento, achar que um número na tela é uma conclusão. A tecnologia resolveu a captura. A interpretação continua sendo trabalho humano, e continua sendo onde mora o erro.

É a mesma frase que vale para qualquer empresa que se diz orientada a dados: ter o dado é o começo, não o fim.

Dá para prever os jogos da Copa?

Com toda essa instrumentação disponível, a pergunta inevitável é: dá para prever os resultados do mata-mata?

A resposta honesta é: dá para estimar probabilidades — não para cravar resultados. E a diferença entre essas duas frases é todo o conteúdo desta segunda metade do artigo.

A regra do jogo: probabilidade, não palpite

Futebol é um esporte de pouquíssimos gols e muito acaso. Um jogo é decidido por um desvio, um pênalti duvidoso, um travessão. Por isso, prever futebol não é dizer "o time X ganha" — é dizer "o time X tem 63% de chance de ganhar". Um modelo que crava placar está mentindo; um modelo honesto entrega uma distribuição de probabilidade e assume que vai errar uma fração previsível das vezes.

A literatura é clara sobre o peso do acaso no resultado de uma partida (Brechot & Flepp, 2020). Então o objetivo aqui não é acertar tudo. É construir um modelo calibrado — quando ele diz 70%, que aconteça mesmo perto de 70% das vezes — e medir, com frieza, o quanto ele ajuda.

Os dados

Usei o conjunto aberto martj42/international_results: 49.478 partidas de seleções disputadas entre 1872 e 2026, com placar, torneio e se o jogo foi em campo neutro. Nada de estatística de jogador — só resultado de time. Isso é proposital, e volto nesse ponto no fim.

date,home_team,away_team,home_score,away_score,tournament,neutral
2026-06-25,Brazil,Cameroon,2,1,FIFA World Cup,TRUE
2026-07-03,Argentina,Cape Verde,NA,NA,FIFA World Cup,TRUE <- jogo ainda não disputado

Modelo 1 — Elo (o simples)

O Elo, herdado do xadrez, dá a cada seleção uma nota. Antes do jogo, a diferença de notas (com um bônus para o mandante, exceto em campo neutro) vira uma expectativa de vitória. Depois do jogo, quem rende acima do esperado ganha pontos do adversário — e quanto mais importante o jogo e maior a goleada, maior o ajuste.

We = 1 / (1 + 10 ** (-(R_casa + vantagem_casa - R_fora) / 400)) # expectativa do mandante
K = importancia(torneio) * multiplicador_saldo(gols) # peso do jogo
R_casa += K * (resultado - We) # resultado = 1 vitória, 0.5 empate, 0 derrota

Para transformar a diferença de notas em probabilidade de vitória / empate / derrota, usei o modelo de empate de Davidson (um parâmetro a mais, calibrado nos dados históricos). Resultado: um ranking que passa no teste de cheiro.

Top 10 do Elo em junho/2026: Argentina, Espanha, França, Inglaterra, Brasil, Colômbia, Holanda, Portugal, Marrocos, México.

Modelo 2 — Dixon-Coles (o sofisticado)

O modelo de Dixon e Coles (1997) é o clássico acadêmico da previsão de futebol. Em vez de uma nota única, ele dá a cada seleção uma força de ataque e uma de defesa, modela os gols de cada lado como uma distribuição de Poisson e adiciona dois ajustes importantes: uma correção para placares baixos (0-0, 1-0, 0-1, 1-1, que a Poisson pura subestima) e um decaimento temporal — jogos recentes pesam mais que os de dez anos atrás.

lam = exp(ataque[casa] - defesa[fora] + vantagem_casa) # gols esperados do mandante
mu = exp(ataque[fora] - defesa[casa]) # gols esperados do visitante
# correção de Dixon-Coles para placares baixos:
P[0,0] *= 1 - lam*mu*rho; P[0,1] *= 1 + lam*rho
P[1,0] *= 1 + mu*rho; P[1,1] *= 1 - rho

Ajustei os parâmetros por máxima verossimilhança (scipy.optimize). Saem dali não só as probabilidades de 1/X/2, mas a distribuição completa de placares — então ele também sugere o resultado mais provável.

O teste honesto: treina no passado, mede no futuro

Aqui mora a parte que separa análise séria de gráfico bonito. Treinei os dois modelos apenas com jogos até 31/12/2023 e medi o desempenho em 2.617 partidas de 2024 a 2026 que os modelos nunca viram. Comparei contra uma baseline burra: chutar sempre a taxa-base histórica (45% mandante, 27% empate, 28% visitante).

Três métricas: acurácia (acertou o resultado mais provável?), log-loss e Brier score (o quão calibradas estão as probabilidades — menor é melhor).

Leia essa tabela com atenção, porque ela resume a lição central:

• Do chute para um modelo simples, o salto é enorme: 47% → 60% de acurácia, log-loss despencando de 1,05 para 0,87.
• Do simples para o sofisticado, o ganho é quase nada. O Dixon-Coles é marginalmente melhor nas probabilidades (Brier 0,503 vs 0,513) e até perde na acurácia bruta (59,8% vs 60,2%).

Ou seja: o esforço que vale a pena é o primeiro passo. O modelo mais elaborado, com o dobro de parâmetros e correções engenhosas, entrega uma melhora de terceira casa decimal.Complexidade não é onde está o ganho — e isso vale para muito mais coisa do que futebol.

As previsões — mata-mata da Copa 2026

Re-treinei os dois modelos com todos os dados disponíveis (até 28/06/2026) e apliquei aos 15 jogos do mata-mata que ainda não tinham sido disputados quando escrevi isto (29/06/2026). Probabilidades do Dixon-Coles, placar mais provável na última coluna:

Repare na honestidade desconfortável da tabela: fora de Argentina, Colômbia, França e companhia, metade dos jogos é praticamente uma moeda. Holanda × Marrocos é 36/32/32. Austrália × Egito tem o empate como favorito. Nessas partidas, qualquer pessoa que "crave" o vencedor está inventando uma certeza que os dados não sustentam. O modelo não tem vergonha de dizer "não sei direito" — e essa é a feature, não o bug.

O elefante na sala: e os dados de jogador?

A ideia original era usar estatísticas dos jogadores. Não usei — de propósito. Para prever o resultado de um jogo, força de time (que é o que o histórico de placares captura) é um sinal mais limpo e estável do que agregar dezenas de estatísticas individuais ruidosas, com amostra pequena e alto risco de sobreajuste. É o mesmo princípio da história acima: mais granular não é mais preditivo. Adicionar dado nem sempre adiciona sinal — às vezes só adiciona ruído com aparência de rigor.

Limites (porque todo modelo honesto tem)

• Não modela lesões, suspensões, escalação, fadiga de viagem ou contexto de chave.
• Trata o futebol como ele é — alta variância, poucos gols —, então existe um teto de acurácia que nenhum modelo cruza. ~60% em jogos de seleção já é um resultado forte.
• As previsões foram geradas em 29/06/2026. Quando você ler, alguns desses jogos já terão acontecido — e o modelo terá errado alguns. Isso está previsto: errar um jogo de 65% não invalida nada; seria estranho não errar.

Reprodutível

São ~120 linhas de Python (pandas, numpy, scipy) sobre um CSV público. Sem GPU, sem deep learning, sem "IA". Um Poisson de 1997 e um sistema de rating de 1978, rodando em segundos no notebook. O código completo acompanha este artigo.

A conclusão que fica para além do futebol: antes de pedir orçamento para o modelo mais sofisticado, meça o quanto o modelo simples já resolve. Na maioria dos problemas reais, é ali que está quase todo o valor — e a verdade técnica, como sempre, vem antes da vontade de impressionar.

Dados com contexto, estratégia e prática.

Fontes

Referências revisadas por pares (peer-reviewed), salvo fontes primárias e o conjunto de dados aberto.

• Reep e a origem da análise notacional: Pollard, R. (2002).Charles Reep (1904–2002): pioneer of notational and performance analysis in football. Journal of Sports Sciences, 20(10), 853–855.https://doi.org/10.1080/026404102320675684
• Evolução da análise de jogo (do registro manual ao computadorizado): 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.https://doi.org/10.1080/02640414.2014.898852
• Tracking data e visão computacional: Gudmundsson, J., & Horton, M. (2017).Spatio-temporal analysis of team sports. ACM Computing Surveys, 50(2), Artigo 22, 1–34.https://doi.org/10.1145/3054132
• Expected goals (xG) e o peso do acaso no resultado: Brechot, M., & Flepp, R. (2020).Dealing with randomness in match outcomes: how to rethink performance evaluation in European club football using expected goals. Journal of Sports Economics, 21(4), 335–362. — Rathke, A. (2017).An examination of expected goals and shot efficiency in soccer. Journal of Human Sport and Exercise, 12(2proc), S514–S529.
• Impedimento semiautomático (especificações): FIFA (2022).Semi-automated offside technology — fonte primária do órgão que desenvolveu o sistema, validado pelo MIT Sports Lab e pelo grupo TRACK da Victoria University.https://inside.fifa.com/media-releases/semi-automated-offside-technology-to-be-used-at-fifa-world-cup-2022-tm
• Método Dixon-Coles: Dixon, M. J., & Coles, S. G. (1997).Modelling association football scores and inefficiencies in the football betting market. Journal of the Royal Statistical Society: Series C (Applied Statistics), 46(2), 265–280.https://doi.org/10.1111/1467-9876.00065
• Elo aplicado à previsão de futebol: Hvattum, L. M., & Arntzen, H. (2010).Using ELO ratings for match result prediction in association football. International Journal of Forecasting, 26(3), 460–470.
• Dados de seleções: Jürisoo, M.International football results from 1872 to 2026 [conjunto de dados aberto]. GitHub.https://github.com/martj42/international_results