Como se tornar analista de dados no futebol: o que o trabalho realmente envolve

O futebol nunca foi um esporte sem números. Gols, assistências, finalizações, posse de bola e porcentagem de passes certos fazem parte do jogo há décadas. O que mudou foi a quantidade de informação disponível para os clubes e o peso que esses dados passaram a ter em áreas como recrutamento, desempenho, planejamento de elenco e decisões da comissão técnica.

Uma partida profissional pode gerar milhares de ações registradas. Dependendo das ferramentas usadas pelo clube, os analistas também podem estudar onde cada jogador estava, com que velocidade se movimentava, quais linhas de passe estavam abertas, quão compacto estava o bloco defensivo, em que momento uma pressão começava a ser superada ou o que acontecia sem a bola antes da criação de uma chance. Some a isso várias temporadas de dados de jogadores, vídeo, relatórios de scouting, informações de treino e testes físicos, e o volume rapidamente fica grande demais para um treinador ou scout processar sozinho de forma eficiente.

O trabalho de um analista de dados no futebol é transformar esse material em algo útil. Isso pode significar encontrar jogadores que se encaixem em um perfil de contratação, entender por que um time passou a criar chances piores, comparar as exigências físicas de campeonatos diferentes ou verificar se um padrão percebido no vídeo realmente acontece com frequência suficiente para ser relevante.

A rotina costuma ser menos espetacular do que a imagem pública da análise de futebol sugere. Um analista não passa todos os dias descobrindo talentos subvalorizados nem construindo modelos que dizem ao clube quem contratar. Grande parte do trabalho está em formular uma pergunta sensata, entender quais dados podem ajudar a respondê-la, verificar a qualidade dessas informações e deixar claro até onde as evidências realmente permitem ir.

O que um analista de dados no futebol faz de verdade?

Não existe uma única versão da função. Um analista pode trabalhar com recrutamento, junto ao primeiro time, na área de desempenho, nas ciências do esporte, na base ou em um departamento mais amplo de estratégia esportiva. Em clubes grandes, essas áreas podem ter analistas, cientistas de dados e engenheiros de dados diferentes. Em estruturas menores, uma mesma pessoa pode acabar acumulando partes de várias funções.

Um analista voltado para scouting pode passar boa parte da semana comparando jogadores de ligas diferentes, mantendo ferramentas de busca, estudando possíveis substitutos para alguém do elenco ou ajudando os scouts a decidir quais nomes merecem uma observação mais profunda. Quem trabalha mais perto do primeiro time pode olhar para criação de chances, saída de bola, pressão, transições defensivas ou o próximo adversário. Um perfil mais ligado às ciências do esporte pode trabalhar com mais frequência com GPS, cargas de sprint e exigências físicas.

É por isso que os títulos das vagas podem enganar. Dois clubes podem abrir uma posição de “Football Data Analyst” e procurar perfis bem diferentes. Um pode dar muito peso a Python e SQL. Outro pode querer uma combinação de vídeo, dashboards e apoio ao scouting. Em um terceiro clube, o mesmo título pode estar muito mais próximo da parte física e de performance. Para entender uma vaga, a descrição das responsabilidades costuma dizer mais do que o nome do cargo.

Uma boa análise muitas vezes começa antes de abrir um notebook ou escrever uma query. Ela começa com o problema de futebol.

Imagine que um clube esteja procurando um novo lateral-esquerdo. Parece simples até o momento de definir o papel. Ele precisa dar amplitude e atacar por fora? Entrar por dentro quando o time tem a bola? Defender grandes espaços nas costas de uma pressão alta? Conduzir sob pressão? Fazer ultrapassagens o tempo todo? Também jogar como ala? A velocidade de recuperação é mais importante do que a qualidade do cruzamento?

Essas decisões determinam o que faz sentido medir. Se o perfil estiver mal definido, adicionar mais dados geralmente só produz uma versão mais complicada da mesma pergunta imprecisa.

Quando o papel fica claro, começa a parte mais técnica. Pode ser necessário limpar e combinar dados de fornecedores diferentes. O nível dos campeonatos pode precisar ser considerado. Minutos jogados, posse do time e estilo de jogo podem distorcer comparações diretas. Às vezes é preciso construir um modelo; em outras, a resposta vem de uma análise estatística relativamente simples, muitas verificações e bastante tempo gasto para confirmar se a comparação realmente faz sentido.

A última parte é comunicar. Treinadores e scouts não precisam ler o código por trás da análise. Eles precisam entender o que foi encontrado, quanto podem confiar no resultado e o que vale a pena observar em seguida. Às vezes isso exige um dashboard. Em outras, um relatório curto basta. Em alguns casos, a melhor saída é um único gráfico e uma conversa de cinco minutos.

Os dados por trás do futebol moderno

“Dados de futebol” não significam uma coisa só. O tipo mais conhecido são os dados de evento, que registram ações durante a partida: passes, finalizações, conduções, desarmes, interceptações, pressões, duelos, faltas e outros acontecimentos. Esses registros podem incluir onde a ação ocorreu, para onde a bola foi, se teve sucesso e outras informações ligadas à jogada.

Grande parte da análise que hoje se tornou comum depende desse tipo de dado. Expected goals (xG), expected assists (xA), passes progressivos, conduções progressivas, mapas de finalização, redes de passe e entradas na área dependem, de alguma forma, de dados de evento estruturados.

O problema é que os dados de evento registram apenas parte do jogo. Um atacante pode arrastar dois defensores com uma movimentação e abrir espaço para um companheiro sem tocar na bola. Um meio-campista pode fechar uma linha de passe por vários segundos sem registrar uma ação defensiva. Um zagueiro pode decidir não jogar por dentro porque o possível receptor está bem marcado; a decisão correta é justamente não fazer aquele passe.

Uma parte importante do futebol acontece entre os eventos que entram no banco de dados.

Os dados de tracking acrescentam outra camada ao registrar repetidamente a posição dos jogadores e da bola ao longo da partida. Com eles é possível estudar a largura da equipe, a altura da linha defensiva, movimentos sem a bola, distâncias entre jogadores, estruturas de pressão e opções disponíveis para quem está com a posse. Já não se trata apenas de saber se um passe foi completado, mas também de entender o grau de dificuldade, a pressão sobre o jogador e quais alternativas estavam disponíveis.

Também existem os dados físicos. Distância total, corrida em alta intensidade, distância em sprint, velocidade máxima, acelerações e desacelerações ajudam a descrever as exigências físicas de uma função. São importantes para o desempenho, mas também entram no recrutamento. Um jogador pode se encaixar tecnicamente em uma equipe e, ainda assim, não ter o perfil físico exigido para a função que o clube tem em mente.

Dentro de um clube, a informação pode ser ainda mais ampla. Analistas podem trabalhar com dados de GPS, cargas de treino, informações médicas e de disponibilidade, avaliações de scouting, relatórios da base, dados contratuais e observações internas acumuladas ao longo de várias temporadas.

A dificuldade não está em usar tudo. Está em entender qual parte dessas informações realmente ajuda a responder à pergunta que está na mesa.

Por que o contexto importa mais do que uma lista de métricas

Não leva muito tempo para aprender o vocabulário básico da análise de futebol. xG, xA, PPDA, field tilt, possession value, passes progressivos e dezenas de métricas específicas de cada fornecedor estão facilmente disponíveis. A parte mais difícil é saber quando um número realmente está dizendo alguma coisa e quando o contexto explica quase tudo.

O expected goals é um bom exemplo. Um modelo de xG estima a probabilidade de uma finalização virar gol usando informações como localização e ângulo e, dependendo do modelo, outros detalhes da situação. Cada fornecedor constrói o seu de forma diferente, então a mesma finalização pode receber valores ligeiramente distintos.

A utilidade do xG não está em dar um número decimal para cada chute. Ele ajuda a separar a qualidade das chances do resultado final.

Dois atacantes podem terminar uma temporada com 15 gols. Um pode chegar regularmente a ótimas posições de finalização e converter em um nível normal. O outro pode ter marcado várias chances muito difíceis a partir de um conjunto de oportunidades bem pior. A coluna de gols mostra 15 para os dois. O que está por trás desses números pode ser bem diferente.

O mesmo problema aparece com estatísticas mais simples. Um zagueiro com 94% de acerto nos passes pode ser excelente na progressão da bola ou passar a maior parte do jogo fazendo passes curtos e de baixo risco. Um ponta com muitas conduções progressivas pode ser extraordinário no um contra um ou atuar em uma equipe de transição que lhe oferece campo aberto várias vezes por jogo. Um meio-campista com números defensivos muito altos pode ser dominante sem a bola ou simplesmente jogar em um time que passa boa parte da partida defendendo.

Os dados por 90 minutos corrigem o tempo em campo, mas não resolvem automaticamente o problema da comparação. A posse importa. O placar importa. A função importa. A qualidade do time importa. As instruções do treinador importam. O nível da competição também.

O trabalho recente de recrutamento do Manchester City oferece um bom exemplo. Em setembro de 2026, uma reportagem sobre o processo do clube mostrou que o City não trata todos os laterais como se fossem o mesmo tipo de jogador. O clube separa perfis diferentes, incluindo laterais mais defensivos, jogadores que entram por dentro e laterais que jogam mais altos e abertos. A distinção vem antes da comparação estatística: primeiro se define o papel, depois se escolhem os dados adequados para avaliá-lo. A reportagem da BBC Sport sobre o processo de recrutamento do Manchester City.

Isso está muito mais perto da análise profissional do que colocar dois radar charts lado a lado e decidir qual ocupa mais espaço.

Como os clubes usam dados no recrutamento

O recrutamento provavelmente é a área em que fica mais fácil entender por que os clubes contratam analistas de dados. O problema de partida é enorme. Nenhum departamento de scouting consegue observar em profundidade todos os jogadores profissionais de todas as competições potencialmente relevantes. É preciso decidir onde investir tempo.

Os dados são um dos filtros usados para reduzir essa busca.

O exemplo do Manchester City mostra bem a escala. Segundo a reportagem publicada em 2026 sobre o funcionamento do clube, o City parte de uma base com cerca de 650 mil jogadores. Depois de definido o perfil procurado, filtros analíticos podem reduzir esse universo a uma longlist de aproximadamente 20 a 50 nomes. A partir daí, os resultados são cruzados com o trabalho dos scouts e a lista volta a ser reduzida antes de avaliações mais profundas. BBC Sport.

O número chama atenção, mas a ordem do processo é mais importante. Para que os filtros façam sentido, alguém precisa primeiro definir que tipo de jogador o clube está procurando. E, mesmo depois disso, os dados não tomam a decisão final. Hugo Viana, diretor esportivo do City, destacou na mesma reportagem que a informação quantitativa é apenas uma parte da avaliação, porque não consegue descrever por completo aspectos como caráter, mentalidade e comportamento.

Outro exemplo apareceu no documentário do clube A Beautiful Obsession. Durante o trabalho para encontrar um jogador capaz de assumir parte das responsabilidades criativas de Kevin De Bruyne, os analistas do City explicam que mediram 43 métricas, reduziram essas medidas a sete números e usaram essas dimensões para agrupar perfis semelhantes. Rayan Cherki aparece na conversa como um jogador que poderia evoluir para um perfil próximo ao de De Bruyne, e o City acabou contratando o francês. Página oficial do Manchester City sobre A Beautiful Obsession.

A parte interessante do exemplo não é tentar adivinhar o modelo exato usado pelo clube. Não conhecemos as 43 variáveis, os pesos atribuídos a elas nem todos os detalhes do método. O que o caso mostra bem é quanto trabalho existe antes de uma busca por similaridade começar a fazer sentido.

“Encontrar o próximo Kevin De Bruyne” não é uma pergunta analítica utilizável desse jeito. Quais partes do jogo de De Bruyne o clube quer substituir? Criação de chances? Passes no último terço? Progressão da bola? Condução? Ameaça de finalização? Zonas de recepção? Capacidade de jogar sob pressão? Quanto peso cada uma dessas características deve ter?

O analista ajuda a transformar uma descrição de futebol em critérios mensuráveis. A shortlist vem depois.

Por isso, é melhor não imaginar a análise de recrutamento como um sistema automático de transferências. O valor está muitas vezes em reduzir uma busca impossível a um grupo de jogadores que scouts e responsáveis pelo futebol podem realmente estudar em profundidade.

Desempenho, tática e análise do adversário

Nem todo analista de dados no futebol trabalha com transferências. Alguns passam a maior parte do tempo estudando os problemas que uma equipe enfrenta de semana em semana.

Imagine um time que começou a criar menos chances. As estatísticas mais óbvias podem mostrar que o volume de finalizações caiu, mas isso não explica por quê. O analista pode estudar com que frequência a equipe chega ao terço final, por quais zonas progride, se os meio-campistas mais importantes estão recebendo sob mais pressão, se os laterais avançam menos com a bola ou se os adversários mudaram a forma de defender a saída.

Um problema defensivo pode exigir perguntas completamente diferentes. Com que frequência a primeira linha de pressão é superada? O que acontece logo depois? O meio-campo chega atrasado nas segundas bolas? Os adversários estão encontrando sempre o mesmo espaço? A linha defensiva passou a jogar mais baixa no último mês?

Esse tipo de trabalho costuma ser mais forte quando dados e vídeo são usados juntos. O vídeo pode sugerir que existe um padrão; os dados podem mostrar se ele acontece vezes suficientes para merecer atenção. O contrário também funciona: um número incomum pode indicar exatamente o que o analista deve procurar nas imagens.

A análise do adversário segue a mesma lógica. A comissão técnica ganha pouco ao receber todas as estatísticas disponíveis sobre o próximo oponente. As perguntas úteis são mais específicas. Como ele sai em tiro de meta? Qual jogador se torna importante quando é pressionado? Prefere um lado para sair do campo defensivo? Em que zonas perde mais bolas? Que situações geram suas melhores chances?

Existe aqui uma sobreposição clara com a análise de desempenho. Tradicionalmente, performance analysts trabalham mais perto de vídeo, codificação de partidas e apresentações táticas, enquanto data analysts se concentram mais em dados estruturados, estatística e modelos. Nos clubes modernos, essa fronteira costuma ser muito menos rígida. Os dois perfis precisam entender o suficiente do trabalho do outro para colaborar bem.

A parte técnica do trabalho

O assunto é futebol, mas continua sendo uma profissão de dados.

SQL é importante porque clubes e empresas de dados armazenam grandes volumes de informação em bancos de dados. O analista precisa saber encontrar os registros certos, juntar tabelas, filtrar informações e escrever queries que possam ser repetidas sem reconstruir o mesmo processo manualmente toda semana.

Python é muito comum na análise de futebol e em data science. R também tem uma comunidade forte nessa área. Os dois podem ser usados para limpar dados, automatizar tarefas, fazer análise estatística, construir modelos e criar visualizações. Acumular linguagens de programação no currículo serve de pouco; saber usar bem uma delas em dados reais e desorganizados é muito mais útil.

Excel também continua presente. Checagens rápidas, listas de scouting e pedidos pontuais ainda acabam com frequência em planilhas. Power BI e Tableau aparecem quando o clube quer dashboards que treinadores, scouts ou gestores consigam usar sem mexer no código por trás.

Uma parte importante do trabalho é bem menos elegante do que o gráfico final. É preciso reconciliar nomes de jogadores entre fornecedores diferentes. Competições mudam de nome. Alguns registros faltam. Um fornecedor altera um campo e uma query que funcionava ontem deixa de funcionar hoje. Aparecem duplicidades. Alguém descobre que um dashboard está há uma semana usando o filtro errado.

São problemas normais de dados. O futebol também tem todos eles.

A estatística é importante pela mesma razão. Um analista deve estar confortável com médias, distribuições, variância, percentis, probabilidade, correlação, tamanho de amostra e incerteza. O futebol produz o tempo todo amostras pequenas e resultados ruidosos. Um jogador pode ter seis semanas extraordinárias que dizem muito pouco sobre os dois anos seguintes. Um time pode jogar bem e perder. Uma métrica subjacente pode ser útil sem representar perfeitamente a realidade.

O trabalho mais avançado pode incluir regressão, classificação, clustering, redução de dimensionalidade ou machine learning. Visão computacional também ampliou o campo ao permitir extrair informação posicional a partir de vídeo.

Nada disso torna automaticamente um método complexo melhor. Uma análise simples que responde com clareza à pergunta é mais útil do que um modelo avançado construído apenas porque o analista queria usar uma técnica sofisticada.

Quanto é preciso entender de futebol?

O suficiente para perceber quando os dados estão deixando o principal de fora.

Não é necessário ter jogado profissionalmente nem ter trabalhado como treinador, mas é difícil interpretar bem os dados sem compreender o jogo. O contexto tático altera os números o tempo inteiro. As estatísticas de um ponta podem melhorar porque a função mudou, e não porque o jogador ficou melhor. Um meio-campista pode parecer menos progressivo depois de se transferir para uma equipe mais forte porque outro companheiro passou a assumir mais responsabilidade na progressão da bola. Um zagueiro pode registrar menos ações defensivas simplesmente porque seu time tem muito mais posse.

Os números, sozinhos, não explicam essas diferenças.

O contrário também é verdade. Alguém pode entender muito de futebol e ainda não ter as competências técnicas ou estatísticas necessárias para trabalhar com dados. Conhecimento tático não ensina SQL. Ter assistido a milhares de jogos não torna ninguém automaticamente bom em probabilidade, amostragem ou limpeza de dados.

É possível entrar nessa área pelos dois lados. Algumas pessoas começam no futebol e desenvolvem depois a parte técnica. Outras vêm de matemática, ciência da computação, engenharia, economia, finanças ou outras áreas muito orientadas a dados e precisam construir a própria compreensão do jogo.

Para quem vem de fora do futebol, assistir às partidas enquanto trabalha com os dados é um dos hábitos mais úteis. Se um jogador aparece como uma anomalia estatística, vale a pena vê-lo jogar. Se dois atletas parecem quase idênticos nos números, assista aos dois e encontre o ponto em que a semelhança termina. Se uma métrica muda de forma brusca depois de uma transferência ou troca de treinador, volte às partidas.

Com o tempo, começa a ficar mais claro quais partes do jogo os dados capturam bem e quais precisam ser interpretadas com mais cautela.

Precisa de faculdade e como começar?

Não existe um único caminho acadêmico para se tornar analista de dados no futebol. Estatística, matemática, ciência da computação, data science, engenharia e economia podem oferecer uma base forte. Profissionais vindos de ciências do esporte e análise de desempenho também chegam a funções de dados, especialmente quando acrescentam programação e estatística ao conhecimento de futebol que já possuem.

Alguns empregadores pedem explicitamente uma formação superior relacionada. Outros olham mais para o que a pessoa consegue fazer na prática. Você consegue trabalhar com um dataset grande? Escrever código limpo e reproduzível? Entender de verdade os conceitos estatísticos básicos? Explicar por que escolheu determinada métrica? Sua análise continua fazendo sentido quando alguém assiste ao jogo?

Funções de data science mais voltadas à pesquisa podem valorizar mais pós-graduação, mas a análise de futebol não tem um único caminho acadêmico.

Também é uma das poucas áreas do futebol profissional em que dá para construir um trabalho sério antes de ter acesso aos sistemas internos de um clube. Os datasets públicos tornam isso possível. A Hudl Statsbomb, por exemplo, disponibiliza dados de evento abertos de várias competições e recursos para trabalhar com eles em Python e R. StatsBomb Open Data.

Um portfólio não precisa ser enorme. Um projeto bem construído pode dizer muito mais do que dez radar charts quase iguais.

É melhor começar com uma pergunta de futebol do que com uma visualização. Quais meio-campistas fazem a bola progredir de uma determinada maneira? A criação de chances de uma equipe mudou depois de uma troca de treinador? Quais atacantes chegam repetidamente a zonas de finalização de alta qualidade? Como você procuraria jogadores para uma função tática muito específica?

Depois é preciso mostrar o raciocínio. Explique por que escolheu a pergunta, o que os dados cobrem e o que deixam de fora, por que determinadas métricas foram usadas e como resultados estranhos foram verificados. Sempre que possível, volte ao vídeo. Se a análise tiver limitações, diga quais são.

Isso está muito mais perto do tipo de trabalho que um clube precisa do que simplesmente mostrar um gráfico bonito.

Publicar o trabalho também pode ajudar. Um site pessoal, um repositório no GitHub ou uma análise bem escrita dão a quem está recrutando algo concreto para avaliar. Também criam uma base real para conversar com pessoas do setor. Saber Python é útil; mostrar como você usa a linguagem para pensar um problema de futebol diz muito mais.

Como é realmente trabalhar com dados no futebol?

Nem toda semana é dedicada a procurar a próxima contratação.

Há limpeza de dados, pedidos urgentes, dashboards que precisam ser alterados, queries que param de funcionar e análises que não levam a uma conclusão clara. É possível passar horas atrás de um padrão interessante e descobrir depois que ele desaparece ao corrigir um único erro nos dados. Às vezes, depois de várias horas de trabalho, a conclusão é simplesmente que não há evidência suficiente para afirmar algo com segurança.

Isso também é um resultado útil.

As decisões em torno do trabalho podem ter bastante peso. Uma análise de recrutamento pode entrar em uma discussão sobre uma transferência de milhões. Um relatório para o primeiro time pode chegar à comissão técnica pouco antes de uma partida. Um erro não detectado pode ficar no sistema tempo suficiente para influenciar uma conversa em que nunca deveria ter entrado.

Os horários dependem muito de onde a função está posicionada. Trabalhos próximos do primeiro time podem incluir noites, fins de semana e dias de jogo. Departamentos de recrutamento têm períodos especialmente intensos durante as janelas de transferências. Funções em fornecedores de dados ou empresas de tecnologia esportiva podem se parecer mais com empregos técnicos convencionais.

Os salários também variam bastante. Uma pessoa forte em SQL, Python e estatística pode ganhar consideravelmente mais em finanças, tecnologia ou em outro setor comercial. O futebol atrai muitos candidatos e nem sempre é a indústria que melhor remunera esse tipo de habilidade.

O atrativo está em outro lugar. O trabalho pode ficar muito perto de decisões reais de futebol. Uma análise pode mudar qual jogador um scout decide observar em seguida, questionar uma ideia já aceita dentro do departamento de recrutamento ou ajudar a comissão técnica a entender melhor algo que vem aparecendo em campo.

As habilidades também continuam úteis fora do futebol. SQL, Python, estatística, visualização e engenharia de dados seguem valiosos se o próximo emprego estiver em outro clube, em uma federação, em um fornecedor de dados, em uma empresa de tecnologia esportiva ou em um setor totalmente diferente.

Com experiência, um bom analista também desenvolve uma noção do que não vale a pena analisar. Sabe quando dois jogadores não deveriam ser comparados diretamente, quando a amostra é pequena demais e quando uma métrica está descrevendo mais o time do que o jogador. Confere resultados que parecem perfeitos demais. Se a evidência for fraca, diz isso.

Os clubes modernos conseguem coletar muito mais informação do que precisam para uma única decisão. O trabalho não é colocar tudo na resposta, mas entender qual parte realmente merece estar ali.

O processo de recrutamento do Manchester City é um bom exemplo justamente porque os dados não encerram a história. Centenas de milhares de jogadores podem ser reduzidos a uma lista administrável. Modelos podem destacar perfis que merecem investigação mais profunda. Tracking e dados físicos podem revelar qualidades difíceis de comparar de forma consistente apenas a olho nu.

Mas os jogadores dessa lista ainda precisam ser observados. Os scouts continuam precisando formar uma opinião. Os treinadores precisam decidir se o jogador se encaixa. Questões médicas, contratuais e financeiras ainda precisam ser resolvidas.

É aí que o papel do analista fica mais claro: não tomar a decisão pelos outros, mas garantir que quem decide trabalhe com informações melhores.