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

O futebol nunca foi um desporto sem números. Golos, assistências, remates, posse de bola e percentagens de passe fazem parte do jogo há décadas. O que mudou foi a quantidade de informação a que os clubes têm acesso e o peso que esses dados passaram a ter no recrutamento, no desempenho, no planeamento do plantel e nas decisões das equipas técnicas.

Um jogo profissional pode gerar milhares de ações registadas. Dependendo das ferramentas disponíveis, um clube pode também analisar onde estava cada jogador, a que velocidade se deslocava, que linhas de passe estavam abertas, quão compacto estava um bloco defensivo, em que momento uma pressão começou a ser ultrapassada ou o que aconteceu sem bola antes da criação de uma oportunidade. A isto juntam-se várias épocas de dados de jogadores, vídeo, relatórios de scouting, informação de treino e testes físicos. Rapidamente se chega a um volume demasiado grande para ser tratado de forma eficaz por um treinador ou scout sozinho.

O trabalho de um analista de dados no futebol é transformar esse material em algo útil. Pode significar encontrar jogadores que correspondam a um determinado perfil de recrutamento, perceber porque é que uma equipa começou a criar piores ocasiões, comparar as exigências físicas de diferentes competições ou verificar se um padrão observado em vídeo acontece vezes suficientes para ser realmente relevante.

A realidade diária da função é normalmente menos espetacular do que a imagem pública da análise de futebol. Um analista não passa todos os dias a descobrir talentos subvalorizados nem a construir modelos que decidem pelo clube quem deve ser contratado. Grande parte do trabalho consiste em formular uma pergunta sensata, perceber que dados podem ajudar a responder, verificar a qualidade desses dados e deixar claro até onde a evidência permite realmente chegar.

O que faz realmente um analista de dados no futebol?

Não existe uma única versão da função. Um analista pode trabalhar no recrutamento, junto da primeira equipa, na área de desempenho, nas ciências do desporto, na formação ou num departamento mais amplo de estratégia de futebol. Nos clubes maiores, estas áreas podem ter analistas, data scientists e data engineers distintos. Em estruturas mais pequenas, a mesma pessoa pode acabar por acumular partes de várias funções.

Um analista orientado para scouting pode passar boa parte da semana a comparar jogadores de diferentes ligas, manter ferramentas de pesquisa, estudar possíveis substitutos para um jogador do plantel ou ajudar os scouts a decidir que nomes merecem uma observação mais aprofundada. Quem trabalha mais próximo da primeira equipa pode concentrar-se na criação de ocasiões, construção desde trás, pressão, transições defensivas ou no próximo adversário. Um perfil mais ligado às ciências do desporto pode trabalhar mais frequentemente com GPS, cargas de sprint e exigências físicas.

É por isso que os títulos dos cargos podem enganar. Dois clubes podem anunciar uma vaga de “Football Data Analyst” e estar à procura de perfis bastante diferentes. Um pode dar muito peso a Python e SQL. Outro pode querer uma combinação de análise de vídeo, dashboards e apoio ao scouting. Num terceiro clube, o mesmo título pode estar muito mais próximo da performance física. Para perceber uma vaga, as responsabilidades dizem normalmente mais do que o nome do cargo.

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

Imaginemos que um clube procura um novo lateral-esquerdo. Parece uma necessidade simples até se começar a definir o papel. Deve dar largura e atacar por fora? Entrar por dentro quando a equipa tem a bola? Defender grandes espaços nas costas de uma pressão alta? Conduzir sob pressão? Fazer sobreposições constantes? Conseguir jogar também como ala? A velocidade de recuperação é mais importante do que a qualidade do cruzamento?

Estas decisões determinam o que vale a pena medir. Se o perfil estiver mal definido, acrescentar mais dados acaba muitas vezes por produzir apenas uma versão mais complicada da mesma pergunta pouco clara.

Quando o papel fica definido, começa a parte mais técnica. Pode ser necessário limpar e combinar dados de diferentes fornecedores. O nível das competições pode ter de ser considerado. Minutos jogados, posse da equipa e estilo de jogo podem distorcer comparações diretas. Por vezes constrói-se um modelo; noutras situações, a resposta aparece através de análise estatística relativamente simples, muitas verificações e bastante tempo gasto a perceber se a comparação é realmente justa.

A última parte é comunicar. Treinadores e scouts não precisam de ler o código por trás de uma análise. Precisam de perceber o que foi encontrado, quanta confiança devem ter no resultado e o que vale a pena observar a seguir. Às vezes isso exige um dashboard. Noutras, basta um relatório curto. 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 significa uma única coisa. O tipo mais conhecido são os dados de eventos, que registam ações durante o jogo: passes, remates, conduções, desarmes, interceções, pressões, duelos, faltas e outros acontecimentos. Esses registos podem incluir onde a ação aconteceu, para onde foi a bola, se teve sucesso e outros detalhes relacionados com a jogada.

Grande parte da análise que hoje se tornou familiar depende deste tipo de informação. Expected goals (xG), expected assists (xA), passes progressivos, conduções progressivas, mapas de remates, redes de passe e entradas na área dependem, de uma forma ou de outra, de dados de eventos estruturados.

O problema é que os dados de eventos só registam uma parte do jogo. Um avançado pode arrastar dois defesas com um movimento e abrir espaço para um colega sem tocar na bola. Um médio pode fechar uma linha de passe durante vários segundos sem registar qualquer ação defensiva. Um central pode decidir não jogar por dentro porque o potencial recetor está bem marcado; a decisão correta é precisamente não fazer esse passe.

Uma parte importante do futebol acontece entre os eventos que ficam registados.

Os dados de tracking acrescentam outra camada ao registar repetidamente a posição dos jogadores e da bola ao longo do jogo. Com eles é possível estudar a largura da equipa, a altura da linha defensiva, movimentos sem bola, distâncias entre jogadores, estruturas de pressão e opções disponíveis para quem tem a bola. Já não se trata apenas de saber se um passe foi completado, mas também quão difícil era, quanta pressão o jogador tinha e que alternativas estavam disponíveis.

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

Dentro de um clube, a informação pode ser ainda mais ampla. Os analistas podem trabalhar com dados GPS, cargas de treino, informação médica e de disponibilidade, avaliações de scouting, relatórios da formação, dados contratuais e notas internas acumuladas ao longo de várias épocas.

A dificuldade não está em utilizar tudo. Está em perceber qual parte dessa informação ajuda realmente a responder à pergunta que está em cima da mesa.

Porque é que o contexto conta mais do que uma longa lista de métricas

Não é preciso 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 acessíveis. A parte mais difícil é perceber quando um número está realmente a dizer alguma coisa e quando é o contexto que explica quase tudo.

O expected goals é um bom exemplo. Um modelo de xG estima a probabilidade de um remate resultar em golo usando informação como a localização e o ângulo e, dependendo do modelo, outros detalhes da situação. Os fornecedores constroem os seus modelos de forma diferente, por isso o mesmo remate pode receber valores ligeiramente distintos.

A utilidade do xG não está em dar um número decimal a cada remate. Serve para separar a qualidade das oportunidades do resultado final.

Dois avançados podem terminar uma época com 15 golos. Um pode estar a chegar regularmente a excelentes posições de finalização e a converter a um nível normal. O outro pode ter marcado vários remates muito difíceis a partir de um conjunto de oportunidades bastante pior. A coluna dos golos mostra 15 para ambos. O que está por trás desses números pode ser muito diferente.

O mesmo problema aparece com estatísticas mais simples. Um central com 94% de eficácia no passe pode ser excelente na progressão da bola ou passar o jogo quase todo a fazer passes curtos e de baixo risco. Um extremo com muitas conduções progressivas pode ser excecional no um contra um ou jogar numa equipa de transição que lhe dá espaço várias vezes por jogo. Um médio com números defensivos muito altos pode ser dominante sem bola ou simplesmente jogar numa equipa que passa grande parte do tempo a defender.

Os valores por 90 minutos corrigem o tempo de jogo, mas não resolvem automaticamente o problema da comparação. A posse conta. O resultado conta. A função conta. A qualidade da equipa conta. As instruções do treinador contam. 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 o mesmo tipo de jogador. São distinguidos vários perfis, incluindo laterais mais defensivos, jogadores que entram por dentro e laterais que jogam mais altos e abertos. A distinção é feita antes da comparação estatística: primeiro define-se a função, depois escolhem-se os dados adequados para a avaliar. A reportagem da BBC Sport sobre o processo de recrutamento do Manchester City.

Isto está muito mais próximo 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 é provavelmente a área onde é mais fácil perceber porque é que os clubes empregam 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 pesquisa.

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 de dados com cerca de 650.000 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 de scouting e a lista volta a ser reduzida antes de avaliações mais aprofundadas. BBC Sport.

O número chama a atenção, mas a ordem do processo é mais importante. Para que os filtros façam sentido, alguém tem primeiro de definir que tipo de jogador o clube procura. E, mesmo depois disso, os dados não tomam a decisão final. Hugo Viana, diretor desportivo do City, sublinhou na mesma reportagem que a informação quantitativa é apenas uma parte do processo, porque não consegue descrever por completo elementos como caráter, mentalidade ou comportamento.

Outro exemplo surgiu 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-nas a sete valores e utilizaram essas dimensões para agrupar perfis semelhantes. Rayan Cherki aparece na discussão como um jogador que poderia evoluir para um perfil próximo do de De Bruyne, e o City acabou por contratá-lo. Página oficial do Manchester City sobre A Beautiful Obsession.

O interessante no exemplo não é tentar adivinhar o modelo exato usado pelo clube. Não conhecemos as 43 variáveis, os seus pesos ou todos os detalhes do método. O que ele mostra bem é quanto trabalho existe antes de uma pesquisa por similaridade começar realmente a fazer sentido.

“Encontrar o próximo Kevin De Bruyne” não é uma pergunta analítica utilizável tal como está. Que partes do jogo de De Bruyne o clube quer substituir? Criação de oportunidades? Passes para o último terço? Progressão da bola? Condução? Ameaça de remate? Zonas de receção? Capacidade para jogar sob pressão? Quanto peso deve ter cada uma dessas características?

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

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

Desempenho, tática e análise do adversário

Nem todos os analistas de dados no futebol trabalham em transferências. Alguns passam grande parte do tempo a estudar os problemas que uma equipa enfrenta de semana para semana.

Imaginemos uma equipa que começa a criar menos oportunidades. As estatísticas mais óbvias podem mostrar que o volume de remates caiu, mas isso não explica porquê. O analista pode estudar com que frequência a equipa chega ao último terço, por onde progride, se os médios mais importantes recebem sob maior pressão, se os laterais estão a avançar menos com bola ou se os adversários mudaram a forma como defendem a construção.

Um problema defensivo pode exigir perguntas completamente diferentes. Com que frequência a primeira linha de pressão é ultrapassada? O que acontece imediatamente depois? O meio-campo chega tarde às segundas bolas? Os adversários estão constantemente a encontrar o mesmo espaço? A linha defensiva está a jogar mais baixa do que há um mês?

Este tipo de trabalho tende a ser mais forte quando dados e vídeo são usados em conjunto. O vídeo pode sugerir que existe um padrão; os dados podem mostrar se esse padrão acontece vezes suficientes para merecer atenção. O contrário também funciona: um número invulgar pode indicar exatamente o que o analista deve procurar nas imagens.

A análise do adversário segue a mesma lógica. Uma equipa técnica ganha pouco em receber todas as estatísticas disponíveis sobre o próximo oponente. As perguntas úteis são mais específicas. Como constrói desde o pontapé de baliza? Que jogador se torna importante quando é pressionado? Prefere um lado para sair do seu meio-campo defensivo? Em que zonas perde mais bolas? Que situações produzem as suas melhores ocasiões?

Há aqui uma sobreposição clara com a análise de desempenho. Tradicionalmente, os performance analysts trabalham mais de perto com vídeo, codificação de jogos e apresentações táticas, enquanto os data analysts se concentram mais em dados estruturados, estatística e modelos. Nos clubes modernos, esta fronteira é muitas vezes bastante menos rígida. Ambos os perfis precisam de compreender suficientemente o trabalho do outro para colaborar bem.

A parte técnica do trabalho

O tema é futebol, mas continua a ser uma profissão de dados.

SQL é importante porque clubes e empresas de dados armazenam grandes quantidades de informação em bases de dados. O analista precisa de saber encontrar os registos certos, juntar tabelas, filtrar informação e escrever queries que possam ser repetidas sem reconstruir o mesmo processo manualmente todas as semanas.

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

Excel também continua presente. Verificações rápidas, listas de scouting e pedidos pontuais ainda acabam frequentemente em folhas de cálculo. Power BI e Tableau são comuns quando um clube quer dashboards que treinadores, scouts ou dirigentes possam usar sem mexer no código por trás.

Uma parte importante do trabalho é muito menos elegante do que o gráfico final. É preciso reconciliar nomes de jogadores entre fornecedores diferentes. As competições mudam de nome. Alguns registos estão em falta. Um fornecedor altera um campo e uma query que funcionava ontem deixa de funcionar hoje. Aparecem duplicados. Alguém descobre que um dashboard está há uma semana com o filtro errado.

São problemas de dados normais. O futebol também os tem.

A estatística é importante pela mesma razão. Um analista deve estar confortável com médias, distribuições, variância, percentis, probabilidades, correlações, dimensão da amostra e incerteza. O futebol produz constantemente amostras pequenas e resultados ruidosos. Um jogador pode ter seis semanas extraordinárias que dizem muito pouco sobre os dois anos seguintes. Uma equipa 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. A visão computacional também alargou a área, permitindo extrair informação posicional a partir de vídeo.

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

Quanto é preciso perceber de futebol?

O suficiente para perceber quando os dados estão a falhar o essencial.

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 números constantemente. As estatísticas de um extremo podem melhorar porque a sua função mudou, e não porque o jogador tenha melhorado. Um médio pode parecer menos progressivo depois de se transferir para uma equipa mais forte porque outro colega passou a assumir maior responsabilidade na progressão da bola. Um central pode registar menos ações defensivas simplesmente porque a sua equipa tem muito mais posse.

Os números, por si só, não explicam estas diferenças.

O contrário também é verdade. Alguém pode perceber muito de futebol e continuar sem ter as competências técnicas ou estatísticas necessárias para trabalhar com dados. Conhecimento tático não ensina SQL. Ter visto milhares de jogos não torna ninguém automaticamente competente em probabilidade, amostragem ou limpeza de dados.

É possível chegar a esta área pelas duas direções. Algumas pessoas começam no futebol e desenvolvem depois a componente técnica. Outras vêm de matemática, informática, engenharia, economia, finanças ou outras áreas muito orientadas para dados e precisam de construir o seu entendimento do jogo.

Para quem vem de fora do futebol, ver jogos ao mesmo tempo que trabalha com os dados é um dos hábitos mais úteis. Se um jogador aparece como uma anomalia estatística, deve ser observado. Se dois jogadores parecem quase idênticos nos números, vale a pena ver ambos e perceber onde acaba a semelhança. Se uma métrica muda de forma acentuada depois de uma transferência ou mudança de treinador, convém voltar aos jogos.

Com o tempo, começa-se a perceber que partes do jogo são bem captadas pelos dados e quais exigem mais cautela.

É preciso ter curso superior e como se começa?

Não existe um único percurso académico para se tornar analista de dados no futebol. Estatística, matemática, informática, data science, engenharia e economia podem oferecer boas bases. Também há profissionais vindos das ciências do desporto e da análise de desempenho que passam para funções de dados quando acrescentam programação e estatística ao seu conhecimento de futebol.

Alguns empregadores pedem explicitamente um curso superior relevante. Outros preocupam-se mais com aquilo que a pessoa sabe fazer na prática. Consegue trabalhar com um dataset grande? Escrever código limpo e reproduzível? Perceber realmente os conceitos estatísticos básicos? Explicar porque escolheu determinada métrica? A análise continua a fazer sentido quando alguém vê o jogo?

Funções de data science mais orientadas para investigação podem dar mais valor a estudos pós-graduados, mas a análise de futebol não tem um único caminho académico.

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

Um portefólio não precisa de ser enorme. Um projeto bem construído pode dizer muito mais do que dez radares de jogadores quase iguais.

É melhor começar com uma pergunta de futebol do que com uma visualização. Que médios fazem a bola progredir de uma determinada forma? A criação de oportunidades de uma equipa mudou depois de uma mudança de treinador? Que avançados chegam repetidamente a zonas de remate de alta qualidade? Como procuraria jogadores para uma função tática muito específica?

Depois é preciso mostrar o raciocínio. Explicar porque escolheu a pergunta, o que os dados cobrem e o que deixam de fora, porque foram escolhidas determinadas métricas e como foram verificados resultados inesperados. Sempre que possível, voltar ao vídeo. Se a análise tiver limitações, devem ser assumidas.

Isto está muito mais próximo do tipo de trabalho que um clube precisa do que simplesmente mostrar um gráfico bem apresentado.

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

Como é realmente trabalhar com dados no futebol?

Nem todas as semanas são passadas à procura da próxima contratação.

Há limpeza de dados, pedidos urgentes, dashboards que precisam de alterações, queries que deixam de funcionar e análises que não levam a uma conclusão clara. É possível passar horas a seguir 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 existe evidência suficiente para afirmar algo com confiança.

Isso também é um resultado útil.

As decisões em torno do trabalho podem, ainda assim, ter muito peso. Uma análise de recrutamento pode entrar numa discussão sobre uma transferência de milhões. Um relatório para a primeira equipa pode chegar à equipa técnica pouco antes de um jogo. Um erro não detetado pode permanecer no sistema tempo suficiente para influenciar uma conversa em que nunca deveria ter entrado.

Os horários dependem muito de onde está situada a função. Trabalhos próximos da primeira equipa podem incluir noites, fins de semana e dias de jogo. Os departamentos de recrutamento têm períodos particularmente intensos durante as janelas de transferências. Funções em fornecedores de dados ou empresas de tecnologia desportiva podem parecer-se 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 noutro setor comercial. O futebol atrai muitos candidatos e nem sempre é a indústria que melhor remunera este tipo de competências.

O atrativo está noutro lado. O trabalho pode estar muito próximo de decisões reais de futebol. Uma análise pode mudar qual o jogador que um scout decide observar a seguir, questionar uma ideia instalada dentro do departamento de recrutamento ou ajudar uma equipa técnica a perceber melhor algo que tem vindo a ver em campo.

As competências também continuam úteis fora do futebol. SQL, Python, estatística, visualização e data engineering mantêm valor se o emprego seguinte for noutro clube, numa federação, num fornecedor de dados, numa empresa de tecnologia desportiva ou num setor completamente diferente.

Com experiência, um bom analista também desenvolve uma noção do que não vale a pena analisar. Percebe quando dois jogadores não devem ser comparados diretamente, quando uma amostra é demasiado pequena e quando uma métrica está a descrever mais a equipa do que o jogador. Verifica resultados que parecem demasiado perfeitos. Se a evidência for fraca, diz isso.

Os clubes modernos conseguem recolher muito mais informação do que aquela de que precisam para uma única decisão. O trabalho não consiste em colocar tudo na resposta, mas em perceber que parte merece realmente estar lá.

O processo de recrutamento do Manchester City é um bom exemplo precisamente porque os dados não encerram a história. Centenas de milhares de jogadores podem ser reduzidos a uma lista gerível. Os modelos podem destacar perfis que merecem investigação mais aprofundada. O tracking e os dados físicos podem revelar qualidades difíceis de comparar de forma consistente apenas a olho.

Mas os jogadores dessa lista continuam a ter de ser observados. Os scouts continuam a precisar de formar uma opinião. Os treinadores têm de decidir se o jogador encaixa. As questões médicas, contratuais e financeiras continuam por resolver.

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