Como usar Machine Learning para analisar regiões do campo no futebol

Machine Learning não é só para prever doenças ou recomendar filmes. No futebol, ele pode identificar padrões táticos que o olho humano levaria horas para mapear — e que muitos analistas simplesmente ignoram por não terem as ferramentas certas.

Neste artigo você vai ver como aplicar ML em R para estudar regiões de recuperação de bola, altura de bloco e intensidade de pressão usando um dataset real da Liga Argentina. O processo completo — da engenharia de variáveis à interpretação dos clusters.

---

Por que estudar regiões do campo com dados?

A maioria dos analistas assiste às partidas para identificar padrões. O problema é que assistir a 30 jogos para entender o comportamento defensivo de um time é inviável em uma rotina de clube.

Com dados e Machine Learning, você processa esses 30 jogos em minutos. E mais importante: você encontra padrões que não seriam visíveis assistindo — porque envolvem a combinação de múltiplas variáveis ao mesmo tempo.

A pergunta central que vamos responder: quais times realmente jogam com bloco alto, e quais apenas parecem que jogam?

---

Os três clusters táticos que o modelo identifica

Antes do código, é importante entender o que estamos modelando. Após o processo de clusterização com ML, os times se dividem em três grupos táticos principais:

Grupo 1 — Times de elite tática (bloco alto real)

Cumprem os três critérios simultaneamente: recuperam a bola longe do próprio gol, têm alto volume de ações defensivas por minuto e foram classificados pelo algoritmo no cluster de topo. São os times que jogam com bloco alto de forma consistente e eficiente.

Grupo 2 — Estrategistas sem intensidade

Recuperam a bola em zonas avançadas e têm alta pressão, mas o bloco como unidade está descompacto. Mordem muito, porém de forma desordenada. O ML não os classifica no topo porque outros indicadores — como distância entre linhas — os penalizam.

Grupo 3 — “Corredores errados”

Têm alta intensidade de pressão, mas não conseguem recuperar a bola no alto. O esforço existe — o time sobe a linha, tenta pressionar — mas o adversário quebra a pressão com facilidade. É o famoso esforço sem eficiência tática.

---

Implementação em R com tidymodels

1. Engenharia de variáveis

O primeiro passo é transformar os eventos individuais de cada partida em métricas por time. Vamos focar em três variáveis principais: altura média das recuperações, volume de pressões por minuto e interceptações no terço ofensivo.

library(tidyverse)
library(tidymodels)

# Supondo que você tem um dataset de eventos com as colunas:
# team, minute, type, x, y (coordenadas do campo 0-100)

metricas_time <- eventos %>%
  group_by(team, match_id) %>%
  summarise(
    # Altura média das recuperações (y > 67 = terço ofensivo)
    recuperacoes_altas = sum(type == "Ball Recovery" & y > 67, na.rm = TRUE),
    altura_media_recuperacao = mean(y[type == "Ball Recovery"], na.rm = TRUE),
    
    # Volume de pressões por minuto de jogo
    pressoes_por_min = sum(type == "Pressure", na.rm = TRUE) / max(minute),
    
    # Interceptações no terço ofensivo
    interceptacoes_alto = sum(type == "Interception" & y > 67, na.rm = TRUE)
  ) %>%
  ungroup()

2. Normalização e clusterização com K-Means

# Normalizar as variáveis (essencial para K-Means)
metricas_scaled <- metricas_time %>%
  select(recuperacoes_altas, altura_media_recuperacao, 
         pressoes_por_min, interceptacoes_alto) %>%
  scale() %>%
  as_tibble()

# Definir número de clusters (3 grupos táticos)
set.seed(42)
modelo_kmeans <- kmeans(metricas_scaled, centers = 3, nstart = 25)

# Adicionar cluster ao dataset original
metricas_time <- metricas_time %>%
  mutate(cluster = as.factor(modelo_kmeans$cluster))

3. Visualizar os clusters no campo tático

library(ggplot2)

# Gráfico de dispersão: pressão vs altura de recuperação
ggplot(metricas_time, 
       aes(x = pressoes_por_min, 
           y = altura_media_recuperacao, 
           color = cluster,
           label = team)) +
  geom_point(size = 4, alpha = 0.8) +
  geom_text(hjust = -0.1, size = 3, color = "black") +
  scale_color_manual(
    values = c("#1d4a2e", "#5ecf82", "#e8e2d8"),
    labels = c("Elite tática", "Pressão desordenada", "Bloco baixo")
  ) +
  labs(
    title = "Clusters táticos por intensidade de pressão e altura de bloco",
    x = "Pressões por minuto",
    y = "Altura média de recuperação (0-100)",
    color = "Perfil tático"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold"))

4. Validar com o Diagrama de Venn

Para entender quais times cumprem múltiplos critérios simultaneamente:

library(ggVennDiagram)

# Definir os grupos por critério
bloco_alto_ml <- metricas_time %>% 
  filter(cluster == 1) %>% pull(team)

recuperacao_alta <- metricas_time %>% 
  filter(altura_media_recuperacao > quantile(altura_media_recuperacao, 0.67)) %>% 
  pull(team)

pressao_intensa <- metricas_time %>% 
  filter(pressoes_por_min > quantile(pressoes_por_min, 0.67)) %>% 
  pull(team)

# Plotar diagrama
ggVennDiagram(list(
  "Bloco Alto (ML)" = bloco_alto_ml,
  "Recuperação Alta" = recuperacao_alta,
  "Pressão Intensa" = pressao_intensa
))

---

Como interpretar os resultados

Após rodar o modelo na Liga Argentina, os padrões encontrados foram:

33% dos times se enquadram como elite tática — cumprem os três critérios. São os times que jogam com bloco alto de verdade, com consistência e eficiência.

33% têm pressão e recuperação alta, mas o ML não os classifica no topo. São os “estrategistas sem intensidade” — jogam alto, mas de forma desordenada.

17% têm alta intensidade de pressão mas não recuperam a bola no alto. O esforço existe, a eficiência não. Correm muito no lugar errado.

O dado mais revelador: 0% dos times foram classificados pelo ML como bloco alto sem também terem recuperações altas na prática. Isso mostra que o modelo é consistente — ele não rotula um time de bloco alto se os dados não comprovam isso em campo.

---

Por que isso importa para o analista?

Um técnico pode acreditar que seu time joga com bloco alto. Os dados podem mostrar o contrário. Essa diferença entre percepção e realidade é exatamente onde o analista de dados gera valor — quando ele tem coragem e ferramentas para mostrar o que está acontecendo de fato.

Não basta assistir ao jogo. É preciso medir.

---

Quer aprender a construir esse tipo de análise do zero?

O curso Estatística Computacional no Futebol do Campo Analítico cobre Machine Learning aplicado ao futebol — clusterização, Random Forest, séries temporais e muito mais — com dados reais e código R completo disponível no GitHub.

---

Publicado por Aldrei · Campo Analítico — Dados & Futebol