ESTUDOS DE REGIÕES DO CAMPO ATRAVÉS DE ML.

Explicar que há linhas de estudos além das que cursos comuns de técnicos e analistas de desempenho fazem no mundo é muito complicado, porque exige uma paciência que você precisa lidar com 2 padrões, os que não ligam para o que você está falando e os que desdém. Porque acreditam que não irão aplicar, pois o fato deles não serem paparicados ao ponto de alguém pegar na mão e mostrar como se faz já é um erro grande do ego.

Quando surgem estudos que comprovam que um time está errando muito mais na região vermelha, fica claro que há um padrão a ser observado. Alguns profissionais perdem tempo assistindo partidas ao inves de através dos dados encontrar a partida adequada para correção.

1. O que modelar ?

Você vai modelar aquilo que faz sentido para você principalmente se você quer entender o que faz sentido. Grande parte dos analistas ignoram os erros e ninguém da conta de entender o que está acontecendo com tanta informação, ainda mais que diversos clubes brasileiros ainda são escravocatas moderno cujo profissionais possuem mais de uma função.

Você precisa modelar o que é funcional e pode impactar sua equipe, como comparativos de ações e mostar ferramentas que façam sentido para atletas de futebol e comissão técnica.

Entender que o processo de maturação do analista é compreender que ele precisa observar o que está acontecendo em campo, quem sabe em um futuro não tão distante essas ideias possam ser implementadas naturalmente de maneira que os analistas possam impactar de forma saudável e urgente uma equipe de futebol.

Essa é uma estrutura de dados excelente para análise tática. Como eu irei está trabalhando com o dataset argentina_1_25 e utiliza R, vamos estruturar um workflow de Machine Learning focado em identificar os “blocos” (baixo, médio e alto) das equipes.

Para criar um grupo controle, o ideal é usar a média da liga ou selecionar equipes com estilos de jogo bem definidos e distintos como referência.

Aqui está uma proposta de implementação usando o ecossistema tidyverse e tidymodels:

1. Engenharia de Variáveis (Feature Engineering)

Para definir “blocos”, precisamos transformar eventos individuais em métricas por time/jogo. Vamos focar na altura média das recuperações de bola, interceptações e pressões.

Para entender como cada variável funciona precisamos elaborar alguns detalhes que são importantes, vigiando os resultados que são favoráveis aos times que se esforçam com pressão alta para recuperar a bola, mas não possuem eficiência

Relatório:

• O Grupo Controle provavelmente está fora dessas interseções principais, servindo como a base de comparação.
• O fato de 0% dos times estarem puramente no círculo de Bloco Alto (ML) sem estarem nos outros sugere que o modelo de Machine Learning é muito coerente: ele só chama de “Bloco Alto” quem realmente tem ações práticas de recuperação ou pressão.

A Interseção Central (6 times | 33.3%)

Estes são os times de elite tática da sua amostra. Eles cumprem os três requisitos simultaneamente:

• Recuperação Alta: Ganham a bola longe do próprio gol.
• Pressão Intensa: Têm um volume altíssimo de ações defensivas por minuto.
• Bloco Alto (ML): O algoritmo de Machine Learning os classificou como o cluster de topo.

Conclusão: Se você está procurando o “Manchester City” da Argentina, ele está aqui. Eles não apenas ficam posicionados no alto, eles são ativos e eficientes na pressão.

2. Os “Estrategistas sem Intensidade” (6 times | 33.3%)

Esta é a interseção entre Recuperação Alta e Pressão Intensa, mas que o ML talvez não tenha colocado no topo por outros fatores (como distância média entre linhas ou passes permitidos).

• São times que mordem muito, mas talvez de forma desordenada. Eles recuperam a bola no alto, mas o “bloco” como unidade pode estar descompacto.

3. Os “Posicionais Passivos” (2 times | 11.1%)

Estão apenas no círculo azul (Recuperação Alta).

• Estes times recuperam a bola em zonas avançadas, mas não têm Pressão Intensa.
• Interpretação: Geralmente são times que jogam contra adversários que erram muito a saída de bola. Eles ganham a bola no alto “de presente”, e não porque forçaram o erro através de uma pressão sufocante.

4. Os “Corredores Errados” (3 times | 16.7%)

Estão apenas em Pressão Intensa.

• Eles correm muito e tentam pressionar o tempo todo, mas não conseguem recuperar a bola no alto.
• Interpretação: É o famoso “correr errado”. O time se esforça, sobe a linha, mas o adversário consegue quebrar a pressão e os obriga a recuperar a bola já perto da própria área. É uma pressão ineficiente.

Já se perguntou se o campo analitico é para você em algum momento? acredito que essa resposta seja respondida nesse quadro que mostra qual o papel da Escola em Estatística do Campo e como a vertente e relatar os fatos pode ser sim uma modelagem muito forte nos próximos anos, quem nunca perdeu uma vaga de emprego por não saber criar gráficos e interpretar eles???

Visite nosso site e faça sua matricula no Estatística computacional