Ciência de Dados no Esporte – Seminário Tópicos em Computação 4
🎥 Vídeo completo do seminário: YouTube – Paulo Henrique Sendas
Seminário apresentado na disciplina Tópicos em Computação 4, cujo objetivo é expor temas de computação que não aparecem nas grades tradicionais. Aqui exploramos Ciência de Dados no Esporte, mostrando como métodos estatísticos e modelos de machine learning mudaram decisões táticas, recrutamento e treinamento em três modalidades.
🗂️ Roteiro do Seminário
| Timecode | Tema |
|---|---|
| 00:00:00 | Introdução – por que dados importam no esporte moderno |
| 00:06:18 | Beisebol: Moneyball e a ascensão do sabermetrics |
| 00:14:35 | Basquete: a revolução da linha de 3 pontos |
| 00:20:12 | Estudo de caso: Houston Rockets 2016-2020 |
| 00:30:24 | Futebol: evolução do scouting e análise tática |
| 00:43:20 | xG aplicado – Barcelona × Benfica (UCL 2021) |
| 00:55:33 | Construindo a métrica Expected Goals passo a passo |
| 01:10:42 | Clipes práticos: como clubes usam dashboards em tempo real |
| 01:15:56 | Questões de concurso & discussões finais |
1️⃣ Introdução (00:00 – 06:18)
- Contextualização histórica: do “olho de técnico” para decisões orientadas a dados.
- Papel da computação: ETL, bancos NoSQL, aprendizado de máquina, visualização.
- Motivação acadêmica: ligar estatística, IA e esportes para “problemas do mundo real”.
2️⃣ Beisebol e o Moneyball (06:18 – 14:35)
- On-base percentage e slugging substituindo métricas tradicionais como RBI.
- Caso Oakland A’s (2002): elenco barato, 20 vitórias seguidas.
- Impacto na contratação: mercado de talentos precificado por stat-value.
3️⃣ Basquete – a Revolução da Linha de 3 Pontos (14:35 – 20:12)
- Análise de eficiência de arremessos (eFG%) → migração para 3 pontos e bandejas.
- Gráfico de “zonas quentes” do Stephen Curry ilustrando mudança tática.
- Efeito cascata na liga: média de tentativas de 3 pts subiu 350 % de 2000 a 2023.
4️⃣ Estudo de Caso: Houston Rockets (20:12 – 30:24)
- General Manager Daryl Morey (formação em comp. aplicada).
- Modelo de shot-selection: > 50 % dos arremessos de 3 pts (temporada 2018).
- Resultado: temporadas consecutivas de 60+ vitórias e recorde de tentativas de 3.
5️⃣ Futebol – Do Scout Tradicional ao Big Data (30:24 – 43:20)
- Tracking por GPS e câmeras de 25 Hz (Opta, StatsBomb, TRACAB).
- Métricas modernas: xG, xA, packing, intensidade de pressão (PPDA).
- Uso em categorias de base: descoberta de talentos por clusters de estilo de jogo.
6️⃣ Análise xG: Barcelona × Benfica (UCL 2021) (43:20 – 55:33)
- Distribuição de finalizações: Barça domina posse, mas xG equilibrado (2,1 vs 1,8).
- Clip no 87’ – salvamento de Ter Stegen muda probabilidade preditiva do empate.
- Discussão: “posse ≠ qualidade de chance”.
7️⃣ Construindo a métrica Expected Goals (55:33 – 1:10:42)
- Dataset: 40 k chutes da Premier League (2013-2018).
- Features: distância, ângulo, tipo de passe, situação (contra-ataque, bola parada).
- Modelo: Gradient Boosting (AUC ≈ 0,79; Brier ≈ 0,22).
- Calibração e validação cruzada estratificada.
- Deploy via API Flask + Docker → dashboards em tempo real no banco de reservas.
8️⃣ Clipes Práticos (1:10:42 – 1:15:56)
- Demo de dashboard do Liverpool FC (xG em tempo real).
9️⃣ Questões de Concurso (1:15:56 – 1:20:00)
- Diferença entre regressão logística e árvore de decisão para xG.
- Interpretação de curva ROC em métricas esportivas.
- Conceito de overfitting em séries temporais de desempenho atlético.
✨ Conclusões
- Dados transformam decisões táticas e de mercado; ignorá-los gera desvantagem competitiva.
- Métodos de IA não substituem olheiro ou técnico, mas potencializam insights.
- Há vasto espaço para pesquisa (Vision Transformers, causal inference em lesões, RL para estratégia).
📚 Referências
- Lewis, M. “Moneyball”, 2003.
- Cervone, D. et al. “A Multiresolution Stochastic Process Model for Basketball Possession”, J. Amer. Stat. Assoc., 2016.
- Spearman, W. “Beyond Expected Goals”, MIT SSAC, 2018.
- Brooks, J. et al. “Measuring Expected Possession Value in Soccer”, JQAS, 2021.