Scouting com dados e IA: avaliar jogadores sem cair em vieses

O que o scouting com dados e IA faz hoje

No futebol profissional, departamentos de análise trabalham com bases de eventos (cada passe, finalização e ação defensiva registrada com coordenadas) e, em algumas ligas, com dados de tracking. Sobre essas bases rodam três tipos de ferramenta:

• Filtros e rankings por posição: listas de jogadores que cumprem critérios mínimos (minutos, idade, métricas por 90 minutos).
• Modelos de valor: estimam quanto cada ação aumenta ou diminui a chance de gol, como o gol esperado (xG) para finalizações e modelos de valor para passes e conduções.
• Busca por similaridade: encontra jogadores com perfil estatístico parecido com um de referência.
• Assistentes de texto: resumem relatórios de observadores e organizam fichas.

Na base e no futebol amador brasileiro a realidade é outra. Há poucos jogos filmados, vídeos de qualidade variável, campos de dimensões diferentes, competições muito desiguais e quase nenhum dado padronizado. Um modelo treinado com dados de adultos profissionais não serve para avaliar um sub-13 da várzea.

Métricas úteis e como lê-las

Leia sempre por 90 minutos, com amostra mínima definida antes, e compare dentro da mesma competição e da mesma posição. Uma métrica isolada quase nunca diz algo útil; o perfil é o conjunto.

Idade relativa e maturação: os vieses que a IA pode ampliar

O efeito da idade relativa aparece quando jogadores nascidos no início do ano de corte são selecionados em proporção maior do que a da população. Num estudo publicado em 2014 na Revista Brasileira de Cineantropometria e Desempenho Humano, com 341 atletas do sub-10 ao sub-20 do São Paulo Futebol Clube, 47,5% tinham nascido no primeiro trimestre e 8,8% no último. A explicação mais aceita é simples: num grupo do mesmo ano, quem nasceu em janeiro pode ter quase um ano a mais de desenvolvimento do que quem nasceu em dezembro.

A maturação biológica soma outro viés. Dois meninos de 13 anos podem estar a vários anos de distância em estatura, força e velocidade. Quem amadurece cedo vence duelos e sprints; os dados de tracking registram isso como 'desempenho'. Um modelo treinado para prever quem chega ao profissional a partir de quem foi selecionado no passado aprende a escolher, de novo, os mais velhos e os mais desenvolvidos.

• Registre o trimestre de nascimento de todos os avaliados e de todos os aprovados. Se a distribuição for muito desigual, o processo tem viés.
• Estime a maturação com métodos simples de crescimento (medidas de estatura a cada 3 meses, por exemplo), com orientação de um profissional de saúde ou de Educação Física.
• Compare com quem é parecido. Algumas academias inglesas testaram o bio-banding, jogos agrupados por maturação em vez de idade. Pesquisa da Universidade de Bath com academias da Premier League relatou que os jogadores tardios ganharam espaço para mostrar qualidades e os precoces precisaram usar mais técnica e tática.
• Desconfie da velocidade e da força em idades de crescimento. Pese mais tomada de decisão, técnica sob pressão e capacidade de aprender.

As idades e os anos de nascimento de cada categoria estão em categorias de base: idades.

Onde os modelos de IA falham

• Dados de quem foi filmado. Jogadores de regiões, campeonatos e clubes sem câmera simplesmente não existem para o modelo. Isso afeta a base fora dos grandes centros e o futebol feminino.
• Contexto tático invisível. O número não sabe se o lateral jogava por dentro por instrução ou se o time inteiro defendia baixo.
• Variável-alvo errada. 'Chegou ao profissional' depende de oportunidade, empresário, lesões e sorte, não só de talento.
• Caixa-preta. Se ninguém no clube sabe explicar por que o modelo recomendou um jogador, a recomendação não deve decidir nada.
• Falsa precisão. Uma nota 7,83 de 'potencial' passa uma exatidão que não existe.

A LGPD dá ao titular o direito de pedir revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, incluindo as que definem o seu perfil (art. 20). Em avaliação de atletas, isso é mais um motivo para que a decisão final seja sempre humana e fundamentada.

Antes de pensar em IA, vale a pena automatizar o que é repetitivo e não envolve dados sensíveis, como a tabela de um torneio. O gerador de tabela de torneio da DorsalCUP é gratuito, não pede cadastro e não guarda dados em servidores.

Um processo de avaliação para clubes pequenos

1. Defina o perfil por posição a partir do seu modelo de jogo: 4 a 6 comportamentos observáveis (ex.: lateral que recebe de frente e progride conduzindo; volante que orienta o corpo antes de receber).
2. Use uma ficha padronizada com escala simples (1 a 4) e um espaço para exemplos concretos de lances.
3. Observe pelo menos três vezes, em contextos diferentes: treino, jogo contra time forte, jogo contra time fraco.
4. Junte vídeo e dados quando houver, com as mesmas métricas para todos os candidatos da mesma posição.
5. Peça uma segunda opinião às cegas: outro técnico avalia o vídeo sem saber o nome, o clube de origem ou quem indicou.
6. Revise o processo uma vez por ano: distribuição por trimestre de nascimento, por região, por estágio de maturação. Ajuste se aparecer viés.

Assistentes de IA podem ajudar a transformar anotações soltas em fichas legíveis e a padronizar a linguagem dos relatórios. Retire nomes e dados pessoais antes de colar qualquer texto numa ferramenta pública.

Ética na captação de crianças e adolescentes

• Transparência com a família: explique o que é avaliado, por quanto tempo e o que acontece com os dados e vídeos de quem não for aprovado.
• Consentimento e finalidade: dados de crianças devem ser tratados no seu melhor interesse, conforme o art. 14 da LGPD; vídeos de avaliação não são material de divulgação.
• Prazo de guarda: defina por quanto tempo fichas e vídeos de não aprovados ficam guardados e apague depois.
• Nada de rankings públicos de crianças, nem notas divulgadas em grupos.
• Avaliação sem cobrança abusiva e sem promessas de carreira. Veja peneira de futebol: como funciona.

Mais detalhes sobre consentimento, imagem e guarda de dados em LGPD e dados de menores no futebol.

Perguntas frequentes