Você identificou uma lacuna no elenco: um volante de criação. Mas o caminho entre determinar essa necessidade e a recomendação final da equipe de scouting é longo. Neste artigo, vamos analisar uma etapa fundamental deste processo: a construção de um índice de jogadores.

Vamos percorrer as etapas necessárias para construir um índice de jogadores eficaz, desde a definição do perfil visado, a determinação de um subconjunto específico de métricas e de seus pesos atribuídos, até as três áreas de risco que merecem atenção.

Onde ele se encaixa no fluxo de trabalho

Em um fluxo de trabalho de scouting padrão, a construção de um índice se encaixa na etapa de pesquisa de jogadores. É o momento em que você precisa reduzir um grande conjunto de atletas a uma lista final de possíveis alvos. Uma má escolha das métricas do índice ou uma ponderação desequilibrada entre elas pode eliminar jogadores prematuramente ou fazer com que opções inadequadas avancem para a próxima etapa.

O que é um índice e como construir um

Um índice é um número único, construído a partir da soma ponderada de métricas normalizadas. Índices são amplamente utilizados no futebol para filtrar um grande conjunto de jogadores até uma lista final de potenciais opções que correspondem a um perfil-alvo.

Para construir um índice, você precisa de três coisas:

• Um perfil-alvo (por exemplo, um "zagueiro que sai jogando").
• Um subconjunto definido de métricas que correspondam aos atributos exigidos pelo perfil-alvo.
• Pesos atribuídos para cada métrica.
  ‍

Isso parece simples, à primeira vista. O problema é que os rankings de índice estão sujeitos a uma significância matemática que nem sempre se traduz em relevância prática no futebol.

Um índice é, em sua essência, matemática. Ele pega números, os normaliza, os soma de acordo com os pesos atribuídos e gera um ranking. Embora esse exercício sempre produza um resultado limpo, isso não significa necessariamente que a diferença entre dois jogadores com rankings muito distantes um do outro será relevante em termos práticos de futebol. É preciso levar em conta a escolha das métricas e como elas se distribuem em toda a amostra.

A seguir, vamos explorar três potenciais armadilhas com as quais tomar cuidado na construção de um índice: por que elas importam, como podem distorcer seus resultados e como evitá-las.

Risco nº 1 - Métricas individuais com baixa discriminação

A primeira pergunta a se fazer sobre qualquer métrica individual antes de adicioná-la ao seu índice deve ser se ela realmente separa os jogadores. É isso que o Coeficiente de Variação (CV) indica.

O CV é o desvio padrão de uma métrica dividido pela sua média e multiplicado por 100. Ele permite avaliar a dispersão de uma distribuição.

Um CV baixo significa que a maioria dos jogadores pontua próximo à média, ou seja, a métrica quase não separa os jogadores. No exemplo abaixo, usando PSV-99 Médio — uma métrica com CV de 3,9% —, uma diferença de 43 posições na classificação acaba sendo resultado de uma diferença de apenas 86 milissegundos em um sprint de dez metros — estatisticamente real, mas praticamente imperceptível em campo.

‍
(A amostra utilizada neste artigo é composta por meio-campistas com pelo menos 5 partidas de 60 minutos nas cinco principais ligas europeias. As conclusões dependem da amostra)

Por outro lado, Sprints P90, uma métrica com correlação de 0,81 com o PSV-99 e um CV de 37,6%, captura grande parte do mesmo sinal, mas separa melhor os jogadores.

Para ilustrar ainda mais esse ponto, é possível ver que, embora os gráficos abaixo mostrem uma diferença semelhante entre os percentis 25 (P25) e 75 (P75) após a normalização, o PSV-99 indica apenas uma diferença de 67 ms em um sprint de 10 metros (sem relevância futebolística), enquanto o número de sprints aponta para uma diferença de 4,5 sprints por 90 minutos (razoavelmente relevante).

Embora um CV mais alto geralmente indique uma melhor separação, em algumas ocasiões ele pode ser alto demais demais e enganoso. Tome como exemplo as Quebras de linha por dentro da 1ª linha (por 30 TIP). Seu CV de 100% se dá pela relação dessa métrica com uma função de meio-campo muito específica. Ela não faz um bom trabalho de distinguir os jogadores, mas, sim, destaca apenas um pequeno grupo de volantes especialistas, enquanto a maioria dos jogadores se concentra perto de zero. Isso só seria útil se você estivesse analisando especificamente volantes que recebem a bola antes da primeira linha.

Como se pode ver acima, uma diferença de apenas 1,41 quebra de linha por dentro da 1ª linha por 30 TIP provoca uma oscilação de 88 posições, resultado de uma métrica com distribuição extrema.

Uma alternativa mais confiável para uma busca mais ampla seria Quebras de linha por dentro da 2ª linha, com um CV mais viável de 58,9% e uma correlação de 0,64 com a métrica da primeira linha. Após normalização, os passes de quebra de primeira linha mostram apenas uma diferença de 0,83 entre P25 e P75, contra 1,49 para os passes de quebra de segunda linha, para a mesma diferença de ranking.

Avaliar a capacidade discriminatória de uma métrica, tanto estatisticamente (via CV) quanto em termos práticos de futebol, é uma etapa essencial antes de incluí-la em um índice. Selecionar métricas com maior poder de discriminação e que dependam menos de cenários táticos específicos oferece uma base mais confiável para uma comparação eficaz entre jogadores.

Risco nº 2 - Métricas excessivamente correlacionadas

O poder de separação não é a única coisa a se considerar ao selecionar suas métricas. A próxima pergunta deve ser o quanto duas ou mais das suas métricas se correlacionam entre si.

Por exemplo, Ações de alta intensidade P90 e Distância em alta intensidade P90 se correlacionam em 0,966. Na prática, é quase como se você estivesse incluindo a mesma métrica duas vezes. O impacto dessas métricas correlacionadas nos resultados será maior do que o almejado, dobrando o peso do que é, efetivamente, um único “atributo”.

Se você construir um índice com, digamos, cinco métricas, cada uma responsável por 20% da pontuação final — um quinto para Posses de bola, um quinto para Movimentações sem bola, um quinto para Intensidade, etc. —, e duas dessas métricas acabarem medindo a mesma habilidade, você terá um resultado desequilibrado.

Em contrapartida, a correlação negativa pode causar um tipo diferente de problema. Ações de alta intensidade P90 e Quebras de linha por dentro da 2ª linha (por 30 TIP) se correlacionam em -0,51. Isso significa que, mesmo entre os jogadores de melhor ranking, é menos provável encontrar atletas que pontuem alto em ambas as métricas. Se o seu perfil-alvo realmente exigir as duas qualidades, tenha em mente que um conjunto realista de candidatos será significativamente menor.

Por outro lado, essa escassez também pode, ocasionalmente, ser vista como um ponto forte. Encontrar perfis que pontuem alto em ambas métricas pode ser uma descoberta legitimamente rara e valiosa, que pode valer a pena priorizar.

Avaliar pares de métricas quanto à sua correlação, seja positiva ou negativa, é, mais uma vez, uma etapa crucial. Uma correlação positiva muito alta basicamente duplica uma métrica e dobra seu peso, enquanto uma correlação negativa forte pode resultar em uma busca por combinações estatisticamente raras ou até mesmo inatingíveis.

Risco nº 3 - Métricas em excesso

Embora possa ser tentador pensar que adicionar mais métricas a um índice o tornaria mais completo, os dados mostram o contrário. Em geral, quanto mais métricas você inclui, mais você perde compreensão sobre o que impulsiona a alta classificação de um jogador, e mais pontos fracos mesmo os jogadores mais bem classificados apresentarão.

O gráfico abaixo mostra os 25 melhores jogadores em uma série de combinações aleatórias de métricas (pesos uniformes, 100 conjuntos aleatórios por ponto), acompanhando qual parcela das métricas do índice fica abaixo dos percentis 50 (P50), 75 (P75) e 90 (P90) à medida que o número de métricas cresce, de cinco até 20.

Com cinco métricas, 18% das métricas de um jogador do top 25 ficam abaixo do P50, 36% abaixo do P75, e 60% abaixo do P90. Com 20 métricas, esses números sobem para 29%, 54% e 77%, respectivamente.

Abaixo, você pode ver um exemplo real desta situação. Este é um índice muito parecido com um construído por um cliente em potencial em nosso WebApp Lab, com 18 métricas diferentes. Embora não saibamos exatamente a que amostra esse índice foi aplicado, podemos estimar que ele traz um risco elevado de CVs e correlações (contagens e distâncias) prejudiciais e pontos fracos devido ao alto número de métricas.

Eis o que esse índice produz: o jogador na posição 1 é elite em quase todas as métricas, mas apresenta pontos fracos bem visíveis. Já o jogador na posição 34 não tem nenhum sinal de atenção: um perfil mais estável, equilibrado e completo do que o jogador classificado muito acima dele. Se o objetivo era encontrar o jogador mais completo, dificilmente este seria o resultado desejado.

A mesma dissonância aparece novamente com esta solicitação que recebemos para um "Volante Armador".

• Tecnicamente equilibrado, oferece-se para receber a bola quando o time está com a posse e é calmo com ela. Altamente resistente à pressão. —>Oportunidades de passe em fase de criação, Rácio de Retenção sob Pressão Intensa.
• Passador progressivo, altamente eficiente em passes verticais em todos os terços do campo. —>Quebras de linha através das 3 linhas.
• Consciente taticamente e capaz de mudar o ponto de ataque por meio de viradas de jogo.
• Leitura de jogo para controlar o ritmo e equilibrar entre retenção de bola e tomada de risco.
• Defensor inteligente, eficiente em proteger a bola, reduzir espaços e interceptar passes progressivos do adversário.
• Fisicamente capaz de cobrir grandes distâncias para estar sempre disponível na posse de bola e para pressionar após a perda. —>Distância em alta intensidade, Pressões pós-perda.
  ‍

Mesmo antes de construir um índice para este pedido, é possível deduzir que encontrar um perfil completo como este, capaz de fazer tudo isso, classificado acima do percentil 60 (P60) em sua liga para as métricas acima, por exemplo, é extremamente difícil. 

O resultado? Apenas um jogador em 541 correspondia a todos esses critérios.

A abordagem alternativa aqui seria focar apenas no que mais importa na etapa de criação da lista final, com menos exigências e uma ponderação adequada, avaliando outros atributos mais adiante no processo de scouting.

Considerações finais

Construir um índice de jogadores é uma das formas mais eficientes de navegar por um grande conjunto de jogadores na etapa de pesquisa. No entanto, isso traz seus próprios desafios. E, como uma das etapas fundamentais de um processo de scouting, o índice de jogadores exige um nível especial de cuidado. Uma configuração incorreta aqui pode fazer com que um candidato forte seja eliminado antes mesmo que alguém tenha a chance de vê-lo jogar.

É fundamental entender o que cada métrica está realmente medindo, como elas se relacionam entre si e o que você está sacrificando cada vez que adiciona uma nova.

Vá além com os dados da SkillCorner

Se você quiser saber mais sobre os dados da SkillCorner, sobre nossa plataforma WebApp Lab e explorar como você poderia aproveitá-la em seus próprios processos de scouting, entre em contato hoje mesmo.