Dados e dados. Como obter vantagem usando dados no futebol?

Dados e dados. Como obter vantagem usando dados no futebol?
matchmetrics
Image by: Carlos Figueroa. Source: Wikimedia Commons

 

 

Sejamos sinceros: nem toda transferência será um sucesso. Sempre há fatores desconhecidos quanto a como um atleta irá se adaptar e se irá atingir o potencial que você enxergou nele. Todavia, quando há de se tomar uma decisão, ninguém gosta de incertezas, ninguém quer uma chance de que dê certo e absolutamente ninguém gosta da possibilidade de tomar uma decisão errada que gere uma falha.  Ao invés disso a maioria prefere uma jornada pacata e previsível até o caminho do sucesso

Mas, existe uma boa notícia: ninguém é avaliado baseado em apenas uma decisão. Um dos passatempos favoritos da imprensa é revisar o histórico de transferências de um profissional, especialmente na troca de temporadas ou quando este troca de clube. Ou no caso de um clube para avaliar seus respectivos gerente de captação e captadores. Mas o que importa é o saldo: quando você tira o que não deu retorno, qual o restante? Quanto valor foi criado para o clube?

Imagine um jogo de azar, com um dado de 6 lados. Então temos uma probabilidade de 50-50. Você perde R$100 se o dado cair entre 1 e 3 e ganha R$100 se cair entre 4 e 6. Haverá uma variação, mas dado um número suficiente de jogadas, você irá acabar com um saldo neutro de 0 em média.

Mas e se nós te déssemos um um dado com os lados 1-2-4-4-5-6? Em média, após 30 jogadas você teria um saldo positivo de R$1000.

E se nós pudéssemos te dar exatamente esse dado para ser usado em monitoramento de atletas e desenvolvimento do valor de mercado deles? Nós analisamos jogadores de 21 anos ou menos no Scoutpanel e fizemos um comparativo dos valores de mercado deles quando se destacaram em nosso sistema e seu valor atual, consideramos todos os jogadores de 21 anos ou menos desde 2015.

 

É claro que muitos atletas jovens em grandes competições tem seu valor de mercado acrescido. Em média, 4.15M de euros considerando os jogadores avaliados, mas a média não quer dizer que isso ocorre com todo jogador. Algumas grandes estrelas do futuro, que são pontos fora da curva compensam uma grande parte de jogadores que perdem valor. A média de valor acrescido nos 30 melhores jogadores de nosso sistema, considerando uma média ofensiva de pelo menos 6 e com um valor de mercado inicial de 3.5 milhões ou menos é de 10.91 milhões de euros.

Você deve estar tentado a pensar que as grandes estrelas estão fora do alcance já em uma idade precoce, mas por esse valor restringimos o valor de nossa pesquisa para um máximo de 3.5M.

Evanilson em 2017: Nota 6.46. O jogador foi liberado e posteriormente recontratado e vendido por 8M.

 

Outro problema que pode lhe preocupar é que se você tiver apenas uma jogada de dados, ou talvez 3 ou 5, você pode ter um pouco de azar e consequentemente prejuízo. Quantas jogadas são necessárias para estabelecer bons resultados em determinado nível de expectativa? Para isso, usamos o que é chamado de simulação de Monte Carlo: O computador escolhe um número pré-determinado de jogadores sucessivamente e monitora o valor ganho e perdido por estes atletas em cada rodada. Isso nos permite avaliar a distribuição e entender o número de casos em que há ganho e perda.

Nós programamos o computador para fazer 50,000 rodadas dessa maneira, mas apenas incluindo os 50 jogadores mais bem ranqueados em nosso  filtro, para controlar a população de atletas. Vamos ver os resultados:

Primeiro escolhendo 1 atleta.

 

ROI_AVG_PCT é a média percentual de retorno do investimento, significando a quantidade do investimento inicial que foi retornada após a rodada de simulação, subtraindo o investimento inicial.  BUY_AVG_MILLIONS é o preço médio de compra de atletas em cada rodada de escolha, enquanto VALUE_AVG_MILLIONS é o valor médio dos atletas agora. Os valores percentuais de cada categoria são calculado de forma independente, então vamos focar no ROI para entender os cenários de perca/ganho.

Você pode ver o break-even no marco de 25%, com o ROI em 0, então 75% das simulações retornaram no mínimo em break-even – sem perdas ou ganhos. Apenas menos de 25% resultou em prejuízo. Através de todos os exemplos o valor médio inicial foi de ~742 mil e o valor final ~7m, com um retorno positivo de 1011%. A média do ROI para aproximadamente metade dos casos foi de 233%.

Agora vamos ver o que muda se escolhermos 3 jogadores de nosso Top 50.

 

Diversificar nosso investimento através de três atletas melhora em muito nosso saldo final. Menos de 10% das rodadas de escolha resultaram em perdas. Metade das simulações retornou um ROI médio de 729%, um lucro de ~4.5M em um investimento de ~730 mil.

E o que muda com 5 jogadores?

Agora, você deve estar familiarizado com estes números. A probabilidade de prejuízo é inferior a 3%, enquanto metade das rodadas de escolha retornou um ROI médio de 819% ou 6.45M sobre um investimento de 740 mil. Se extrapolarmos para 10 atletas haverá mudança?

 

Com 10 jogadores sendo escolhidos, não há 1 caso de perda. Todas as rodadas simuladas geraram lucro, com metade delas sendo um lucro de 845%. Um padrão que podemos notar com mais jogadores sendo escolhidos através dessa metodologia é como os valores em ambos os extremos, os casos raros de lucro ou perda extremo, são reduzidos. A diversificação maximiza ganhos e diminui riscos com a segurança dos valores médios.

É importante entender que isto não é restrito a um período de tempo. Não é necessário contratar 10 jogadores em todas as janelas ou 10 de uma só vez. Apenas 10 ao todo usando esta metodologia, distribuídos no intervalo de tempo o qual você queira avaliar a qualidade de contratações. O pior retorno possível, usando essa metodologia e as simulações seria um valor acrescido em 77%. Dificilmente isto seria considerado um mal retorno, com vendas lucrativas tornando-se cada vez mais possíveis e frequentes.

Uma maneira confortável de fazer uma jornada até o sucesso de maneira previsível e sem grandes contratempos.

Interessado em usar nossos dados? Entre em contato e marque uma demonstração. Nós amamos conversar sobre dados e futebol!