Os modelos de futebol apoiam-se em quatro tipos de dados: os golos esperados (xG), a forma recente, os indicadores de jogo (posse, remates, duelos) e as odds do mercado. O limite vem do próprio desporto. Marcam-se poucos golos, e a investigação mostra que quanto menos acontecimentos decisivos um desporto tem, mais o acaso pesa no resultado.
O que os modelos olham no futebol
Nos trabalhos sobre futebol aparecem sempre as mesmas quatro famílias de dados. Nenhuma foi inventada pela IA. O que os modelos acrescentam é poderem cruzá-las com volumes enormes.
| Família | O que capta | Onde fica curta |
|---|---|---|
| Golos esperados (xG) | A qualidade das ocasiões criadas e concedidas | Nada diz sobre a pontaria real de um plantel concreto |
| Forma recente | A dinâmica das últimas jornadas | Depende do nível dos adversários já defrontados |
| Indicadores de jogo | Posse, remates, duelos, pressão alta | A relação com o resultado varia |
| Odds do mercado | A informação que os operadores já agregaram | Prende o modelo ao consenso que devia avaliar |
Repara na última linha. Muitos trabalhos põem as odds como variável de entrada, porque condensam informação difícil de reconstruir de outra forma. O preço passa a ser ponto de comparação e dado do modelo ao mesmo tempo. Quando o modelo se afasta do preço, esse desvio diz menos do que parece.
Esta página fica no futebol: xG, poucos golos, peso do empate. Para a IA aplicada aos prognósticos em todos os desportos, tens IA e prognósticos desportivos.
O xG e o que não te conta
Os golos esperados estimam a probabilidade de uma ocasião acabar em golo, conforme a posição, a forma como a jogada nasceu e o contexto. Se os somares ao longo de um jogo, obténs uma medida do desempenho ofensivo e defensivo que não depende do resultado final.
Para que serve? Sobretudo para corrigir a forma como lês um resultado. Uma equipa que ganha 1-0 com 0,4 de xG contra 2,1 não fez o mesmo jogo que outra que ganha 1-0 com 2,3 contra 0,5.
Os limites são igualmente claros. O xG é uma média construída sobre um vasto histórico. Não conhece a pontaria de um jogador em concreto. É a minha principal reserva: o xG mede a ocasião, não quem a finaliza. E num único jogo, a distância entre golos esperados e golos marcados continua enorme.
Porque é que o futebol resiste aos modelos
No futebol há poucos acontecimentos decisivos, por isso o acaso pesa muito.
Bunker e Susnjak assinam uma revisão que junta mais de vinte anos de trabalhos sobre a previsão de resultados em desportos coletivos. Neste ponto são claros. Duas observações, verificadas no texto da revisão:
- o futebol é o desporto mais estudado de todo o corpus e, ainda assim, a melhor precisão registada chega aos 78 %, o que o coloca apenas em quinto lugar entre os desportos comparados;
- alguns desportos mais bem classificados, como o râguebi de XV, devem parte da vantagem a competições menos equilibradas. A revisão insiste em que a profundidade da concorrência pesa pelo menos tanto como o próprio desporto.
A revisão cita ainda trabalhos segundo os quais o puro acaso pode decidir o desfecho de até 18 % dos jogos de uma época. Quase um em cada cinco.
Atenção, porém. São números de investigação sobre a previsão de resultados. Não são uma taxa de acerto que possas aplicar a uma aposta. Uma aposta julga-se face a uma odd e à sua margem, não face a uma percentagem de respostas certas.
Jogo responsável: um modelo não elimina o risco. As apostas desportivas envolvem um risco de perda financeira. Define um orçamento, não tentes recuperar as perdas e usa as ferramentas de limites e autoexclusão disponíveis. Saber mais sobre o jogo responsável.
O empate, um caso à parte
O futebol é dos poucos desportos grandes com um terceiro resultado possível, e é o mais difícil de modelizar.
Um empate não tem assinatura estatística própria. Não indica domínio nem desequilíbrio. É um equilíbrio, e pode nascer de configurações muito diferentes. Vários trabalhos da literatura contornam o problema usando duas classes em vez de três. A precisão apresentada sobe de forma mecânica, sem que ninguém perceba melhor o jogo.
Por isso, quando uma ferramenta te der um número, vê em quantos resultados foi medido. Uma precisão sobre dois resultados e outra sobre três não se comparam.
O que a IA traz ao futebol e onde pára
O que faz bem? Digerir épocas inteiras de dados, comparar indicadores de um jogo para o outro com o mesmo critério e acompanhar sem descanso o que fazem as odds. Também consegue estimar uma probabilidade por resultado, com uma margem de erro que continua grande num desporto de poucos golos. O resultado de um jogo não o conhece. O marcador exato, ainda menos.
Este último limite molda a forma como a OddScore se apresenta. O ponto de partida são as odds de várias casas, sem margem, e a sua evolução. O sinal de 0 a 100 e a leitura IA resumem o que o mercado diz. Como o jogo vai acabar, não dizem. Num desporto tão marcado pelo acaso, prefiro escrevê-lo preto no branco a deixar-te adivinhar.
Esta página fica nos dados e nos modelos. Para o método de análise humana de um jogo (mercado 1X2, peso do empate, calendário), vai a prognóstico de futebol. Os mercados que a plataforma segue de facto estão em odds de futebol.
Voltar ao guia IA e prognósticos desportivos →
Voltar ao guia completo dos prognósticos desportivos →
Pôr em prática
Aplique este guia a odds reais.
Ver uma leitura de mercado
Um jogo real com as suas odds, movimentos e sinal 0-100.
Abrir a demoCalculadora de margem
Meça a margem de uma casa de apostas em qualquer mercado.
Calcular a margemExplore o mercado
Os movimentos de odds são apenas parte da história. Veja os próximos temas para ler.
IA e prognósticos desportivos
O que a IA consegue fazer com os dados e porque nunca vira certeza.
Compreender o papel da IAPrognóstico de futebol: como analisar um jogo
O mercado 1X2, o peso do empate, a forma e o calendário.
Ver o guia de futebolModelos Poisson e xG no futebol
Como um modelo estatístico passa dos xG a probabilidades de resultado.
Ver os modelosOdds de futebol: os mercados que a OddScore segue
O 1X2, mais/menos golos e as competições cobertas.
Ver os mercadosPrognósticos desportivos: analisar antes de apostar
O guia completo: dados, odds, fiabilidade, vieses e o papel da IA.
Ler o guiaOs limites dos prognósticos por IA
Dados incompletos, caixas negras e confiança a mais num número que parece preciso.
Ver os limitesPerguntas frequentes
Um modelo de IA consegue prever um marcador exato?
Não é realista. No máximo, um modelo estima uma distribuição de marcadores possíveis, e até o mais provável fica com uma fatia pequena.
O que é o xG e para que serve?
Os golos esperados medem a qualidade das ocasiões que uma equipa cria, não os golos que marca. Ajudam-te a distinguir uma boa exibição de um resultado arrancado a duas ou três ocasiões.
Porque é que o futebol é difícil de modelizar?
Porque num jogo acontecem poucas coisas decisivas. A revisão de Bunker e Susnjak (2022) refere que os desportos com poucos golos deixam mais espaço ao acaso, e isso limita a precisão dos modelos.
As odds servem de dado de entrada aos modelos?
Muitas vezes, sim. Vários trabalhos da literatura usam-nas como variável, porque concentram muita informação.
A OddScore fornece prognósticos?
Não. A OddScore compara as odds de várias casas de apostas, retira-lhes a margem e acompanha a sua evolução. A leitura IA resume o que o mercado diz, por exemplo o lado que favorece ou a linha que espera. Não é uma aposta a seguir, e a OddScore não dá conselhos de aposta.
Fontes e metodologia
Por trás desta página estão uma revisão académica sobre a previsão de resultados em desportos coletivos com aprendizagem automática, uma revisão sistemática recente sobre aprendizagem automática nas apostas desportivas e, para o enquadramento português, o Serviço de Regulação e Inspeção de Jogos e o ICAD.
- Reportar as precisões tal como a revisão as publica, desporto a desporto.
- Nunca apresentar a precisão de um modelo académico como uma taxa de acerto aplicável a uma aposta.
- Manter separada a estimativa de uma probabilidade da escolha de um resultado.
- Indicar como preprints os trabalhos ainda não revistos por pares.
- Bunker, R. & Susnjak, T. (2022). The Application of Machine Learning Techniques for Predicting Match Results in Team Sport: A Review. Journal of Artificial Intelligence Research, 73, 1285-1322.
- Galekwa, R. M., Tshimula, J. M., Tajeuna, E. G. & Kyandoghere, K. (2024). A Systematic Review of Machine Learning in Sports Betting: Techniques, Challenges, and Future Directions. Preprint arXiv 2410.21484 (não revisto por pares).
- SRIJ: Serviço de Regulação e Inspeção de Jogos
- ICAD: comportamentos aditivos e dependências