Os modelos aplicados ao futebol mobilizam quatro famílias de dados: os golos esperados (xG), a forma recente, os indicadores de jogo (posse, remates, duelos) e as odds do mercado. O seu limite é estrutural: o futebol é um desporto de poucos golos, e a investigação mostra que quanto menos acontecimentos decisivos um desporto produz, mais o acaso pesa no seu desfecho.
O que os modelos olham no futebol
Quatro famílias de dados aparecem sistematicamente nos trabalhos aplicados ao futebol. Nenhuma é própria da IA: o que os modelos acrescentam é a capacidade de as combinar em volumes importantes.
| Família | O que capta | O seu limite |
|---|---|---|
| Golos esperados (xG) | A qualidade das ocasiões criadas e concedidas | Nada diz sobre a finalização real de um plantel concreto |
| Forma recente | A dinâmica nas últimas jornadas | Sensível ao nível dos adversários defrontados |
| Indicadores de jogo | Posse, remates, duelos, pressão alta | Correlação variável com o resultado |
| Odds do mercado | A informação agregada pelos operadores | Torna o modelo dependente do consenso que procura avaliar |
A última linha merece uma atenção particular: numerosos trabalhos utilizam as odds como variável de entrada, porque condensam uma informação difícil de reconstituir de outra forma. O preço torna-se então ao mesmo tempo um ponto de comparação e um dado do modelo, o que limita o alcance de um desvio entre os dois.
Esta página fica no futebol: xG, poucos golos, peso do empate. O quadro geral da IA aplicada aos prognósticos, em todos os desportos, é tratado por IA e prognósticos desportivos.
O xG, e aquilo que não diz
Os golos esperados estimam a probabilidade de uma ocasião se transformar em golo, a partir da sua posição, da sua configuração e do contexto da jogada. O total num jogo dá uma medida do desempenho ofensivo e defensivo independente do resultado final.
O seu principal interesse é corrigir a leitura de um resultado. Uma equipa que ganha 1-0 com 0,4 de xG contra 2,1 não produziu o mesmo desempenho que uma equipa que ganha pelo mesmo marcador com 2,3 contra 0,5.
Os seus limites são igualmente nítidos: o xG é uma média construída sobre um vasto histórico, não conhece a qualidade de finalização específica de um jogador, e num jogo único a diferença entre golos esperados e golos marcados continua a ser considerável.
Porque é que o futebol resiste à modelização
O futebol produz poucos acontecimentos decisivos, o que dá ao acaso um peso estrutural.
A revisão de Bunker e Susnjak, que sintetiza mais de duas décadas de trabalhos sobre a previsão de resultados em desportos coletivos, é explícita neste ponto. Duas observações numéricas, verificadas no texto da revisão:
- o futebol é o desporto mais estudado de todo o corpus e, ainda assim, a melhor precisão recenseada atinge 78 %, o que o coloca apenas em quinto lugar entre os desportos comparados;
- desportos melhor classificados em precisão, como o râguebi de XV, devem parte dessa diferença 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 que estimam que o puro acaso pode ser o fator determinante do desfecho de até 18 % dos jogos de uma época.
Estes números dizem respeito à previsão de resultados num quadro de investigação. Não constituem uma taxa de acerto transponível para 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 comportam um risco de perda financeira e apresentam, segundo a autoridade reguladora francesa (ANJ), o risco de jogo problemático mais elevado ao nível individual entre as atividades reguladas. Um número produzido por uma IA não torna nenhuma aposta isenta de risco. Define um orçamento, não tentes recuperar as tuas perdas e utiliza as ferramentas de limitação ou de autoexclusão disponíveis. Saber mais sobre o jogo responsável.
O caso particular do empate
O futebol é um dos raros desportos maiores a comportar um terceiro resultado, e é o mais difícil de modelizar.
Um empate não tem assinatura estatística própria: não corresponde nem a um domínio nem a um desequilíbrio, mas a um equilíbrio que pode resultar de configurações muito diferentes. Vários trabalhos recenseados na literatura contornam aliás a dificuldade trabalhando com duas classes em vez de três — uma simplificação que melhora mecanicamente a precisão apresentada sem melhorar a compreensão do jogo.
É um ponto de vigilância prático para ler um número anunciado por uma ferramenta: uma precisão sobre dois resultados e uma precisão sobre três resultados não se comparam.
O que a IA traz ao futebol — e o que não traz
Três níveis que nunca devem ser confundidos.
- O que permite fazer — tratar épocas inteiras de dados, comparar indicadores de um jogo para outro de forma homogénea, e acompanhar em contínuo o que fazem as odds.
- O que permite estimar — uma probabilidade por resultado, com uma margem de erro que continua importante num desporto de poucos golos.
- O que nunca permite concluir — o resultado de um jogo, e muito menos o seu marcador exato.
Esta página trata do ângulo dados e modelos. O método de análise humana de um jogo de futebol — mercado 1X2, peso do empate, calendário — é tratado em prognóstico de futebol, e os mercados efetivamente seguidos pela plataforma em odds de futebol.
Voltar ao guia IA e prognósticos desportivos →
Voltar ao guia completo dos prognósticos desportivos →
Explore 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 para ler dados, e o que nunca transforma em certeza.
Compreender o papel da IAPrognóstico de futebol: como analisar um jogo
Mercado 1X2, peso do empate, forma e calendário.
Ver o guia de futebolOdds de futebol: os mercados seguidos pela OddScore
1X2, mais/menos golos e competições cobertas.
Ver os mercadosPrognósticos desportivos: analisar antes de apostar
O guia completo do cluster: dados, odds, fiabilidade, vieses e papel da IA.
Ler o guiaPerguntas frequentes
Um modelo de IA consegue prever um marcador exato?
Não é um objetivo realista. Um modelo estima, no melhor dos casos, uma distribuição de marcadores possíveis, na qual o marcador mais provável continua a ser muito minoritário.
O que é o xG e para que serve?
Os golos esperados medem a qualidade das ocasiões criadas em vez dos golos marcados. O indicador serve para distinguir um desempenho sólido de um resultado obtido com poucas ocasiões.
Porque é que o futebol é difícil de modelizar?
Porque produz poucos acontecimentos decisivos. A revisão de Bunker e Susnjak (2022) observa que os desportos de poucos golos comportam uma parte de acaso mais elevada nos seus resultados, o que limita mecanicamente a precisão dos modelos.
As odds servem de dado de entrada aos modelos?
Muitas vezes, sim. Vários trabalhos recenseados na literatura utilizam as odds como variável, precisamente porque agregam uma grande quantidade de 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 plataforma não publica qualquer seleção de apostas nem fornece conselhos de aposta.
Fontes e metodologia
Esta página baseia-se numa revisão académica dedicada à previsão de resultados em desportos coletivos por aprendizagem automática, numa revisão sistemática recente sobre o uso da aprendizagem automática nas apostas desportivas, e no enquadramento regulamentar português das apostas desportivas publicado pelo Serviço de Regulação e Inspeção de Jogos.
- Reportar as precisões observadas tal como a revisão as publica, desporto a desporto.
- Nunca apresentar a precisão de um modelo académico como uma taxa de acerto transponível para uma aposta.
- Distinguir a estimativa de uma probabilidade da designação de um resultado.
- Apresentar 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