O Data Analytics no baseball e no futebol

Escrevi recentemente um artigo sobre como o Data Analytics transformou o jeito que se joga basquete profissional. Esse fenômeno – em que a melhoria nos resultados em decorrência do uso de análise de dados não se traduz necessariamente em avanços em termos estéticos (o chamado “espetáculo”) – também se reproduziu no Baseball, esporte que foi um dos primeiros a adotar a prática analítica na tomada de decisões em relação a avaliação de jogadores e estruturação de equipe, assim como, posteriormente, mudanças mais transformacionais.

Uma dessas mudanças, que ocorreu anos após a primeira grande fase de adoção de prática analítica (retratada no filme “Moneyball”), consistiu em rearranjar o posicionamento dos jogadores defensivos no campo de acordo com o histórico estatístico de rebatidas de cada atleta do time adversário. Conhecida como “Shift”, esta tem uma lógica muito simples: se um determinado jogador historicamente apresenta uma tendência em rebater muito mais bolas para o lado direito do que para o esquerdo, a defesa poderia se posicionar de forma desbalanceada para aumentar suas chances de capturas as bolas rebatidas.

O grande sucesso do Shift em termos de resultados (todos os times da liga passaram a adotá-lo), reduziu as pontuações e tornou o jogo menos atraente esteticamente – razão pela qual a liga americana de baseball MLB optou por proibi-lo na atual temporada (2023). Uma clara decisão de frear um avanço tático em prol de criar um melhor ‘produto’ para os espectadores.

Se os casos do Basquete da NBA e do Baseball da MLB podem ser entendidos como situações em que Data Analytics gerou impactos transformacionais na jogabilidade, em outros esportes podemos ver resultados interessantes, porém mais comedidos. Nomeio esse nível de impacto de ‘incremental’.

Um exemplo está no futebol, em que o geoposicionamento dos jogadores no campo é medido por meio de equipamentos especiais vestíveis (weareables, no melhor estilo IoT), que são usados por baixo dos uniformes, permitindo monitoração do deslocamento individual ou coletivo para ajudar em decisões táticas. Essa informação também é usada em combinação com dados históricos da equipe de preparadores físicos para identificar situações de perda de desempenho e até eventuais contusões.

Embora a prática seja largamente difundida hoje no futebol, existem outras histórias documentadas pelo mundo que são mais parecidas com a do “Moneyball”. Um exemplo é a equipe alemã do TSG Hoffenheim que, no caso retratado em um artigo do Harvard Business Review de 2019, contou como o apoio da empresa SAP e de seu fundador Dietmar Hopp para capturar e analisar dados permitiram alcançar melhores resultados no campo e na conta bancária.

Explicando melhor: em 2006, ainda na segunda divisão do futebol alemão (Bundesliga) o Hoffenheim investiu – com grande apoio de Data Analytics – na formação de um time competitivo para garantir a posição na primeira divisão. A temporada de 2007-2008 foi a primeira da equipe, que já ficou na primeira divisão da Bundesliga e, desde então, o time se manteve no escalão, figurando próximo ao topo da tabela e alcançando o objetivo de participar da Champions League diversas vezes.

Tão ou mais chocante são os resultados em transações financeiras envolvendo atletas: entre as temporadas de 2006/07 e 2009/10 o time investiu cerca de 48 milhões de euros em contratações, realizando cerca de 300 mil euros em receita com a venda de atletas. Dez anos depois, já na temporada de 19/20, o clube contabilizou receita de 120 milhões de euros em vendas de jogadores contra 33 milhões em investimentos nesse sentido. Impacto transformacional não no campo, mas fora dele.

Outros esportes coletivos também tiram proveito de um jeito ou de outro do uso de analytics. Facilmente penso no Vôlei, em que é comum vermos assistentes técnicos digitando dados em seus laptops ao lado do técnico. Existe o investimento dentro de esportes individuais como o Tênis, que conta com empresas especializadas no tema e histórias de jogadores como Novak Djokovic, sendo um ‘maníaco por dados’. Mas vou parando por aqui em relação a esses esportes, pois confesso que não tive acesso a informações tão detalhadas, também não percebi um impacto tão grande no jogo quanto no basquete, beisebol ou futebol. Quanto ao poker, opto por deixá-lo fora da discussão, pois entendo que o jogo é completamente analítico em sua essência.

Um último ponto que gostaria de trazer é que os três casos, que retratei com mais detalhes nesse texto, têm em comum o fato de terem sido implementados por equipes de “segundo escalão” em suas ligas (Oakland A´s no baseball, Houston Rockets no basquete e Hoffenhein na Bundesliga). Com o uso de análise de dados, conseguiram resultados espetaculares, porém não conseguiram o prêmio máximo de se tornarem campeões em suas ligas.

Essa é uma comprovação de que Data Analytics tem que ser parte de uma estratégia de gestão no esporte e precisa ser combinada ao talento, experiência prática e intuição de gestores para construir equipes campeãs.

Sigo agora na minha jornada por combinar meu gosto pelos esportes com a curiosidade quanto ao uso de Data Analytics. Se você gostou desse artigo e quiser compartilhar e discutir histórias como essas, encontrará aqui um interlocutor muito interessado!