Da Análise à Ação: como a Ciência de Dados levou Arne Slot ao Liverpool

Do planejamento à execução, o que a sucessão de Klopp revela sobre decisões estratégicas e resultados

Vivemos na era dos algoritmos invisíveis. Da playlist que você escuta ao preço do seu seguro de carro, a Ciência de Dados molda decisões cotidianas, muitas vezes sem que a gente perceba. Empresas usam modelos preditivos para antecipar tendências de consumo, governos aplicam análise espacial para otimizar políticas públicas, e até agricultores monitoram plantações com sensores e imagens de satélite. O que essas aplicações têm em comum? Todas transformam dados brutos em vantagem competitiva.

No esporte, essa revolução chegou para ficar e reescrever as regras do jogo.

O futebol sempre foi guiado pela emoção. Das arquibancadas aos vestiários, decisões tomadas “no calor do momento” viram lendas ou fracassos memoráveis. Mas por trás disso, um novo idioma emerge: o dos números. Se antes um técnico era julgado por sua “leitura de jogo” intuitiva, hoje sistemas capturam milhares de dados a cada partida. A provocação que fica é: como equilibrar a emoção que torna o esporte único com a precisão que pode torná-lo ainda melhor?

Há décadas, os clubes usam estatísticas para recrutar talentos. Antes, scouts analisavam cadernos cheios de números de gols e assistências; hoje, plataformas monitoram até o ângulo de corrida de um atacante. No mercado de transferências, modelos que analisam as melhores opções já não são mais vanguardistas. Mas a fronteira final dessa revolução não está nos jogadores, mas sim na comissão técnica.

A escolha de treinadores, antes dominada por indicações ou preferências pessoais de cartolas, agora passa pelo crivo de algoritmos que avaliam desde padrões táticos e técnicos até compatibilidade psicológica com o elenco.

Se te contassem que o novo técnico do Liverpool foi escolhido com a ajuda de um doutor em física formado em Harvard, você pensaria em três coisas: que é mentira, que isso é coisa de filme, ou que a Premier League virou TCC de estatística.

Mas é verdade. Arne Slot não caiu de paraquedas em Anfield. Ele foi escolhido depois que um algoritmo, e muita análise humana, indicou que, entre todas as opções possíveis, ele era o “match perfeito” para manter as engrenagens do Liverpool rodando após a era Klopp.

Jürgen Klopp se emociona em festa de despedida do Liverpool — Foto: Reprodução/Facebook

Substituir Jürgen Klopp não era só uma decisão técnica, era um desafio emocional, quase simbólico. O alemão não foi apenas um treinador: virou ídolo, arquiteto de uma era e a personificação do renascimento do Liverpool. Sob seu comando, o clube conquistou a Champions League em 2018–19 com um dos elencos mais coesos e vibrantes da história recente do futebol europeu.

Na temporada seguinte, encerrou um jejum de 30 anos e levou, enfim, a tão sonhada Premier League, o primeiro título inglês do clube na era moderna do campeonato. E mesmo nos anos em que o troféu escapou, o desempenho foi de alto nível: em duas ocasiões, o Liverpool fez mais de 90 pontos e terminou como vice, superado apenas pelo Manchester City de Pep Guardiola, que também flertava com a perfeição.

Klopp não apenas entregou resultados, mas criou uma identidade e preencher esse vácuo era uma missão que exigia mais do que feeling ou tradição. Exigia dados.

A busca pelo sucessor começou muito antes da última entrevista coletiva do alemão. Nos bastidores de Anfield, a equipe de dados do Liverpool já rodava modelos, cruzava estatísticas e construía perfis completos de potenciais treinadores. E não eram apenas números de aproveitamento ou esquemas táticos preferidos. A análise se aprofundava, investigava padrões de liderança, histórico de adaptação a elencos com faixa etária semelhante, compatibilidade com a cultura do clube e até métricas mais sofisticadas, como a intensidade média de pressão após perda da posse, uma estatística que mede a reação do time ao perder a bola e que se tornou símbolo do “gegenpressing” de Klopp.

E por falar em Klopp, entender o que o Liverpool procurava passa por entender o que ele construiu. Em um cenário onde gigantes como Manchester City e Arsenal pregam o “controle total do jogo”, reduzindo riscos a cada passe, o Liverpool adotou uma filosofia oposta, baseada em um “caos controlado”. Klopp e sua comissão técnica decidiram que o melhor caminho para vencer no longo prazo era correr riscos calculados: permitir contra-ataques, acelerar o ritmo do jogo e confiar que seus atacantes e defensores seriam melhores, lance a lance, que os dos adversários.

Essa abordagem se reflete nos números. O Liverpool, até a última temporada do alemão, era um dos times mais agressivos da Premier League, tanto com a bola quanto sem ela. Seus jogos tinham, em média, 94 posses por partida, com adversários completando apenas 77% dos passes. Em média, o time avançava com a bola a 1,26 metros por segundo, e seus passes percorriam 17,1 metros. Ou seja, nada de posse estéril, o objetivo era ser direto, incisivo e vertical.

Agora, adivinha quem mais jogava assim? O então Feyenoord de Arne Slot.

A semelhança entre os dois estilos é quase cirúrgica, e certamente não é coincidência. Nos jogos do Feyenoord, a média sobe para 96 posses por partida. Os adversários completavam ainda menos passes: 74%. O passe médio? 17,2 metros. E a velocidade média de progressão da bola ao ataque? Impressionantes 1,33 metros por segundo, acima até do Liverpool.

É aí que a Ciência de Dados entra de forma decisiva. William Spearman, doutor em Física por Harvard e Cientista-Chefe do Liverpool, liderou um verdadeiro experimento científico ao definir um objetivo (substituir Klopp mantendo identidade e desempenho), escolher variáveis relevantes (estilo tático, intensidade, adaptabilidade) e cruzar tudo com os dados disponíveis.

É o que todo cientista de dados faz: define um objetivo, escolhe variáveis (features), alimenta modelos com dados históricos e testa os cenários mais promissores. No Liverpool, tudo isso foi processado e traduzido por modelos de Machine Learning, com o suporte fundamental de quem entende de futebol. Afinal, não adianta identificar um padrão se você não sabe o que significa subir a linha de defesa ou travar uma jogada com cobertura em bloco médio. Esse é o tipo de trabalho que só se sustenta quando o domínio técnico e o conhecimento do negócio andam juntos.

Para tornar tudo isso mais concreto, simulamos abaixo um exemplo prático de como a Ciência de Dados pode ser aplicada no processo de escolha de um treinador, utilizando a linguagem de programação R. A ideia é simples: transformar treinadores em dados e dados em decisões estratégicas.

No experimento, simulamos o processo inicial de uma metodologia de análise de dados. Para tal, foi criada uma base fictícia com 50 técnicos, cada um descrito por variáveis como número de vitórias, posse de bola, gols marcados, intensidade ofensiva, entre outros indicadores táticos e de desempenho.

# número de treinadores
n <- 50

# dados simulados
dados <- data.frame(
  Treinador = paste("Treinador", 1:n),
  Vitorias = round(rnorm(n, mean = 50, sd = 15), 0),
  Derrotas = round(rnorm(n, mean = 25, sd = 15), 0),
  Empates = round(rnorm(n, mean = 30, sd = 10), 0),
  Gols_Marcados = round(rnorm(n, mean = 80, sd = 30), 0),
  Gols_Sofridos = round(rnorm(n, mean = 40, sd = 20), 0),
  Posse_Bola = round(rnorm(n, mean = 55, sd = 20), 2),
  Chances_Criadas = round(rnorm(n, mean = 25, sd = 10), 0),
  Finalizacoes = round(rnorm(n, mean = 25, sd = 15), 0),
  Passes_Certos = round(rnorm(n, mean = 350, sd = 150), 0),
  Tempo_Carreira = round(rnorm(n, mean = 5, sd = 3), 1)
)

A partir desse conjunto, aplicamos um modelo de Machine Learning não supervisionado chamado K-means, uma técnica de agrupamento bastante utilizada na Ciência de Dados para identificar padrões em grandes volumes de dados. Diferente de modelos preditivos tradicionais, que dependem de uma variável-alvo, o K-means busca estruturar os dados em grupos (clusters) com alta similaridade interna e diferenciação externa.

Em termos práticos, funciona como um grande “scout digital”, técnicos com estilos parecidos acabam agrupados: uns priorizam a posse de bola, outros são mais verticais; alguns constroem elencos sólidos defensivamente, outros apostam no ataque avassalador. Esses padrões, nem sempre visíveis a olho nu, aparecem com clareza após a clusterização. É a estatística ajudando a traduzir a filosofia tática em dados acionáveis.

Nesse caso, o algoritmo separou os 50 treinadores em três grupos distintos: o Cluster 1 com 16 técnicos, o Cluster 2 com 20 e o Cluster 3 com 14, cada um com características médias distintas.

Dados Simulados | Elaboração Própria

Mais do que classificar, essa técnica orienta decisões. Um clube que deseja manter o estilo tático atual, por exemplo, pode focar sua busca entre técnicos do mesmo cluster do antigo treinador. Já um time em reconstrução pode mirar profissionais com perfil contrastante, explorando oportunidades que o mercado tradicional talvez ignore. Foi exatamente isso que o Liverpool fez: ao analisar os dados de Arne Slot, descobriram um técnico com abordagem tática e intensidade de jogo compatíveis com o esquema de jogo montado por Klopp.

Para ilustrar os resultados do modelo, começamos com um gráfico de dispersão entre posse de bola e chances criadas por partida. Essa visualização permite identificar como diferentes clusters de treinadores equilibram o controle do jogo com a agressividade ofensiva:

Dados Simulados | Elaboração Própria

Em seguida, analisamos a distribuição estatística dessas mesmas variáveis por cluster. Esse gráfico ajuda a entender não apenas os valores médios, mas também a variação interna entre os técnicos de cada grupo:

Dados Simulados | Elaboração Própria

Ao observar os graficos acima, percebe-se que os treinadores do Cluster 1 priorizam o controle da posse de bola, ainda que isso não se converta, necessariamente, em um número elevado de chances de gol. Em contraste, os técnicos do Cluster 3 adotam uma abordagem mais direta, criam mais oportunidades ofensivas mesmo com menor tempo de posse, sugerindo um estilo de jogo objetivo e agressivo. Já os profissionais agrupados no Cluster 2 apresentam um perfil intermediário, mantendo um equilíbrio entre domínio da bola e geração de chances, uma estratégia que busca combinar segurança e eficiência ofensiva.

Por fim, apresentamos um gráfico de radar para sintetizar os principais atributos táticos médios de cada cluster. Essa representação facilita a leitura comparativa dos perfis estratégicos, funcionando como um “raio-x” do estilo tático predominante entre os técnicos simulados:

Dados Simulados | Elaboração Própria

Esse tipo de análise, mesmo em um exemplo simplificado, revela a força da Ciência de Dados no contexto do futebol moderno.

O novo treinador dos Reds foi uma escolha estratégica, fundamentada em dados e visão de longo prazo. E por que essa história importa? Porque ela desmonta o mito de que a Ciência de Dados é território exclusivo de setores óbvios como finanças ou marketing. Quando o Liverpool confirmou, no último domingo (27), o título da Premier League com quatro rodadas de antecedência, logo na primeira temporada sob o comando de Arne Slot, uma mensagem ficou clara: modelos não substituem técnicos. Mas podem ser decisivos para encontrar os que estão prontos para fazer história.

Mohamed Salah e elenco do Liverpool - Foto: Reprodução/Facebook

Mais do que uma curiosidade do mundo esportivo, essa trajetória revela uma lição universal. A Ciência de Dados não anula a intuição nem elimina o risco, ela organiza os ruídos, amplia horizontes e orienta decisões complexas com mais inteligência. Seja na formulação de políticas públicas, no combate à inadimplência ou na sucessão de um técnico lendário. Os dados não prometem milagres, mas oferecem algo cada vez mais raro: clareza em meio à incerteza.