Sabitlenmiş Tweet
Boas, apesar de ser um exercício que contempla subjectividade, aqui não se manipulam dados para dar o que mais convém.
O InvaderStats 👾 é um modelo desenvolvido em Python que utiliza técnicas de machine learning e análise estatística para avaliar futebolistas de forma contextualizada. A base são mais de 100 métricas por atleta, recolhidas via Wyscout, que passam por um processo de normalização para garantir comparabilidade entre ligas e contextos competitivos distintos.
Depois de algum feature engineering, em que métricas brutas são combinadas para gerar indicadores mais representativos de cada função em campo, o modelo aplica algoritmos de clustering para identificar padrões de perfil e agrupar os atletas por posição, evitando comparações pouco razoáveis, como colocar um 6 destruidor lado a lado com um extremo goleador.
A avaliação de cada cluster é feita através de um sistema de notas de 1 a 10, com ponderações dinâmicas inspiradas em sistemas como a Bota de Ouro e Soccer Power Index. Estas ponderações corrigem distorções comuns: jogadores de ligas menos competitivas não são indevidamente beneficiados, métricas ofensivas de atletas em equipas dominantes em posse são recalibradas, e métricas defensivas de jogadores em equipas mais recuadas sofrem ajuste inverso.
O modelo não olha apenas para um retrato isolado da época atual. Os resultados passados, tanto métricas históricas como as próprias pontuações já atribuídas, são integrados de forma ponderada no cálculo, permitindo valorizar consistência e reduzir o peso de épocas pontuais ou outliers. Significando que dois jogadores com métricas semelhantes no presente podem ter notas distintas se um deles apresentar histórico comprovado de rendimento ao longo de várias temporadas.
O diferencial aqui está na personalização: cada iteração é construída à medida do modelo de jogo de uma equipa específica, valorizando as características que mais se alinham com a sua forma de jogar, e isto sim pode ser discutível já que é subjectivo.
Isto torna o modelo intencionalmente não escalável mas, na óptica do Invader 👾, mais interessante na aplicação prática.
Ou seja, não é puramente descritivo. Aprende com padrões históricos, ajusta-se ao contexto competitivo e é complementado pelo eye test (quando existem recomendações) que ajuda a interpretar resultados e validar a viabilidade prática das sugestões (mercado, custo, perfil, etc).
Este é apenas um resumo simplificado, o modelo completo integra camadas adicionais de cálculo e ajuste que não são aqui detalhadas.
TL;DR o InvaderStats 👾 não é uma folha de Excel com números aletórios, é um pipeline de dados que combina estatística, machine learning e análise, pensado para responder à pergunta-chave:
“Como é que este jogador se encaixa nesta equipa, neste modelo de jogo?” ✌️
Português
