Antes do Silêncio, o Caos
Era o minuto 78 do City x Liverpool na temporada 2018/19. Klopp gesticulava à beira do campo, pedindo pressão alta. Salah recebeu na direita, com espaço para cruzar. O xG do lance, calculado por modelos tradicionais, era de uns modestos 0,08. Nada alarmante. Mas, num vestiário qualquer, um analista de dados que trabalhou com o City me contou uma história diferente: ‘Todo mundo olha para o chute. Nós olhamos para o que impede o chute. O que o Guardiola fez com os zagueiros naquela jogada foi digno de um código de trânsito. Eles não pularam. Eles não deslizaram. Eles apenas ocuparam o espaço, como se estivessem guiando o Salah para uma avenida sem saída. O chute saiu, fraco, defendido. xG zero vírgula zero oito. Mas a defesa? Ela valeu uns 0,5 só de inteligência posicional’. Aquela conversa me fez repensar tudo o que eu sabia sobre estatística no futebol.
A revolução do Big Data no futebol nos deu modelos de Poisson, Expected Goals (xG), Expected Assists (xA). Ferramentas lindas, precisas, mas que ainda são míopes. Elas enxergam ações, eventos: chutes, passes, dribles. Mas e a não-ação? E a ocupação de espaço que impede um passe? E a pressão que, sem roubar a bola, faz o atacante errar o domínio? Nos últimos dez anos, o futebol de elite descobriu que o jogo invisível — o das movimentações sem bola, das zonas de pressão, do gasto energético programado — é onde as partidas são, de fato, vencidas ou perdidas. E ninguém corporificou isso melhor do que Pep Guardiola, com sua obsessão quase fisiológica pela posse de posição.
O Paradoxo da Defesa por Zona: Menos Ação, Mais Controle
Em 2014, o Bayern de Munique enfrentou o Real Madrid numa semifinal de Champions. O time de Guardiola teve 72% de posse de bola, mas perdeu por 0x1 na ida e 0x4 na volta. A imprensa crucificou o ‘tiki-taka sem profundidade’. Só que os números de desgaste físico contavam outra história. Os jogadores do Bayern correram, em média, 2 km a menos por partida que os do Real. Como assim? Porque Guardiola trocou correr atrás da bola por se posicionar antes dela. A defesa por zona dele não era reativa; era preemptiva. Cada jogador sabia exatamente qual metro quadrado do campo ocupar quando a bola estava em tal setor. O gasto energético era minimizado. O time lutava menos, mas controlava mais.
Hoje, com modelos de ‘Pressão por Minuto de Posse’ ou ‘Distância Coberta com Intensidade’, sabemos que os times de Guardiola são anomalias. Enquanto a média da Premier League é de 10 km por jogador por partida, o City de 2022/23 ficava em 9,2 km. Parece pouco, mas essa economia de 800 metros por jogo, ao longo de 50 partidas, é uma maratona a menos de desgaste. A ciência do treinamento chama isso de ‘automação de padrões espaçotemporais’. O analista vê a bola; o cientista vê o metabolismo.
A Fisiológica do ‘Pressing’: Como o Jogo Mudou o Corpo do Atleta
Em 2017, o Liverpool de Klopp chocou o mundo com o ‘gegenpressing’. Mas a evolução fisiológica dos atletas modernos é a verdadeira história. Nos anos 1990, um volante corria 8 km por jogo. Hoje, um meia como Jude Bellingham pode correr 11,5 km, com 40 sprints de alta intensidade. Isso não é só treino; é seleção genética e periodização tática. Os modelos de ‘Potência Aeróbica Média’ e ‘Lactato Tolerável’ viraram comuns nos departamentos científicos. O dado mais brutal? Em 2002, a Copa do Mundo teve 2.500 sprints por partida. Em 2022, foram 4.100. O corpo do atleta se adaptou, mas a tática também.
E aí entra a ‘eficiência de sprint’. Analistas como eu, velhos de guerra, lembram de quando um drible desnecessário ou um chute de fora da área era visto como ‘ousadia’. Hoje, modelos estatísticos calculam o ‘custo energético’ de cada ação. Um chute de 30 metros? Se a probabilidade de gol é 2%, mas o sprint para chegar naquela posição custou 0,5 de lactato, o modelo diz: não vale. É a psicofísica do futebol. A estatística avançada não mede só o que acontece; mede o que deveria acontecer com base no desgaste.
O Ruído Estatístico e a Beleza do Erro Humano
Dito isso, sou suspeito. Fui criado na escola da crônica onde um gol de placa vale mais que dez xGs bonitos. O Big Data é ferramenta, não dogma. Lembro de um jogo do Leicester campeão em 2016. Claudio Ranieri usou um sistema de contragolpe que, nos números, era um horror: posse baixa, passes errados, xG miserável. Mas eles venciam. Por quê? Porque a ‘taxa de conversão de chances claras’ deles era absurda — isso os modelos capturam. Mas o que os modelos não capturam é a alma de um time que aceita o sofrimento físico de correr atrás da bola o jogo inteiro, sabendo que no terço final vai ter um Vardy letal. A ciência explica a eficiência; a crônica explica a emoção.
Hoje, clubes como Brentford, Brighton e o próprio City usam modelos de Machine Learning para prever ‘zonas de perigo’ no campo. Eles treinam com sensores GPS que medem aceleração, desaceleração, impacto. Há quem critique dizendo que o futebol virou xadrez de números. Discordo. O futebol sempre foi ciência. O que mudou foi a precisão da régua. E, no meio disso, o que me fascina é ver como, mesmo com todo o dado do mundo, um jogador como Messi ou De Bruyne ainda quebra o algoritmo. Eles geram ‘outliers’ que nenhum modelo prevê. Aí, amigo, a estatística se cala. A arte fala.
No fim, a revolução do Big Data nos ensinou a enxergar o jogo que não vemos. Mas, se você me perguntar o que realmente importa, eu digo: é a inteligência de quem sabe quando agir — e, mais ainda, quando não agir. O silêncio antes do gol. O movimento que não acontece. A zona ocupada que elimina o passe. Isso é o futebol invisível. E é aí que a estatística encontra a poesia.
— Um sussurro no vestiário do Etihad: ‘Pep sabe que o melhor movimento é o que nunca é feito’.