Tomada de decisão na contratação de jogadores de futebol utilizando multicritério

Abstract

A presente investigação tem como objetivo desenvolver um modelo de apoio à tomada de decisão, em gestão desportiva num contexto para a contratação de jogadores de futebol profissional, com base numa abordagem multicritério. Neste contexto, é proposta uma abordagem integrada que combina métodos estatísticos tradicionais com técnicas de Machine Learning, utilizando uma base de dados bastante extensa de dados do FIFA 23. Num contexto caracterizado por uma elevada incerteza e grande impacto financeiro, pretende-se estruturar a avaliação dos jogadores de forma mais objetiva e mais fundamentada, considerando as especificidades para cada posição em campo. Numa primeira fase, foi realizada uma análise exploratória e estatística, incluindo modelos de regressão linear múltipla com o intuito de identificar relações entre os critérios de desempenho dos jogadores para cada posição. Posteriormente, foi aplicada uma abordagem de Machine Learning utilizando técnicas de Random Forest e Redes Neuronais Artificiais de forma a estimar o potencial dos jogadores e o seu valor de mercado, permitindo capturar relações não lineares e aumentar a capacidade preditiva dos modelos. De forma a garantir um maior rigor metodológico, os critérios analisados foram previamente selecionados com base na sua relevância média por posição, o que permitiu que apenas as variáveis consideradas significativas fossem incluídas, de modo a não acrescentar ruído na modelação. Esta abordagem permitiu focar a análise na importância relativa dos critérios dentro de cada grupo posicional aqui estudado, Guarda Redes, Defesas, Médios e Avançados. Adicionalmente, utilizou-se técnicas de clustering para identificar diferentes padrões com base nos seus critérios, possibilitando uma segmentação complementar. De forma a aumentar a interpretação dos resultados obtidos pelas técnicas de RF e RNA, foi utilizada a metodologia de SHAP, permitindo avaliar o contributo individual dos diferentes critérios e validar a consistência dos resultados obtidos. Ainda sobre estes dois modelos, observou-se uma elevada consistência nos resultados estimados, reforçando a robustez dos resultados obtidos. A integração de SHAP permitiu não só validar os resultados, mas também visualizar e identificar padrões menos evidentes, demonstrando a importância de uma abordagem multicritério na avaliação de jogadores. Do ponto de vista prático, o modelo desenvolvido constitui uma ferramenta de apoio à decisão no contexto de avaliação dos jogadores, contribuindo para uma avaliação mais estruturada e fundamentada. Do ponto de vista académico, esta investigação destaca-se pela integração de técnicas de Machine Learning, constituindo um contributo relevante para a literatura na área da gestão desportiva. Por fim, pode-se concluir que o desempenho dos jogadores de futebol não depende de um único fator, mas sim da interação de diversos critérios, sendo fundamental a adoção de abordagens multicritério para obter uma decisão mais fundamentada na decisão.

The objective of this research is to develop a decision-support model for sports management in the context of signing professional soccer players, based on a multi-criteria strategy. In this context, an integrated approach that combines traditional statistical methods with machine learning techniques is proposed, utilizing a comprehensive database obtained from FIFA 23. In an environment described by high uncertainty where every decision has a significant financial impact, the goal is to structure player evaluations in a more objective and well-founded manner, taking into account the specific characteristics of each position on the field. In the first phase, an exploratory and statistical analysis was conducted – including multiple linear regression models – with the aim of identifying relationships among player performance criteria for each position. Subsequently, a machine learning approach was applied using Random Forest and Artificial Neural Network techniques to estimate players’ potential and market value, enabling the capture of nonlinear relationships and enhancing the models’ predictive power. To ensure greater methodological rigor, the analysed criteria were first selected based on their average relevance by position, which allowed only the variables deemed significant to be included, so as not to introduce noise into the modelling. This procedure let the research focus on the relative importance of the criteria within each positional group studied here: Goalkeepers, Defenders, Midfielders, and Forwards. Additionally, clustering techniques were used to identify different patterns based on these criteria, enabling further segmentation. To enhance the interpretation of the results obtained through RF and RNA techniques, the SHAP methodology was employed, allowing for the evaluation of the individual contribution of the different criteria and the validation of the consistency of the results obtained. Regarding these two models, a high degree of consistency was observed in the estimated results, reinforcing the robustness of the findings. The integration of SHAP allowed not only for the validation of the results but also enabled the visualization and identification of less obvious patterns, demonstrating the importance of a multi-criteria approach in player evaluation. From a practical standpoint, the developed model serves as a decision-support tool in the context of player evaluation, contributing to a more structured and well-founded assessment. From an academic standpoint, this research stands out for its integration of machine learning techniques, constituting a significant contribution to the literature in the field of sports management. Finally, it can be concluded that the performance of soccer players does not depend on a single factor, but rather on the interaction of various indicators, making the adoption of multi-criteria approaches essential for reaching a more well-founded decision.