Visão computacional e tracking data: como a IA passou a enxergar o futebol

Durante quase duas décadas, a “matéria-prima” da análise de futebol foi o dado de evento: um passe registrado, um chute, um desarme, cada um com um resultado (certo/errado, gol/perdido) e, no máximo, uma coordenada de origem e destino. É a partir desse tipo de dado que nascem métricas como o xG e o PPDA. Só que existe uma camada inteira de informação que o dado de evento não captura: tudo o que acontece entre os eventos — o posicionamento, o movimento, a decisão de correr para um espaço vazio sem nunca tocar na bola. É aí que entra o tracking data.

O que é tracking data

Tracking data, ou “dados de rastreamento posicional”, são as coordenadas (x, y) de todos os 22 jogadores em campo e da bola, capturadas de forma contínua — normalmente entre 10 e 50 vezes por segundo, dependendo do sistema. Em vez de um punhado de eventos discretos por partida (uma equipe costuma ter algo entre 700 e 1.000 ações registradas em 90 minutos), o tracking data gera centenas de milhares de pontos de dado no mesmo período.

Essa mudança de escala é qualitativa, não só quantitativa: com posição contínua de todos os jogadores, é possível medir coisas que simplesmente não existem no dado de evento — linhas de pressão, compactação do bloco defensivo, espaço disponível antes de um passe ser dado, e o valor gerado por um jogador que nunca encostou na bola. Veja mais no verbete Tracking Data.

Como a visão computacional captura esses dados

A forma mais comum de gerar tracking data hoje é através de sistemas óticos multi-câmera instalados nos estádios — arranjos de câmeras fixas, calibradas para cobrir o campo inteiro, que usam visão computacional para identificar e seguir cada jogador quadro a quadro.

Um exemplo concreto e recente: o sistema de rastreamento ótico usado na Copa do Mundo de 2026 combina 16 câmeras instaladas sob o teto dos estádios, capazes de captar 29 pontos do corpo de cada jogador, até 50 vezes por segundo. Esse nível de detalhe (não só “onde está o jogador”, mas a postura exata do corpo) é o que viabiliza tecnologias como o impedimento semiautomático — que, no mesmo torneio, passou a usar avatares 3D gerados a partir de um escaneamento corporal de cada um dos 1.248 jogadores das 48 seleções, em vez dos bonecos genéricos usados até então.

A própria bola virou fonte de dado: modelos recentes carregam um chip com sensor de movimento a 500 Hz, transmitindo posição, rotação e até o impacto da chuteira em tempo real.

O que dá para medir com tracking data que o dado de evento não mostra

• Velocidade e distância percorrida — sprints, desacelerações, carga física acumulada ao longo do jogo.
• Compactação e forma tática — o quão junto (ou espalhado) um time se mantém coletivamente, quadro a quadro, e como essa forma muda entre fases de posse e de pressão.
• Espaço e progressão — quanto espaço um jogador tinha disponível no momento de receber a bola, e o quanto uma condução ou passe reduziu a distância até o gol adversário (a base de modelos como o xT, quando combinados com dados posicionais).
• Movimentação sem bola — desmarques, coberturas, bloqueios de linha de passe: ações que só aparecem em vídeo, mas que tracking data transforma em número.

Wearables e dados biométricos

Paralelamente à visão computacional, cresce o uso de wearables — coletes com GPS e acelerômetro usados em treino (e, em algumas competições, também em jogo) — para monitorar carga física, frequência cardíaca e sinais de fadiga. Comissões técnicas usam esses dados para antecipar risco de lesão e embasar decisões de substituição, criando uma ponte entre o departamento de dados e o departamento médico que praticamente não existia há uma década.

Os limites de tudo isso

Vale um contraponto: tracking data de qualidade profissional ainda é caro e proprietário. A maior parte dos clubes com acesso a esse tipo de dado depende de contratos com poucos fornecedores especializados, o que concentra a vantagem competitiva em quem tem orçamento para pagar por ela. Há também questões abertas sobre privacidade e uso de dados biométricos dos atletas, e o simples volume de dados gerado exige capacidade de processamento e times de análise dedicados — não basta “ter o dado”, é preciso saber extrair sinal dele.

Ainda assim, a tendência é de democratização gradual: conforme sistemas de rastreamento se tornam padrão em competições grandes (como aconteceu na Copa do Mundo de 2026) e o custo de processamento cai, esse tipo de dado deve deixar de ser exclusividade de clubes de elite.

Para continuar explorando

Escrevemos sobre como esse tipo de dado alimenta modelos de valor posicional no artigo Expected Threat (xT): a métrica que veio depois do xG, e sobre como machine learning entra na ponta de identificação de talentos em Machine Learning no scouting. Para acompanhar dados reais de campeonatos atualizados todo dia, visite nossos dashboards.