Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40248| Título: | O impacto do desempenho no valor de mercado dos jogadores de futebol: uma abordagem em data science |
| Título(s) alternativo(s): | The impact of performance on the market value of football players: a data science approach |
| Autor(es): | Baricelo, Bruno Garcia |
| Orientador(es): | Pereira Junior, Francisco |
| Palavras-chave: | Aprendizado do computador Futebol Modelo de precificação de ativos Machine learning Soccer Capital assets pricing model |
| Data do documento: | 24-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | BARICELO, Bruno Garcia. O impacto do desempenho no valor de mercado dos jogadores de futebol: uma abordagem em data science. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2025. |
| Resumo: | Este trabalho desenvolveu um sistema de precificação de jogadores de futebol utilizando técnicas de aprendizado de máquina, com o objetivo de oferecer uma abordagem mais objetiva e precisa para estimar o valor de mercado dos atletas. A pesquisa justificou-se pela necessidade de superar os métodos subjetivos tradicionais empregados nas negociações esportivas e pela relevância econômica do setor, que movimenta bilhões de dólares anualmente. O principal foco foi a análise e comparação de modelos de regressão, especificamente Regressão Linear, Random Forest e XGBoost, que foram aplicados a um conjunto de dados públicos de transferências de jogadores. A metodologia CRISP-DM orientou todas as etapas do projeto, desde o entendimento do negócio e a preparação dos dados até a modelagem e a avaliação dos resultados. As análises incluíram a aplicação rigorosa de métricas estatísticas, como R2, MAE e RMSE, além de validação cruzada para assegurar a robustez e a capacidade de generalização dos modelos. Os resultados demonstraram o potencial preditivo desses algoritmos no contexto esportivo, sendo o modelo de Regressão Linear o melhor, alcançando um coeficiente de determinação R2 de 0.8634 e uma Raiz do Erro Quadrático Médio (RMSE) de 0.4774. Tais métricas fornecem uma base sólida para a tomada de decisões e validam a aplicação da ciência de dados na mensuração de valor no mercado do futebol. |
| Abstract: | This study developed a player valuation system using machine learning techniques, aiming to provide a more objective and accurate approach to estimating the market value of football players. The research was justified by the need to overcome the traditional subjective methods used in sports negotiations and by the economic relevance of the sector, which moves billions of dollars annually. The focus was the analysis and comparison of regression models, specifically Linear Regression, Random Forest, and XGBoost, applied to a public dataset of player transfers. The CRISP-DM methodology guided all stages of the project, from business understanding and data preparation to modeling and evaluation of the results. The analyses included the rigorous application of statistical metrics such as R2, MAE, and RMSE, as well as cross-validation to ensure the robustness and generalization capacity of the models. The results demonstrated the predictive potential of these algorithms in the sports context, with the Linear Regression model emerging as the winner, achieving a coefficient of determination R2 of 0.8634 and a Root Mean Square Error (RMSE) of 0.4774. These metrics provide a solid foundation for decision-making and validate the application of data science in measuring value within the football market. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40248 |
| Aparece nas coleções: | CP - Engenharia da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| valormercadodatascience.pdf | 2,13 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
