Título
[pt] RECOMENDAÇÃO DE CONTRATAÇÃO DE JOGADORES PARA TIMES DE FUTEBOL: UMA ABORDAGEM DATA-DRIVEN
Título
[en] RECOMMENDING PLAYER SIGNINGS TO FOOTBALL TEAMS: A DATA-DRIVEN OPTIMIZATION APPROACH
Autor
[pt] PEDRO MEDEIROS HAMACHER
Vocabulário
[pt] PROGRAMACAO INTEIRA
Vocabulário
[pt] MONTAGEM DE ELENCO
Vocabulário
[pt] DECISOES VOLTADAS A DADOS
Vocabulário
[pt] DATA ANALYTICS PARA ESPORTES
Vocabulário
[en] INTER LINEAR PROGRAMMIN
Vocabulário
[en] ROSTER BUILDING
Vocabulário
[en] DATA DECISION DRIVING
Vocabulário
[en] DATA ANALYTICS FOR SPORTS
Resumo
[pt] Times de futebol gastam bilhões de dólares anualmente na contratação de novos jogadores
para melhorar seu elenco e endereçar pontos fracos. Apesar de possuírem estatísticas
completas de jogadores de vários países, muitos times não utilizam esses dados em toda sua
capacidade para identificação de potenciais novas contratações. Visando preencher essa
lacuna, este trabalho apresenta modelos que visam sugerir quais jogadores devem ser
comprados e vendidos para atender as necessidades particulares de cada time, formar um
elenco adequado e ganhar vantagem competitiva. Um modelo estocástico de dois estágios de
Programação Inteira Linear Mista é apresentado para otimizar as escolhas de montagem de
elenco de uma equipe considerando seu orçamento, atributos desejados e ausências ao longo
da temporada devido a lesões ou suspensões. Ainda é sugerido um framework de ciência de
dados para coletar, tratar e imputar dados reais para construir um modelo data-driven. O
framework é aplicado em dados reais das principais ligas e alguns estudos de caso são
apresentados para demonstrar os resultados do modelo e as sugestões de elenco.
Resumo
[en] Football teams spend billions of dollars yearly signing new players to improve their squad and
to fill identified areas of need. Despite having available complete statistics from players all
around the globe, teams often do not use this data at its total capacity to identify potential
signings. Looking to fill this void, this work presents models intended to suggest to teams
which players should they buy and sell to fulfill their specific needs, adequately assemble the
roster and gain a competitive edge. A stochastic two-stage Mixed Integer Linear
Programming model is presented to optimize a team’s roster choices considering their budget,
desired attributes and absences throughout the season due to injury or suspensions. A data-science framework is also proposed for data collection and treatment to input it into a data-driven model. The framework is applied to real-world data from top leagues and some case
studies are presented in order to showcase its results and roster suggestions.
Orientador(es)
SILVIO HAMACHER
Catalogação
2024-01-11
Tipo
[pt] TEXTO
Formato
application/pdf
Idioma(s)
INGLÊS
Referência [pt]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65859@1
Referência [en]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65859@2
Referência DOI
https://doi.org/10.17771/PUCRio.acad.65859
Arquivos do conteúdo
NA ÍNTEGRA PDF