Menu
< VOLTAR AOS ESTUDOS DE CASO

Estatísticas simples para vencer: A equipe de futebol da Georgia Tech usa dados para identificar os melhores recrutados

Em 2011, o filme Moneyball mostrou como o Oakland Athletics usou o poder da estatística para montar e gerenciar uma equipe vencedora de baseball. O filme renovou o interesse público sobre o papel dos dados nos esportes, mas em eventos que vão desde os Jogos Olímpicos a corridas de automóveis, técnicos e treinadores experientes contam com as análises a décadas.

Tanto equipes de futebol profissionais quanto universitárias usam a estatística para analisar seus concorrentes, prever desempenho, avaliar o impacto do treinamento e até mesmo medir como a dieta e sono afetam os jogadores antes de um grande jogo. Agora, a equipe técnica da Georgia Tech Yellow Jackets está usando análise estatística para identificar e recrutar potenciais running backs para sua equipe, além de avaliar o desempenho dos jogadores atuais e determinar os atributos dos jogadores que levam ao sucesso. Para analisar seus dados, o programa de futebol da Georgia Tech conta com o Minitab Statistical Software.

O Desafio

As equipes de futebol reúnem uma grande quantidade de informações sobre possíveis recrutados, incluindo frequentemente filmes com melhores momentos, estatísticas gerais como altura, peso e capacidades de supino, além de pontuações de habilidade do atleta, baseando-se em seu desempenho em eventos chamados de "combines". "Combines" são organizados regionalmente por colégios ou faculdades para testar possíveis jogadores em habilidades como arrancada, salto e levantamento, que podem dar informações às equipes de futebol sobre a agilidade, rapidez e força dos jogadores, e permitir que elas estimem o potencial de um jogador no campo.

Lamar Owens, técnico dos running backs da equipe de futebol Georgia Tech Yellow, usa o Minitab Statistical Software para analisar dados sobre candidatos a running backs, ajudando-o a reduzir centenas de possíveis jogadores àqueles com atributos adequados ao estilo de jogo de sua equipe. Crédito da foto: Danny Karnik

Lamar Owens, técnico dos running backs da Georgia Tech, procura recrutar o melhor novo talento para sua equipe a cada ano, mas ele descobriu que peneirar centenas de possíveis running backs em colégios gastava muito tempo e era ineficaz. Vasculhar os vídeos de melhores momentos e combinar as estatísticas de cada candidato era desafiador e considerar as opiniões e avaliações de vários técnicos tornava ainda mais difícil tomar decisões objetivas sobre possíveis running backs.

Mas Owens, um black belt Six Sigma treinado, sempre esteve interessado em melhoria contínua e enxergou uma oportunidade para aplicar táticas de Six Sigma para analisar e melhorar seus processos de recrutamento. "Fique interessado em Six Sigma, pois adoro como o direcionamento por dados pode ser aplicado a maneira de operar no futebol", diz Owens. "Reduzir o escopo de centenas de potenciais candidatos a alguns poderia ser mais fácil se pudéssemos analisar todos os dados de nossos jogadores e candidatos e conseguir identificar os atributos que compõem os melhores running backs de nossa equipe".

Sem limitação de dados em mãos, Owens recorreu ao Minitab Statistical Software para ajudá-lo a analisar seus dados e extrair conclusões que poderiam facilitar o processo de recrutamento de sua equipe.

Como o Minitab ajudou

Para estabelecer um processo de triagem para candidatos de colégios, Owens analisou os dados de desempenho de running backs que participaram do último "combine" de seleção da NFL. Ele usou dados dos melhores jogadores de futebol universitário participantes para determinar um limite superior para avaliação de candidatos de colégios.

Ele criou relatórios sumários para visualizar a distribuição de dados e obter estatísticas descritivas, como média, mediana e desvio padrão, para representar os melhores desempenhos de running backs em cada teste do "combine" da NFL. As avaliações do "combine" incluíam a corrida de 40 jardas, um exercício com três cones que demonstra a capacidade de um jogador de mudar de direção em alta velocidade, uma corrida de ir e vir que testa a rapidez lateral, além de explosões curtas e súbitas de energia, saltos verticais e horizontais e supinos.

A Georgia Tech usou os relatórios do sumário gráfico do Minitab para visualizar importantes estatísticas básicas que capturam o desempenho dos candidatos a running back da NFL, em testes como corrida de ir e vir, mostrado no relatório acima.

Owens reuniu também dados dos running backs da Georgia Tech que executaram a mesma série de testes e depois executou a mesma análise gráfica no Minitab. Ele usou esses dados para estabelecer um limite inferior para avaliação de candidatos de colégios.

Owens também executou sumários gráficos sobre os dados de desempenho de seus próprios running backs. Em cada evento, ele usou a mediana das pontuações de seus jogadores como o limite inferior que novos candidatos devem atingir para serem considerados para a equipe. Por exemplo, baseando-se nesses dados, os candidatos precisavam concluir a corrida de ir e vir em pelo menos 4,32 segundos, a mediana do tempo obtido pelos running backs da Georgia Tech.

Com a mediana do tempo dos candidatos da NFL estabelecida como o limite superior e a mediana dos tempos dos running backs da Georgia Tech estabelecida como o limite inferior de cada evento, Owens pode avaliar os candidatos a running back das equipes dos colégios em comparação com um padrão baseado em dados. Dezenas de candidatos são convidados ao campus para serem testados nos mesmos eventos do "combine" e, então, Owens usou o Minitab para analisar os dados que ele coletou sobre cada jogador.

"Usar o Minitab para análise de dados me ajudou a ter uma visão geral da qualidade dos candidatos a running back", ele diz. "Encontrei um aluno do segundo colegial que tinha várias similaridades com alunos do terceiro ano que estávamos observando, ou mesmo com números próximos aos dos nossos running backs atuais. Eu sabia que valia a pena prestar atenção nele. Ter os dados facilitou colocá-lo em destaque mais cedo em nosso processo".

Você pode estar pensando se é justo que os candidatos do colegial sejam julgados em comparação com os tempos de "combine" obtidos por jogadores universitários, incluindo veteranos que são os candidatos da NFL. Owens explica que esse sistema de medição é útil para restringir o campo.

"Não se trata necessariamente sobre ser justo com os candidatos do colegial", ele diz. "O que estamos procurando são jogadores de colegial excepcionais, os outliers, e definimos limites superiores e inferiores para nos ajudar a encontrá-los.

Se houver um estudante do colegial que chegue perto de um limite de especificação inferior, achamos que vale a pena acompanhá-lo. Nossa meta ao recrutar é encontrar o melhor dos melhores".

Estabelecer faixas de meta para cada um dos 14 eventos do "combine" torna mais fácil a triagem inicial de centenas de candidatos a running back a cada ano. Os candidatos a jogador que têm desempenho dentro da faixa alvo para um dado evento recebe 3 pontos para esse evento, aqueles abaixo do limite inferior do alvo recebem 1 ponto e aqueles que ultrapassam o limite superior do alvo recebem 9 pontos. Os candidatos que tiveram uma pontuação total igual ou superior a 42 pontos foram então avaliados adicionalmente com base nos filmes com seus melhores momentos.

O modelo de pontuação, mostrado acima, é usado por Owens para classificar e afunilar candidatos a running back para avaliação posterior.

Resultados

Usar o novo sistema de classificação facilitou muito para Owens e sua equipe classificar centenas de candidatos a running backs e para identificar quais jogadores mostraram o maior potencial para serem avaliados em maiores detalhes.

"Antes de implantarmos esse novo sistema e começar a classificar candidatos mais sistematicamente, havia muita subjetividade na classificação da habilidade atlética do jogador", diz Owens. "Isso tornava difícil para nós saber em quais candidatos nós deveríamos nos concentrar. A análise do Minitab nos ajudou a implantar o novo sistema de classificação e agora posso tomar decisões muito mais objetivas baseadas nos dados que coletamos sobre candidatos e os dados do evento de "combine" da NFL, além dos dados de desempenho de nossa equipe e jogadores individuais ao longo do tempo.

"O novo sistema realmente reduziu a quantidade de tempo que gastava escavando dados sobre candidatos, além da classificação deles para avaliação posterior. O que aprendi aqui também nos economizou tempo e facilitou nosso processo de avaliação dos jogadores nos filmes".

Owens também observa que há uma maior compreensão, entre a equipe técnica e os jogadores, sobre que conclusões podem ser extraídas a partir de todos esses dados. "Estou compartilhando ideias frequentemente com pessoas que não se importam com os dados que aparecem nas planilhas, mas mostrar gráficos realmente faz sentido para eles e possibilita que conclusões significativas sejam feitas", ele diz.

"Mas, dada a demanda de ser técnico, nem sempre tenho muito tempo para analisar dados e criar os gráficos certos para contar a história dos dados. O Minitab é excelente, pois permite colocar os dados, executar alguns testes e depois o gráficos aparecem automaticamente.

O novo sistema também destacou atributos do desempenho de running backs que são importantes para a equipe, facilitando para eles identificarem esses atributos nos candidatos e descontarem atributos que não estão correlacionados com o potencial em campo. "Para nossa equipe, descobrimos que peso e altura não importam tanto para nossos running backs", diz Owens. "O que importa mais é seu desempenho na corrida de ir e vir e no exercício com três cones, pois esses eventos nos informam sobre a rapidez lateral e habilidade para mudar de direção".

Embora esse novo sistema de classificação tenha sido implantado em seu processo de observação de running backs há apenas alguns anos, Owens espera que as lições aprendidas facilitarão a observação de outras posições na equipe de futebol da Georgia Tech no futuro.

"Sei o quanto esse novo processo foi útil para mim no recrutamento de nossos running backs, mas estamos sempre ajustando o novo sistema, à medida que usamos, e a cada ano descubro que ele está ficando um pouco melhor", diz Owens. "Introduzir o Minitab foi incrível para nós. A conclusão final é que o Minitab facilita a análise rápida de nossos dados e a obtenção de respostas".

ORGANIZAÇÃO

Georgia Tech Yellow Jackets

VISÃO GERAL

  • Fundada em 1892
  • Quatro campeonatos nacionais de futebol universitário da Divisão I-A e quinze títulos da conferência
  • Mais de 150 alunos que jogaram na NFL
  • Também conhecidos como “Ramblin’ Wreck”

DESAFIO

Melhorar o processo de recrutamento de running backs

PRODUTOS USADOS

Minitab® Statistical Software

RESULTADOS

  • Implantação de um novo sistema de classificação para candidatos a running back
  • Economia de tempo através da facilitação na identificação dos candidatos mais fortes para a equipe técnica
  • Confirmação da confiabilidade nas avaliações dos filmes do jogador
  • Revelação de quais atributos do jogador são mais e menos importantes
  • Aumento do valor dos dados sobre candidatos, jogadores atuais e a equipe, em geral
clear