ANÁLISE EXPLORATÓRIA DOS FATORES ASSOCIADOS À CONQUISTA DO CAMPEONATO BRASILEIRO SÉRIE A (2014–2024) UTILIZANDO TÉCNICAS DE MINERAÇÃO DE DADOS

Authors

DOI:

https://doi.org/10.18623/rvd.v23.8193

Keywords:

Mineração de Dados, Futebol, Campeonato Brasileiro, Análise Exploratória, KDD

Abstract

A crescente disponibilidade de dados esportivos tem ampliado o uso de técnicas computacionais para análise de desempenho e apoio à tomada de decisão. Este estudo analisa, de forma exploratória, fatores associados à conquista do Campeonato Brasileiro Série A no período de 2014 a 2024. O procedimento foi estruturado segundo etapas do processo de Descoberta de Conhecimento em Bases de Dados (KDD), envolvendo obtenção, pré-processamento, limpeza, padronização e integração de quatro bases complementares, com uso de Python, Pandas, NumPy e Matplotlib em ambiente Google Colaboratory. Como produto da integração, foi construída a base analítica fator_campeao, empregada na comparação anual entre a equipe campeã e os demais participantes em indicadores financeiros, de elenco, ofensivos, defensivos, técnicos e de desempenho. As visualizações indicam recorrência de posições superiores dos campeões em gols marcados e vitórias como mandante e visitante, bem como frequência relevante entre os menores totais de gols sofridos. Indicadores como posse de bola, volume e precisão de passes, idade média, faltas e receita anual apresentaram comportamento mais heterogêneo entre as temporadas. Os resultados sugerem que o sucesso esportivo é multidimensional e não pode ser explicado por um único indicador. Por se tratar de análise exploratória, as associações identificadas não devem ser interpretadas como relações causais ou evidência preditiva.

References

ALBERT, Jim; KONING, Ruud H. Statistical thinking in sports. Boca Raton: Chapman & Hall/CRC, 2008.

BRASIL. Confederação Brasileira de Futebol. Campeonato Brasileiro Série A. Rio de Janeiro: CBF, [s.d.]. Disponível em: https://www.cbf.com.br/. Acesso em: 19 jul. 2026.

CAIRO, Alberto. The truthful art: data, charts, and maps for communication. Berkeley: New Riders, 2016.

HAN, Jiawei; KAMBER, Micheline; PEI, Jian. Data mining: concepts and techniques. 3. ed. Burlington: Morgan Kaufmann, 2011.

KAGGLE. Kaggle: your machine learning and data science community. [S. l.]: Kaggle, [s.d.]. Disponível em: https://www.kaggle.com/. Acesso em: 19 jul. 2026.

MCKINNEY, Wes. Python for data analysis: data wrangling with pandas, NumPy, and Jupyter. 3. ed. Sebastopol: O'Reilly Media, 2022.

MONTGOMERY, Douglas C.; RUNGER, George C. Estatística aplicada e probabilidade para engenheiros. 7. ed. Rio de Janeiro: LTC, 2021.

PANDAS DEVELOPMENT TEAM. Pandas user guide. [S. l.]: pandas, [s.d.]. Disponível em: https://pandas.pydata.org/docs/. Acesso em: 19 jul. 2026.

PEDREGOSA, Fabian et al. Scikit-learn: machine learning in Python. Journal of Machine Learning Research, Cambridge, v. 12, p. 2825-2830, 2011.

PYTHON SOFTWARE FOUNDATION. Python 3 documentation. [S. l.]: Python Software Foundation, [s.d.]. Disponível em: https://docs.python.org/3/. Acesso em: 19 jul. 2026.

TAN, Pang-Ning; STEINBACH, Michael; KUMAR, Vipin. Introdução ao data mining: mineração de dados. Rio de Janeiro: Ciência Moderna, 2009.

TRANSFERMARKT. Transfermarkt. [S. l.]: Transfermarkt, [s.d.]. Disponível em: https://www.transfermarkt.com/. Acesso em: 19 jul. 2026.

WITTEN, Ian H.; FRANK, Eibe; HALL, Mark A.; PAL, Christopher J. Data mining: practical machine learning tools and techniques. 4. ed. Burlington: Morgan Kaufmann, 2016.

Published

2026-09-01

How to Cite

Cajado, A. da S., Santos, D. M. dos, Oliveira, D. D. F. de, Gomes, D. S., Barrozo, E. K. da S., Costa, H. E. R., … Rezende, V. C. (2026). ANÁLISE EXPLORATÓRIA DOS FATORES ASSOCIADOS À CONQUISTA DO CAMPEONATO BRASILEIRO SÉRIE A (2014–2024) UTILIZANDO TÉCNICAS DE MINERAÇÃO DE DADOS. Veredas Do Direito, 23(14), e238193. https://doi.org/10.18623/rvd.v23.8193