Quando os Dados Falam

A Queda Silenciosa de um Modelo Gerencial

Olhei as estatísticas por mais de duas horas — não por emoção, mas porque os números sussurravam. Os 2 triunfos, 1 empate e 5 derrotas do Porto na fase de grupos? Não foi má sorte. Foi um modelo superajustado: muitas variáveis, pouca variância.

O anúncio oficial não veio do pânico. Veio de uma atualização a posteriori — o teorema de Bayes aplicado à decisão humana sob pressão. Sousa herdou um elenco com talento e ambição, mas os dados contaram outra história: os gols esperados por jogo caíram abaixo do limiar. O modelo convergiu para a mediocridade.

O Algoritmo da Perda

Treinámos nossos modelos com dados limpos das academias de Lisboa, mas a realidade não ouve a intuição. No futebol — como na estatística — a variável mais perigosa é o tempo. Quando a fadiga se instala, as taxas de vitórias caem não por talento — mas por prioris desalinhados. A gestão de Sousa não era sobre personalidade; era sobre calibração.

Trabalhei com R e Tableau o suficiente para saber: isto não é drama — é diagnóstico. Um treinador não é demitido por perder jogos; é substituído quando a probabilidade a posteriori cai abaixo do limiar.

Por Que Isto Não É Só Futebol

Isto não trata de táticas ou carisma. Trata-se do que acontece quando tratamos emoção como dados — e deixamos Bayes falar enquanto todos se agarram às narrativas da ‘intuição’.

Não precisamos de novos treinadores — precisamos de melhores prioris.