Utilize este identificador para referenciar este registo: http://hdl.handle.net/10071/34601
Autoria: Silva, Pedro Miguel Simão da
Orientação: Marques, Catarina Maria Valente Antunes
Lopes, Rui Jorge Henriques Calado
Data: 16-Dez-2024
Título próprio: Evolução dos jogadores jovens e o seu valor de mercado: O estudo da liga de futebol "Championship" na época 22/23
Referência bibliográfica: Silva, P. M. S. da (2024). Evolução dos jogadores jovens e o seu valor de mercado: O estudo da liga de futebol "Championship" na época 22/23 [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório Iscte. http://hdl.handle.net/10071/34601
Palavras-chave: Futebol
Jogadores jovens
Progressão
Championship
Valor de mercado
Aprendizagem automática
Football
Young players
Progression
Championship
Market value
Machine learning -- Machine learning
Resumo: A presente dissertação tem como foco a análise da evolução dos jogadores jovens que participaram na segunda divisão inglesa de futebol, mais propriamente na Championship, na época 2022/2023, e apresenta como objetivos a análise da progressão na carreira e de valor de mercado. Neste sentido esta investigação, foi dividida em dois estudos distintos baseados na metodologia CRISP-DM. O primeiro estudo concentra-se na progressão dos jogadores jovens, de modo a identificar os fatores que influenciam essa progressão ao longo das épocas. Para além disso, este estudo propõe um sistema de classificação da progressão dos jogadores numa escala de cinco níveis, desde “Progrediu Significativamente” a “Regrediu”, no qual são baseados os modelos de classificação. O segundo estudo analisa o valor de mercado dos jogadores ao longo de diferentes épocas, utilizando séries temporais, e modelos de aprendizagem automática e investiga os fatores que o influenciam, com ênfase na previsão do valor de mercado no futuro. Em cada estudo, foram usados e comparados vários modelos de aprendizagem automática, tendo sido escolhidos por apresentarem melhor desempenho, os modelos de Redes Neuronais Recorrentes (RNN) no estudo 1 e as Redes Neuronais e Random Forest no estudo 2. Ainda no estudo 2, na análise de evolução do valor de mercado, o modelo RNN mostrou-se o mais eficaz. Os resultados obtidos revelaram padrões complexos na progressão dos jogadores ao longo das épocas, demonstrando que o desenvolvimento de um jovem jogador de futebol é um processo não linear e muitas vezes imprevisível. O sistema de classificação desenvolvido mostrou-se eficaz para avaliar a evolução dos atletas de forma categorizada. No que diz respeito ao valor de mercado, foram identificadas algumas tendências ao longo das épocas, destacando-se a variação de critérios de valorização entre avançados, médios e defesas. Os resultados deste estudo oferecem informações importantes para clubes, jogadores e agentes, permitindo uma compreensão mais clara dos fatores que influenciam o desenvolvimento e valorização dos jogadores jovens. Além disso, apontam para a importância de otimizar estratégias de desenvolvimento de talentos e políticas de transferências no contexto do futebol profissional.
This dissertation focuses on analysing the development of young players who played in the English second division, more specifically in Championship, during the 2022/2023 season. The main objective is to analyse the progression of their careers and their market value. The research was divided into two separate studies, based on the CRISP-DM methodology. The first study focuses on player progression, identifying the factors that influence this evolution over the seasons. To this end, a classification system was proposed for player progression, categorised into five levels, from “Significant Progress” to “Regression”, on which the classification models were based. The second study analyses the market value of players over the seasons, using time series and machine learning models, with a focus on predicting future market value. In both studies, various machine learning models were used and compared. In the first study, the Recurrent Neural Networks (RNN) model performed best, while in the second, Neural Networks and Random Forest proved to be more effective. However, in predicting the evolution of market value, the RNN model stood out as the most accurate. The results revealed complex patterns in the players progression over the seasons, confirming that the development of a young player is a non-linear and sometimes unpredictable process. The classification system proved to be effective in assessing players progress. With regard to market value, different trends were identified, especially between forwards, midfielders and defenders. The conclusions of this study provide valuable information for clubs, players and agents, allowing for a better understanding of the factors that influence the development and valuation of young players. In addition, the results underline the importance of optimising talent development strategies and transfer policies in professional football.
Designação do Departamento: Departamento de Métodos Quantitativos para Gestão e Economia
Departamento de Ciências e Tecnologias da Informação
Designação do grau: Mestrado em Ciência de Dados
Arbitragem científica: yes
Acesso: Acesso Aberto
Aparece nas coleções:T&D-DM - Dissertações de mestrado

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
master_pedro_simao_silva.pdf3,86 MBAdobe PDFVer/Abrir


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpaceOrkut
Formato BibTex mendeley Endnote Logotipo do DeGóis Logotipo do Orcid 

Este registo está protegido por Licença Creative Commons Creative Commons