Predição e otimização para escalação de equipes no Cartola FC por meio de aprendizado de máquina e programação inteira.

Abstract

O Cartola FC é um jogo de fantasia esportiva no qual os participantes montam equipes de futebol utilizando restrições de orçamento, formação tática e quantidade de atletas por clube, buscando maximizar a pontuação obtida em cada rodada do Campeonato Brasileiro. A elevada variabilidade do desempenho dos jogadores e a grande quantidade de fatores que influenciam as partidas tornam esse processo complexo e frequentemente baseado na experiência e na intuição dos usuários. Nesse contexto, este trabalho propõe uma metodologia para apoiar a tomada de decisão na escalação de equipes por meio da integração de técnicas de aprendizado de máquina e otimização matemática. Inicialmente, foi construída uma base de dados contendo informações históricas dos atletas, a partir da qual foram realizadas etapas de pré-processamento, engenharia de atributos e seleção de variáveis preditoras. Em seguida, foram desenvolvidos e comparados diferentes modelos de aprendizado de máquina, incluindo Random Forest, XGBoost e modelos do tipo \textit{ensemble}, para estimar a pontuação futura dos jogadores. Posteriormente, as previsões obtidas foram incorporadas a um modelo de programação inteira responsável pela seleção automática da equipe ótima, considerando simultaneamente as restrições impostas pelo jogo. Além da avaliação das métricas tradicionais de regressão, foram analisadas a capacidade de ranqueamento dos atletas, diferentes estratégias de escalação, a escolha do capitão e o desempenho das equipes ao longo das 37 rodadas da temporada de 2025. Os resultados mostraram que o modelo XGBoost apresentou o melhor desempenho preditivo entre os algoritmos avaliados, enquanto a estratégia baseada na predição do modelo \textit{ensemble} produziu as equipes com maior pontuação média ao longo da temporada. Observou-se ainda que a utilização das previsões proporcionou desempenho superior às estratégias baseadas apenas na média histórica ou no valor de mercado dos atletas. As análises também evidenciaram que informações relacionadas ao desempenho recente, à consistência e à disponibilidade dos jogadores constituem os principais fatores associados à qualidade das previsões. Conclui-se que a integração entre aprendizado de máquina e programação inteira mostrou-se uma abordagem eficaz para apoiar a tomada de decisão na escalação de equipes do Cartola FC, fornecendo uma metodologia sistemática, quantitativa e reproduzível para um problema caracterizado por múltiplas restrições e elevado grau de incerteza.