The FIFA World Cup 2026 Master Dataset: A Normalized 3NF Relational Benchmark of the Expanded 48-Team International Football Tournament

O futebol tem sido há muito tempo um jogo de paixão e instinto, mas, nas últimas décadas, uma revolução silenciosa tem transformado o esporte em ciência. Analistas e treinadores agora dependem de vastas quantidades de informações estruturadas para entender o que acontece no campo, indo além dos simples placares para rastrear cada passe, chute e substituição. Este campo, conhecido como análise esportiva (sports analytics), busca encontrar padrões no caos de uma partida, usando dados para explicar por que um time venceu ou perdeu, como um jogador se desempenhou e o que pode acontecer a seguir. Embora empresas comerciais muitas vezes detenham os registros mais detalhados atrás de muros de pagamento, a comunidade científica há muito necessita de conjuntos de dados abertos e confiáveis para testar novas ideias e melhorar nossa compreensão do jogo. O desafio sempre foi que os dados públicos disponíveis são frequentemente desorganizados, desconectados ou carecem dos detalhes específicos necessários para um estudo profundo, como a localização exata de um estádio ou o valor de mercado preciso de um jogador.

No verão de 2026, um pesquisador chamado MD Mominul Islam, da Universidade de Ciência e Tecnologia de Shahjalal, em Bangladesh, abordou essa lacuna ao criar um registro digital abrangente da Copa do Mundo da FIFA. Este torneio foi um evento histórico, expandindo-se de 32 para 48 seleções nacionais e apresentando 104 partidas disputadas em 16 sedes no Canadá, México e Estados Unidos. A partida final viu a Espanha derrotar a Argentina por 1–0, mas o verdadeiro significado do evento para a ciência de dados reside no volume massivo de atividade que ele gerou. O pesquisador compilou informações seguindo o torneio de 39 dias, reunindo detalhes de cada jogo, das 48 equipes qualificadas e dos 1.248 jogadores registrados. O resultado é uma coleção massiva e organizada de fatos que vincula a biométrica dos jogadores, a geografia das sedes e os eventos das partidas em um sistema coerente e único.

A conquista central deste trabalho é a criação de um banco de dados "normalizado", que é uma forma específica de organizar a informação para que cada dado tenha um lugar único e esteja conectado logicamente a tudo o mais. Em vez de ter planilhas dispersas onde a informação pode ser repetida ou contraditória, o pesquisador construiu um sistema com 12 tabelas distintas que se encaixam como um quebra-cabeça. Uma tabela contém os detalhes dos 16 estádios, incluindo sua capacidade e, crucialmente, sua altitude acima do nível do mar, que pode afetar como os jogadores respiram e performam. Outra tabela rastreia os 1.248 jogadores, registrando sua altura, data de nascimento, experiência internacional e seu valor de mercado estimado em euros. Um terceiro conjunto de tabelas captura as próprias 104 partidas, vinculando-as aos árbitros específicos, às equipes envolvidas e aos placares finais. Essa estrutura permite que um pesquisador faça perguntas complexas, como o modo como a altitude de um estádio na Cidade do México influenciou o desempenho de uma equipe de uma nação costeira, sem ter que cruzar manualmente dezenas de arquivos diferentes.

O que torna este conjunto de dados particularmente valioso é a inclusão de métricas que costumam estar ausentes em dados públicos gratuitos. A coleção inclui "gols esperados" (expected goals), uma medida estatística que estima a probabilidade de um chute se tornar um gol com base de onde ele foi dado e o ângulo do chute. Também fornece registros minuto a minuto de quem estava jogando, quando foram substituídos e quanto tempo permaneceram em campo. Para cada partida, o conjunto de dados oferece um resumo das táticas das equipes, como quanto tempo uma equipe controlou a bola e quantos chutes ela deu. Além disso, o pesquisador incluiu recursos pré-calculados projetados para ajudar computadores a aprender com os dados, facilitando para que outros construam modelos que possam prever resultados de partidas. Os dados cobrem todo o torneio, desde as partidas iniciais da fase de grupos até a final, capturando o arco completo da competição.

Para garantir que as informações fossem confiáveis, o pesquisador não apenas copiou e colou números da internet. Ele construiu um sistema automatizado para verificar os dados contra relatórios oficiais da FIFA e outras fontes autoritativas. Esse processo envolveu a execução de uma série de nove testes diferentes para verificar se os números faziam sentido, juntamente com uma verificação manual por amostragem de 30 partidas. Por exemplo, o sistema verificou se o número total de equipes e jogadores correspondia à contagem oficial, que nenhum jogo tivesse um placar sem um status correspondente e que a soma de gols marcados por um jogador nos logs detalhados de eventos correspondesse ao seu total de gols nas estatísticas do jogador. Esse rigoroso processo de verificação confirmou que os dados eram precisos em um grau muito alto, com uma taxa de precisão empírica de 99,87 por cento.

As descobertas apresentadas neste trabalho não são apenas uma lista de placares, mas uma base verificada para futuras descobertas. Os dados revelam uma forte conexão entre os gols esperados que uma equipe gera e os gols reais que ela marca, mostrando que os modelos estatísticos usados para prever o desempenho alinham-se de perto com a realidade. Também destacam as disparidades econômicas entre as nações, mostrando o valor de mercado total dos elencos para as 15 melhores equipes qualificadas. Embora o conjunto de dados não inclua o rastreamento de alta velocidade, segundo a segundo, de cada movimento de jogador devido a restrições de licenciamento, ele fornece um nível de detalhe que é raro para recursos de acesso aberto. Ele captura as condições físicas do torneio, as decisões táticas dos treinadores e as contribuições individuais de cada jogador em um formato pronto para análise.

Este conjunto de dados está agora disponível para qualquer pessoa interessada em ciência esportiva, fornecido em formatos que podem ser usados por softwares de banco de dados padrão e ferramentas de aprendizado de máquina. Serve como um marco para pesquisadores que desejam estudar como a expansão de um torneio afeta o jogo, como diferentes ambientes impactam o desempenho dos jogadores ou como construir modelos melhores para prever o futuro do futebol. Ao tornar esta informação aberta e confiável, o trabalho remove uma barreira significativa para cientistas e analistas, permitindo que eles foquem na descoberta em vez da limpeza de dados. O resultado é um registro claro e concreto de um dos eventos esportivos mais populares do mundo, preservado de uma forma que permite que a história da Copa do Mundo de 2026 seja contada não apenas através de destaques e manchetes, mas através dos fatos precisos e interconectados do jogo em si.