Como a 11Stat Funciona
A 11Stat é uma plataforma de análise de dados que modela partidas de futebol em um pipeline de sete etapas: coleta os dados brutos, roda vários motores de probabilidade independentes, calibra os resultados e só publica um sinal do modelo quando a concordância entre os motores e a qualidade dos dados são suficientes — caso contrário, responde PASS. Trata-se de uma saída de probabilidade transparente, não de uma garantia de previsão. Análise de dados de futebol — não é um serviço de apostas; não aceita apostas, não vende bilhetes e não garante nenhum resultado.
Em resumo: o processo em 7 etapas
- O processo é livre de vazamento de dados (point-in-time): só entram na modelagem informações conhecidas antes da partida.
- Não é um único motor: pelo menos 3 motores independentes (Poisson/Dixon-Coles, Elo/forma, bivariado avançado) modelam cada partida separadamente.
- A calibração corrige as probabilidades brutas uma única vez; um rótulo de "70%" corresponde de fato a cerca de 70%.
- O filtro de qualidade dos dados bloqueia falsos sinais altos gerados por dados incompletos; dados insuficientes = PASS.
- ROI e taxa de acerto são apenas métricas de backtest simulado (paper), não resultados com dinheiro real.
Visão geral: dos dados ao sinal do modelo
A 11Stat funciona como um pipeline auditável. Cada etapa só passa para a seguinte quando supera limiares de qualidade específicos; caso contrário, o sistema responde PASS (sem sinal). O objetivo é produzir poucos sinais do modelo, limpos e explicáveis, em vez de uma enxurrada de sinais fracos.
- Coleta de dados: calendário de partidas, histórico de forma dos times e cotações de mercado.
- Modelagem multimotor: motores de probabilidade independentes modelam a mesma partida separadamente.
- Calibração: as probabilidades brutas são reajustadas no espaço logit.
- Concordância entre modelos e confiança: mede-se o quanto os motores apontam na mesma direção.
- Filtro de qualidade dos dados: dados ausentes ou escassos interrompem o sinal.
- Nível de risco: a variância é classificada como baixa, média ou alta.
- Publicação: um sinal do modelo se os limiares forem atingidos; um PASS se não forem.
Qualquer número de ROI ou taxa de acerto exibido na plataforma é uma métrica de qualidade de backtest simulado (paper) — não representa resultado com dinheiro real.
1) Coleta de dados e modelagem multimotor
Para cada partida, o sistema coleta primeiro três tipos de entrada: forma recente dos times (gols marcados e sofridos, últimos jogos), metadados da partida (campeonato, temporada, horário do jogo) e cotações de mercado. Se não houver cotações disponíveis, a partida é descartada de imediato.
A mesma partida é então modelada por motores independentes, para que o ponto cego de um único método não domine o resultado final:
- Motor Poisson / Dixon-Coles: estima expectativas de gols (um lambda no estilo xG), monta uma matriz de placares com correção para placares baixos e deriva daí probabilidades de mercados como 1X2, ambos os times marcam e mais/menos gols.
- Motor Elo / forma: oferece uma segunda perspectiva, baseada em ratings de força dos times e na forma atual.
- Motor bivariado avançado: uma abordagem mais detalhada, que modela a relação entre os gols dos dois times e efeitos de inflação de zeros.
Cada motor produz suas próprias probabilidades para a mesma partida; as etapas seguintes combinam e auditam essas saídas. A distribuição completa de resultados é obtida com simulação de Monte Carlo: a partida é simulada milhares de vezes.
2) Calibração: probabilidades honestas
Probabilidades brutas de modelos costumam ser confiantes demais. A 11Stat as suaviza com uma etapa de calibração única, no espaço logit. Cada mercado usa uma inclinação monotônica ligeiramente abaixo de 1, o que reduz o excesso de confiança sem alterar o ranking — a probabilidade fica mais realista, e não apenas menor.
Além disso, aplica-se um fator de calibração específico por campeonato e por mercado, aprendido com o desempenho histórico. Uma decisão de projeto importante: esse fator é aplicado exatamente uma vez; o bug de aplicação dupla das versões antigas (que encolhia as probabilidades duas vezes) foi corrigido. O resultado é que um rótulo de "70% de probabilidade" é ajustado para refletir de fato cerca de 70% de confiança.
3) Concordância entre modelos, confiança e nível de risco
Probabilidades calibradas, sozinhas, não bastam; a 11Stat também avalia o quanto os motores apontam na mesma direção. A concordância entre modelos é a fração de motores que sustenta um determinado mercado. Concordância alta eleva a confiança; quando os motores divergem, a confiança cai.
O escore de confiança não é um número isolado, mas uma combinação ponderada de componentes: probabilidade calibrada, concordância entre modelos, relação de valor frente ao mercado, precisão histórica do mercado, confiabilidade da amostra e controle de variância. Os sinais recebem então os rótulos LOW / MEDIUM / HIGH / ELITE.
- Piso de confiança: uma seleção de baixa probabilidade não conquista o rótulo máximo só porque a cotação de mercado é alta; os níveis superiores exigem uma probabilidade calibrada mínima.
- Risco / variância: cada partida é classificada como de variância baixa, média ou alta, e isso afeta diretamente a confiança.
Por escolha deliberada, tudo isso é apresentado como um nível de risco mensurável — nunca com linguagem como "certeza" ou "garantido".
4) O filtro de qualidade dos dados e a saúde dos mercados
A proteção mais importante da 11Stat é o filtro de qualidade dos dados. Se faltar o identificador da partida, o identificador de um time, o horário do jogo ou o feed de cotações, a partida é marcada como "ERRO DE DADOS / SEM SINAL" e nenhum sinal é produzido. É isso que impede que falsos sinais de alto valor, fabricados a partir de dados escassos, cheguem à publicação.
A plataforma também acompanha um histórico de saúde contínuo por mercado (ROI simulado, taxa de acerto e erro de calibração dos últimos períodos). Mercados com desempenho ruim recorrente podem ser desativados automaticamente, e alguns mercados voláteis permanecem desligados por padrão até acumularem histórico positivo suficiente. O sistema só se pronuncia nos mercados que considera confiáveis no momento.
5) Publicação: um sinal do modelo ou um PASS
Quando todas as etapas são aprovadas, o resultado é publicado como um sinal do modelo. O sinal traz o mercado, a probabilidade calibrada, um nível de confiança (por exemplo, HIGH/ELITE), a concordância entre modelos (por exemplo, "3/3 motores"), o nível de risco e a comparação com a probabilidade implícita do mercado. Nada disso é uma promessa de que a análise vai se confirmar; é uma saída analítica baseada em probabilidade.
Se os limiares não forem atingidos, o sistema diz honestamente PASS. Essa é exatamente a diferença entre palpite e análise orientada por dados: a 11Stat é uma ferramenta de análise que mostra o grau de confiança do modelo — e quando ele prefere ficar em silêncio. Todo o conteúdo publicado tem caráter informativo. Análise de dados de futebol — não é um serviço de apostas; não aceita apostas, não vende bilhetes e não garante nenhum resultado.
Frequently Asked Questions
A 11Stat é um site de apostas?
Não. A 11Stat é uma plataforma de análise de dados que estuda o futebol com modelos de probabilidade. Todo o conteúdo publicado é informativo: não é conselho de aposta, não é palpite e não é bilhete.
O que significa exatamente um "sinal do modelo"?
Um sinal do modelo é uma saída analítica que resume a probabilidade calibrada de um mercado, a concordância entre os motores, o nível de confiança e o nível de risco. Não é garantia de que um resultado vai acontecer.
Por que algumas partidas não mostram sinal nenhum?
Se faltam dados, não há cotações disponíveis ou os motores não concordam o suficiente, o sistema retorna PASS e não publica nada. Isso faz parte do projeto: produzir poucas saídas, porém limpas.
Os números de ROI e taxa de acerto são resultados com dinheiro real?
Não. São apenas métricas de qualidade de backtest simulado (paper) e não garantem desempenho futuro.
Por que usar vários motores em vez de um só?
Para reduzir o ponto cego de qualquer método isolado. Quando motores independentes concordam, a confiança sobe; quando divergem, a confiança cai e o nível de risco fica mais claro.
O vazamento de dados (look-ahead bias) é evitado?
Sim. Quando uma partida é modelada, só são usados dados anteriores ao horário do jogo (point-in-time); isso impede que os resultados de backtest sejam inflados artificialmente.