A necessidade de obter informação útil sobre qualquer tema, de modo fácil e rápido, utilizando cada vez um maior volume de dados de modo a sustentar a veracidade e precisão dessa informação surge como um dos grandes dilemas do jovem século XXI. O "Desporto Rei" não poderia passar intocado por esta inclinação de cada vez mais Homens que procuram na Inteligência Artificial e na Aprendizagem Automática uma forma de recolher, estudar e propor melhorar os desempenhos dos atletas e das equipas de futebol. Neste trabalho, onde se avaliam os dados de desempenho dos jogadores da primeira liga de futebol portuguesa durante três épocas e contabilizando mais de 1000 participações observadas, vemos como estas tecnologias concorrem para fornecer conhecimento sobre a evolução do desempenho de um jogador ao longo das diferentes temporadas. Com recurso à realização de uma Análise das Componentes Principais foi possível identificar algumas das características mais distintas de vários jogadores no prisma de um simples referencial cartesiano, tais como a perceção de que o seu estilo de jogo ofensivo e de posse de bola é mais de ações diretas e remates ou se são mais atletas de transporte de bola, assim como perceber a dinâmica posicional e a sua evolução ao longo das épocas de alguns deles de modo a fundamentar conclusões sobre o desempenho coletivo de uma equipa e sobre potenciais decisões a tomar tendo como base o trabalho de ciência de dados.

The need to obtain useful information on any topic, easily and quickly, while utilizing an increasingly larger volume of data to support the accuracy and precision of that information, emerges as one of the great dilemmas of the young 21st century. The "King of Sports" could not remain untouched by this trend, with more and more people seeking Artificial Intelligence and Machine Learning as a means to collect, study, and propose improvements in the performance of athletes and football teams. In this work, which evaluates the performance data of players from Portuguese First Football League over three seasons, accounting for more than 1,000 observed participations, we see how these technologies contribute to providing insights into the evolution of a player’s performance across different seasons. Using Principal Component Analysis, it was possible to identify some of the most distinct characteristics of various players within the framework of a simple Cartesian reference system, such as perceiving whether their offensive and possession-based style of play leans more toward direct actions and shots or whether they are more focused on ball carrying. Additionally, it was possible to understand the positional dynamics and their evolution over the seasons for some players, thus supporting conclusions about a team’s collective performance and potential decisions to be made based on data science work.