Palavras-chave
Análise de Fitness
Modelagem Preditiva
Dados de Wearables
Tomada de Decisão Baseada em Dados
Como Citar
Resumo
Objetivo: Este artigo desenvolve um framework de inteligência competitiva para determinar os resultados da aptidão física a partir da análise de dados. O trabalho discute um problema prático comum a organizações esportivas, plataformas de fitness, programas de saúde pública, universidades e serviços clínicos de exercício: grandes volumes de dados de atividade física e saúde estão sendo produzidos, porém a maioria das instituições não possui um sistema que permita converter esses dados em inteligência acionável para antecipar desempenho, adesão, recuperação e riscos relacionados à aptidão física.
Metodologia/abordagem: O estudo consiste em uma síntese baseada em análise integrativa da literatura, seguida por uma ilustração analítica baseada em simulação. Foi realizada uma revisão da literatura recente sobre inteligência competitiva, sport analytics, wearables, aprendizado de máquina, monitoramento de atividade física e inteligência artificial ética, publicada entre 2021 e 2025, para definir o framework. A partir disso, foi operacionalizado um painel sintético de observações repetidas de fitness, fundamentado na literatura, permitindo a aplicação de engenharia de atributos, benchmarking de modelos, avaliação de calibração, tradução para decisões gerenciais e monitoramento de drift após a implantação.
Originalidade/Relevância: A originalidade do artigo reside na capacidade de integrar a lógica da inteligência competitiva com a análise preditiva aplicada à aptidão física. Pesquisas anteriores normalmente investigaram separadamente monitoramento por wearables, previsão de desempenho físico ou sport analytics. Este trabalho reposiciona a previsão da aptidão física como uma forma de inteligência capaz de apoiar decisões antecipatórias, priorizar recursos, orientar intervenções personalizadas e sustentar vantagem competitiva.
Principais resultados: O modelo demonstra que previsões úteis de aptidão física emergem da integração entre variáveis fisiológicas, carga de treinamento, comportamento, recuperação e sinais contextuais analisados em janelas temporais móveis e avaliados por meio de validação aninhada. Modelos baseados em árvores de decisão aprimoradas (boosted trees) e modelos temporais apresentaram melhor desempenho discriminatório na ilustração analítica. Entretanto, a qualidade de implantação também depende de critérios como calibração, explicabilidade, monitoramento de drift e governança para priorização de intervenções.
Contribuições teóricas/metodológicas: O artigo aplica a teoria da inteligência competitiva ao contexto da indústria de análise de aptidão física e propõe um modelo aplicável tanto para pesquisadores quanto para gestores. O estudo acrescenta uma perspectiva processual sobre como organizações podem transformar dados brutos em inteligência prospectiva, define variáveis críticas e alternativas de modelagem para previsão da aptidão física e apresenta uma agenda de pesquisa futura envolvendo validação, equidade algorítmica, interoperabilidade e interação humano-IA.
Referências
Alam, S., Zhang, Y., Khasnabish, S., Ahmad, R., D’Souza, M., Tiwari, A., Asaduzzaman, M., & Wilson, C. (2023). The impact of consumer wearable devices on physical activity and adherence to physical activity in patients with cardiovascular disease: A systematic review of systematic reviews and meta-analyses. Telemedicine and e-Health, 29(7), 975–990. https://doi.org/10.1089/tmj.2022.0280
Alzahrani, A., & Ullah, A. (2024). Advanced biomechanical analytics: Wearable technologies for precision health monitoring in sports performance. DIGITAL HEALTH, 10, 20552076241256745. https://doi.org/10.1177/20552076241256745
Assalve, G., Rivetti, G., Zito, M., Trestini, I., Mazzoni, M., Cavedon, V., & Galasso, L. (2024). Advanced wearable devices for monitoring sweat biochemical markers in athletic performance: A comprehensive review. Biosensors, 14(12), 574. https://doi.org/10.3390/bios14120574
Babaei, N., Hannani, N., Dabanloo, N. J., Bahadori, S., Mokhtarzadeh, H., Ramezanzadeh, M., Cashin, A. G., Iaboni, A., Maleki Dizaj, F., & Clark, R. A. (2022). A systematic review of the use of commercial wearable activity trackers for monitoring recovery in individuals undergoing total hip replacement surgery. Cyborg and Bionic Systems, 2022, 9794641. https://doi.org/10.34133/2022/9794641
Bae, J.-H., Seo, J.-W., & Kim, D. Y. (2023). Deep-learning model for predicting physical fitness in possible sarcopenia: Analysis of the Korean physical fitness award from 2010 to 2023. Frontiers in Public Health, 11, 1241388. https://doi.org/10.3389/fpubh.2023.1241388
Bai, Z., & Bai, X. (2021). Sports big data: Management, analysis, applications, and challenges. Complexity, 2021, 6676297. https://doi.org/10.1155/2021/6676297
Biró, A., Rátosi, M., Fábián, G., Molnár, L., Czövek, A., Fecske, R., & Varga, J. (2023). Machine learning on prediction of relative physical activity intensity using medical radar sensor and 3D accelerometer. Sensors, 23(7), 3595. https://doi.org/10.3390/s23073595
Cadden, T., Weerawardena, J., Cao, G., Duan, Y., & McIvor, R. (2023). Examining the role of big data and marketing analytics in SMEs innovation and competitive advantage: A knowledge integration perspective. Journal of Business Research, 168, 114225. https://doi.org/10.1016/j.jbusres.2023.114225
Cossich, V. R. A., Carlgren, D., Holash, R. J., & Katz, L. (2023). Technological breakthroughs in sport: Current practice and future potential of artificial intelligence, virtual reality, augmented reality, and modern data visualization in performance analysis. Applied Sciences, 13(23), 12965. https://doi.org/10.3390/app132312965
Ferguson, T., Olds, T., Curtis, R., Blake, H., Crozier, A. J., Dankiw, K., Dumuid, D., Kasai, D., O’Connor, E., Virgara, R., & Maher, C. (2022). Effectiveness of wearable activity trackers to increase physical activity and improve health: A systematic review of systematic reviews and meta-analyses. The Lancet Digital Health, 4(8), e615–e626. https://doi.org/10.1016/S2589-7500(22)00111-X
Ferraz, A., Duarte-Mendes, P., Sarmento, H., Valente-Dos-Santos, J., & Travassos, B. (2023). Tracking devices and physical performance analysis in team sports: A comprehensive framework for research—trends and future directions. Frontiers in Sports and Active Living, 5, 1284086. https://doi.org/10.3389/fspor.2023.1284086
Giurgiu, M., Ketelhut, S., Kubica, C., Rosenbaum, D., & Schumann, M. (2023). Assessment of 24-hour physical behaviour in adults via wearables: A systematic review of validation studies under laboratory conditions. International Journal of Behavioral Nutrition and Physical Activity, 20(1), 68. https://doi.org/10.1186/s12966-023-01473-7
Glebova, E., Desbordes, M., Geczi, G., & Gurova, V. (2024). Artificial intelligence development and dissemination impact on the sports industry labor market. Frontiers in Sports and Active Living, 6, 1363892. https://doi.org/10.3389/fspor.2024.1363892
Hassani, A., & Mosconi, E. (2021). Competitive intelligence and absorptive capacity for enhancing innovation performance of SMEs. Journal of Intelligence Studies in Business, 11(1), 19–32. https://doi.org/10.37380/jisib.v11i1.692
Hassani, A., & Mosconi, E. (2022). Social media analytics, competitive intelligence, and dynamic capabilities in manufacturing SMEs. Technological Forecasting and Social Change, 175, 121416. https://doi.org/10.1016/j.techfore.2021.121416
Hyde, E. T., Whitfield, G. P., Omura, J. D., Fulton, J. E., & Carlson, S. A. (2021). Trends in meeting the physical activity guidelines: Muscle-strengthening alone and combined with aerobic activity, United States, 1998–2018. Journal of Physical Activity and Health, 18(S1), S37–S44. https://doi.org/10.1123/jpah.2021-0077
Joensuu, L., Rautiainen, I., Äyrämö, S., Syväoja, H. J., Kauppi, J.-P., Kujala, U. M., & Tammelin, T. H. (2021). Precision exercise medicine: Predicting unfavourable status and development in the 20-m shuttle run test performance in adolescence with machine learning. BMJ Open Sport & Exercise Medicine, 7(2), e001053. https://doi.org/10.1136/bmjsem-2021-001053
Jossa-Bastidas, O., Zahia, S., Fuente-Vidal, A., Sánchez Férez, N., Roda Noguera, O., Montane, J., & Garcia-Zapirain, B. (2021). Predicting physical exercise adherence in fitness apps using a deep learning approach. International Journal of Environmental Research and Public Health, 18(20), 10769. https://doi.org/10.3390/ijerph182010769
Kim, J.-H., Kim, J., Kang, H., & Youn, B.-Y. (2025). Ethical implications of artificial intelligence in sport: A systematic scoping review. Journal of Sport and Health Science, 14, 101047. https://doi.org/10.1016/j.jshs.2025.101047
Krakowski, S., Luger, J., & Raisch, S. (2023). Artificial intelligence and the changing sources of competitive advantage. Strategic Management Journal, 44(6), 1425–1452. https://doi.org/10.1002/smj.3387
Kristoffersson, A., & Lindén, M. (2022). A systematic review of wearable sensors for monitoring physical activity. Sensors, 22(2), 573. https://doi.org/10.3390/s22020573
Liang, Y.-T., Wang, C., & Hsiao, C. K. (2024). Data analytics in physical activity studies with accelerometers: Scoping review. Journal of Medical Internet Research, 26, e59497. https://doi.org/10.2196/59497
Liu, H. (2021). Predictive analysis of health/physical fitness in adolescence and its correlation with health promotion behavior attitudes. Frontiers in Public Health, 9, 691669. https://doi.org/10.3389/fpubh.2021.691669
Mandorino, M., Clubb, J., & Lacome, M. (2024). Predicting soccer players’ fitness status through a machine-learning approach. International Journal of Sports Physiology and Performance, 19(5), 443–453. https://doi.org/10.1123/ijspp.2023-0444
Mănescu, D. C. (2025). Big data analytics framework for decision-making in sports performance optimization. Data, 10(7), 116. https://doi.org/10.3390/data10070116
Master, H., Annis, J., Huang, S., Beckman, J. A., Ratsimbazafy, F., Marginean, K., Carroll, R., Natarajan, K., Harrell, F. E., Roden, D. M., Harris, P., Brittain, E. L., & Ramirez, A. H. (2022). Association of step counts over time with the risk of chronic disease in the All of Us Research Program. Nature Medicine, 28(11), 2301–2308. https://doi.org/10.1038/s41591-022-02012-w
Nassis, G. P., Ravé, G., Arcos, A. L., Torres, L., Brito, J., & Wagemans, J. (2023). A review of machine learning applications in soccer with an emphasis on injury risk. Biology of Sport, 40(1), 233–239. https://doi.org/10.5114/biolsport.2023.114283
Olsen, R. J., Krabak, B. J., Stovitz, S. D., Thigpen, C. A., Monseau, A. J., Kaeding, C. C., Spindler, K. P., & Ahmad, C. S. (2025). The fundamentals and applications of wearable sensor devices in sports medicine: A scoping review. Arthroscopy, 41(2), 473–492. https://doi.org/10.1016/j.arthro.2024.01.042
Olthof, S., & Davis, J. (2025). Perspectives on data analytics for gaining a competitive advantage in football: Computational approaches to tactics. Science and Medicine in Football, 1–13. Advance online publication. https://doi.org/10.1080/24733938.2025.2533784
Petek, B. J., Baggish, A. L., Cifu, A. S., Delgado, D., Lubitz, S. A., Patton, K. K., Scher, D. L., Turakhia, M. P., Wende, A. R., & Wasfy, M. M. (2023). Consumer wearable health and fitness technology in cardiovascular medicine: JACC state-of-the-art review. Journal of the American College of Cardiology, 82(3), 245–264. https://doi.org/10.1016/j.jacc.2023.04.054
Pietraszewski, P., Terbalyan, A., Roczniok, R., Maszczyk, A., Ornowski, K., Manilewska, D., Kuliś, S., Zając, A., & Gołaś, A. (2025). The role of artificial intelligence in sports analytics: A systematic review and meta-analysis of performance trends. Applied Sciences, 15(13), 7254. https://doi.org/10.3390/app15137254
Ranjan, J., & Foropon, C. (2021). Big data analytics in building the competitive intelligence of organizations. International Journal of Information Management, 56, 102231. https://doi.org/10.1016/j.ijinfomgt.2020.102231
Rebelo, A., Simão, T., Costa, S., Marcelino, R., Pereira, N., Marinho, D. A., Carvalho, H. M., & Brito, J. (2023). From data to action: A scoping review of wearable technologies and biomechanical assessments informing injury prevention strategies in sport. BMC Sports Science, Medicine and Rehabilitation, 15(1), 169. https://doi.org/10.1186/s13102-023-00783-4
Seçkin, A. Ç., Ateş, B., & Seçkin, M. (2023). Review on wearable technology in sports: Concepts, challenges and opportunities. Applied Sciences, 13(18), 10399. https://doi.org/10.3390/app131810399
Shei, R.-J., Holder, I. G., Oumsang, A. S., Paris, B. A., & Paris, H. L. (2022). Wearable activity trackers—advanced technology or advanced marketing? European Journal of Applied Physiology, 122(9), 1975–1990. https://doi.org/10.1007/s00421-022-04951-1
Singh, R., Master, H., Huang, S., Wildes, T. S., Natarajan, K., Beckman, J. A., Tan, W. H. X., Sorond, F., Brittain, E. L., Marginean, K., & Ramirez, A. H. (2024). Analysis of physical activity using wearable health technology in US adults enrolled in the All of Us Research Program: Multiyear observational study. Journal of Medical Internet Research, 26, e65095. https://doi.org/10.2196/65095
Souaifi, M., Dhahbi, W., Jebabli, N., Ceylan, H. İ., Boujabli, M., Muntean, R. I., & Dergaa, I. (2025). Artificial intelligence in sports biomechanics: A scoping review on wearable technology, motion analysis, and injury prevention. Bioengineering, 12(8), 887. https://doi.org/10.3390/bioengineering12080887
Wang, W., Xie, L., Wang, H., Yu, Y., Zhang, Y., Gong, X., Li, W., Yu, F., Wang, X., & Yang, L. (2022). The effectiveness of wearable devices as physical activity interventions for preventing and treating obesity in children and adolescents: Systematic review and meta-analysis. JMIR mHealth and uHealth, 10(4), e32435. https://doi.org/10.2196/32435
Watanabe, N. M., Shapiro, S., & Drayer, J. (2021). Big data and analytics in sport management. Journal of Sport Management, 35(3), 197–202. https://doi.org/10.1123/jsm.2021-0067
Zhou, D., Zhang, X., Memmert, D., Wang, L., & Larkin, P. (2025). Artificial intelligence in sport: A narrative review of applications, challenges and future trends. Journal of Sports Sciences, 1–16. Advance online publication. https://doi.org/10.1080/02640414.2025.2518694
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2026 Revista Inteligência Competitiva