Contratações no futebol envolvem incerteza técnica, contextual e financeira, o que torna relevante o desenvolvimento de instrumentos reproduzíveis de apoio ao scouting. Este trabalho implementa e avalia retrospectivamente um framework híbrido que integra eventos do StatsBomb Open Data, métricas por jogador, identificação de perfis táticos com KMeans, valores históricos do Transfermarkt, um score técnicoeconômico interpretável, regras de red flags e um experimento supervisionado complementar com Random Forest. A engenharia de dados produziu 4.406 registros jogador-competição e 3.551 atletas únicos, 2.369 jogadores com ao menos 300 minutos foram utilizados na análise de clusters, e um subconjunto recente de 617 atletas foi ranqueado. A validação utilizou 63 transferências realizadas em 2023 e um desfecho retrospectivo predominantemente econômico, baseado na variação do valor de mercado e na relação com a taxa paga. O score completo apresentou MAE de 16,18, acurácia balanceada de 0,382, macro-F1 de 0,346 e correlação de Spearman de 0,196. A coerência da política foi 82,54%, mas um baseline que sempre não prioriza atingiu 84,13%, evidenciando o viés conservador dessa métrica. Em bootstrap pareado, o ganho de macroF1 do score completo sobre esse baseline foi 0,113, com IC de 95% de 0,018 a 0,201 e superioridade em 98,9% das reamostragens. O Random Forest obteve MAE fora da amostra de 15,95, pior que o baseline de média por partição (15,27), e não demonstrou superioridade preditiva. A solução com seis clusters foi altamente estável entre inicializações (ARI médio de 0,982), embora três e quatro clusters tenham apresentado métricas internas superiores. Os resultados sustentam o uso do framework como instrumento explicável de triagem e organização de evidências, e não como mecanismo autônomo de decisão ou previsão integral do sucesso esportivo.