Culture foot

Dossier – Remondata : Les promesses de la Data – 2/3

Dans ce deuxième volet de "Remondata" on s'intéresse aux traitements des data collectées. Plus précisément leurs conséquences sportives, mais aussi économiques.

Maintenant que vous savez comment on collecte des data, voyons ce que l’on peut en faire. Concrètement, quels aspects de la vie d’un club peuvent-elles toucher ? Quelles conséquences peut entraîner l’utilisation d’un modèle statistique dans une structure sportive ? Chimère futuriste façon Irobot, ou scénario déjà d’actualité comme dans Black Mirror ? Promis, vous en saurez plus sur les apports de la data dans les clubs professionnels après ces quelques lignes.

Un constat ancien mais des réticences originelles

L’histoire de la data dans le sport ne commence pas avec le football, mais avec le baseball. En effet, en 1947, une méthode mathématique de calcul de statistiques appliquée au baseball est initiée par un mathématicien du nom d’Allan Roth.

Malgré plusieurs travaux sur le sujet dans les années 1960, ce n’est qu’à partir de 1995 que le sujet sera repris par Billy Beane, directeur général des Athletics d’Oakland. Bien moins fourni financièrement que les autres franchises de la ligue de baseball, Beane va décider d’innover en axant son recrutement sur une évaluation statistique des performances offensives, puis défensives de ses cibles. Ce pari sera récompensé par d’excellents résultats sportifs, jusqu’à ce que cet avantage comparatif soit perdu par les Athletics , leurs concurrents ayant jalousement investit dans les mêmes technologies.

Cette « sabermétrie » (néologisme venant de Society for American Baseball Research), c’est-à-dire la recherche objective de la connaissance du baseball, ne trouvera que peu d’équivalent dans le football contemporain, à une exception près : Valeri Lobanovski.

De nombreuses fois nommé sélectionneur puis remercié par l’URSS entre 1976 et 1990 (contre-performances du bonhomme et culture de la gagne soviétique obligent), Lobanovski est aussi féru d’informatique. Convaincu du pouvoir de la data, il obtient un ordinateur dans les années 1970 malgré la rareté de cet outil à l’époque, et la méfiance de la mère patrie sur un tel projet. Il créera des programmes de test et de suivi des performances de ses joueurs, après avoir collecté des données par lui-même à la force de ses yeux et de ses doigts. Capitaine du navire « Dynamo Kiev » en 1986, il se distinguera par un brillant fait d’armes : la tonitruante victoire de ses hommes en finale de C2 face à l’Atlético. Cette victoire inattendue est sans conteste le fruit de sa prise de conscience avant-gardiste du potentiel de la data appliquée au football. Un potentiel que l’on a cerné aujourd’hui précisément dans l’étude de bien des aspects de la balle au pied.

L’heure du coucher pour les matelassiers

Les enjeux des data appliqués au football

Ce qu’on appelle le football analytics, c’est-à-dire l’analyse poussée de données appliquée au football constitue une précieuse aide. Notamment pour trois préoccupations majeures des clubs professionnels: la gestion tactique, la prévention des blessures, ainsi que la formation et le recrutement.

Si auparavant seuls les entraîneurs et leurs staffs pouvaient juger des performances des joueurs sur le terrain et des décisions tactiques en découlant, cette conception est aujourd’hui bouleversée par les analytics. En effet, à condition d’avoir des données fiables et cohérentes ainsi que des algorithmes pertinents, les programmes d’intelligence artificielle peuvent objectivement indiquer les solutions tactiques préférables. On en revient donc à la définition de la sabermétrie évoquée précédemment : la recherche objective de la connaissance du sport.

De précieuses indications peuvent être données grâce à certaines données poussées (les données quartenaires selon la classification de Gargov), comme les données métriques issues d’indications GPS, la température corporelle à l’instant T, la résistance à l’effort ou d’autres. Croisées avec d’autres données comme le moment de la saison, la température extérieure, les statistiques de blessure dans des conditions analogues, elles peuvent constituer une solide assistance pour prévenir les risques de blessure.

C’est ce genre d’algorithmes capables de traiter ces données et de les croiser avec d’autres que proposent des sociétés comme Catapult ou Kitman Labs. Selon ces dernières, leurs clients réduisent de 25% leur risque de blessure !

Une technologie aux résultats probants, provoquant des conséquences directes sur la gestion financière des clubs

Il est important de rappeler que d’une manière générale, et plus particulièrement dans des domaines sensibles (justice, médecine…), ces algorithmes ne restent qu’une aide à la décision. Si statistiquement un algorithme a plus de chance (sans être à l’abri d’éventuels biais dans sa programmation ou d’incohérences parmi les données l’alimentant) d’avoir raison que le coach sur le dispositif à adopter face à l’adversaire du jour, l’humain restera toujours maître de sa décision. Pour autant, d’énormes enjeux économiques découlent logiquement des domaines de performance de ces algorithmes.

Logiquement parce que l’optimisation des performances sportives d’une équipe que peut garantir un système d’analyse de données trouve des conséquences financière immédiates. Par la force des choses, une meilleure place au classement d’un championnat rapporte plus d’argent par les droits TV. Celle-ci peut également induire une place qualificative pour une compétition européenne, laquelle boostant encore une fois les revenus des droits TV, mais également ceux de la billetterie, du marketing ou induisant des dotations supplémentaires.

Le retour sur investissement relatif aux systèmes d’analyses de données de santé peut également être significatif. Au regard des salaires de plus en plus élevés dans le football professionnel et du très grand temps de jeu des profils cadres de grandes équipes, le risque de blessure augmente: décider de laisser souffler un joueur sur un match à faible enjeu sur indication de l’informatique peut se révéler salutaire. Les deux dernières saisons de Neymar, recruté pour 222 millions d’euros et absent sur blessure dans les matchs clés de Ligue des champions en attestent.

Fin du rêve européen parisien : Saison 5 episode 1

Enfin, les achats et reventes de joueurs peuvent permettre de réaliser de monstrueuses plus-values sur indications données par des data pertinentes : on en vient à un véritable marché spéculatif. Cet aspect sera notamment abordé dans le troisième et dernier volet de cette « Remondata », où l’on se plongera concrètement dans l’utilisation des acteurs du football des technologies vues jusqu’ici.

Episode précédent:
Dossier 1/3 – Remondata, l’empire de la data

0 comments on “Dossier – Remondata : Les promesses de la Data – 2/3

Répondre

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion /  Changer )

Photo Google

Vous commentez à l'aide de votre compte Google. Déconnexion /  Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion /  Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion /  Changer )

Connexion à %s

%d blogueurs aiment cette page :