Ajouter chapo

Aux origines de l’utilisation de la big data dans le football :

Le big data englobe l’ensemble du processus de collecte, de nettoyage, d’analyse et de stockage de grands ensembles de données. Cela comprend la collecte des données, qui s’effectue à partir de diverses sources telles que les images des matchs, les statistiques des joueurs et les médias sociaux. Le nettoyage des données, où les données sont vérifiées pour détecter les erreurs et les incohérences, est également une étape importante du processus. Le stockage et la gestion des données sont également cruciaux, car ils permettent de stocker et de récupérer efficacement les données pour les analyser. 

Dans le cas du football les big data peuvent être utilisées pour analyser les performances d’une équipe, prédire l’issue des matchs et évaluer les performances des joueurs. Les équipes et les organisations peuvent utiliser ces données pour prendre des décisions stratégiques, comme les joueurs à signer ou les tactiques à utiliser pendant un match.  L’analyse des big data peut-être utilisée pour analyser un large éventail de données dans le football, telles que les statistiques des joueurs, les résultats des matchs et les performances des équipes. Ces données peuvent être utilisées pour mieux comprendre les forces et les faiblesses d’une équipe, ainsi que pour identifier les décisions et la tactique et être utilisées pour améliorer les performances. 

Le nettoyage des données est une étape importante, car il permet de s’assurer que les données sont précises et exemptes d’erreurs. Le stockage et la gestion efficaces des données sont également essentiels pour s’assurer qu’elles peuvent être facilement récupérées et analysées. Ces étapes sont importantes pour s’assurer que les données sont précises, fiables et utilisables pour la prise de décision. En outre, le big data peut également être utilisé pour créer des modèles prédictifs permettant de prévoir l’issue des matchs, les performances des joueurs et d’autres aspects importants du jeu.

Aux fils des années, la data a apporté son lot de termes décrié parmi la planète football parmi ces nouveaux termes, il existe les XG ( expected goals ) ces derniers sont des indicateurs largement utilisés dans le football moderne les Xg est un indicateur utilisé pour mesurer la qualité d’une occasion de marquer. Elle attribue une valeur entre 0 et 1 à chaque tir effectué, une valeur plus élevée indiquant une opportunité plus dangereuse. La valeur xG est déterminée en fonction de facteurs tels que l’emplacement du tir, le type de passe ou de dribble qui a conduit au tir, et le type de tir effectué. La somme des valeurs xG de tous les tirs effectués par une équipe au cours d’un match ou d’une saison peut être utilisée pour mesurer les performances offensives de l’équipe. 

En outre, des outils de visualisation des données peuvent être utilisés pour présenter les données dans un format facilement compréhensible qui  permettent aux entraîneurs, aux managers et aux analystes de prendre rapidement des décisions sur la base de ces données comme par exemple des plateformes comme (Wyscout, Matchmetrics, statDNA).

L’utilisation de la big data dans le football implique l’ensemble du processus de collecte, de nettoyage, d’analyse et de stockage des données. Cela inclut la collecte de données provenant de diverses sources telles que les séquences de matchs, les statistiques des joueurs et les médias sociaux. Le nettoyage des données est une étape importante, car il permet de s’assurer que les données sont précises et exemptes d’erreurs. Le stockage et la gestion efficaces des données sont également essentiels pour s’assurer qu’elles peuvent être facilement récupérées et analysées. Ces étapes sont importantes pour s’assurer que les données sont précises, fiables et utilisables pour la prise de décision. 

L’utilisation de la data dans le sport a commencé par le base-ball à  l’aube des années 2000,  un sport où la plupart des séquences de jeu sont statiques.

Billy Beane un manager de baseball aux Oaklands  Athletics franchise de MBL (major league Baseball) Beane novateur dans l’approche de sa discipline  par l’utilisation des datas pour recruter des joueurs, il écrira même un livre Moneyball, publié en 2003 qui deviendra un des livre de sport très populaire et influent son histoire fut même adapté au cinéma avec Brad Pitt dans le rôle Billy Beane.

Son approche scientifique du sport a été influente dans de nombreuses disciplines sportives car Beane s’est entouré d’une équipe de Sabermetrics, une méthode d’analyse et d’utilisation de données statistiques qui mesurent la performance ce qui a rapidement, le concept de Moneyball a dépassé le base-ball.

Dirigeants de club, directeurs sportifs et entraîneurs de football américain, basket,  et même hockey sur glace se sont demandés comment des résultats pouvaient être obtenus grâce aux statistiques.

Le paysage du sport américain a changé de façon considérable ces dernières années. Aujourd’hui, tous les grands clubs ont un département réservé aux calculs et aux analyses statistiques. En 2017, les 30 clubs de la Major League Baseball employaient à eux tous 250 analystes.

2) Brendford un miracle par l’approche d’un football scientifique

Cette démarche a ensuite enfin influencé le monde du football qui au départ était réticent quant à son utilisation. Puis, toutes les certitudes furent bousculées au début des années 2010 par le biais de “nerds” et de nombreux membres de la communauté des statistiques qui rédigent des blogs à propos des footballdata comme la fabuleuse histoire de l’équipe de Brentford de Matthew Benham club modeste de la banlieue de Londres qui végétait alors dans la troisième division anglaise.

Benham était à l’origine un magnat de la finance, diplômé de la prestigieuse Université d’Oxford. , il a travaillé pendant de nombreuses années dans le monde de la banque avant d’être nommé vice-président de la Bank of America, il devient par la suite bookmaker et crée des algorithmes et modèles mathématiques.

En 2001, il quitte son poste à la bank of America et fonde son entreprise, Smartodds, qui donnait des prédictions grâce à des analyses de données (en se basant notamment sur le “xG” expected goals) à destination des parieurs qui cherchent à prendre des décisions éclairées.

Devenue référence dans le domaine des paris sportifs et prospère Benham décida d’investir dans le club de son enfance le Brentford FC à ce moment-là plongé dans une crise financières. Racheté 700 000 dollars, Benham restructura le club grâce à ses capacités d’analyse de données et de statistique pour prévoir les tendances futures et miser sur l’avenir.

Il met en place un modèle de fonctionnement qui sort des sentiers battus dans le football, par l’utilisation d’un ensemble d’indicateurs de performances pour le recrutement et la gestion de l’effectif.

Il s’est tout d’abord concentré sur la stratégie de recrutement du club. I, il a fait fermer le centre de formation du club et toutes les équipes de jeunes et accentué le recrutement de jeunes joueurs à fort potentiel et sous-évalués sur le marché des transferts grâce à l’utilisation des datas.

Les résultats ne furent pas directement efficients, car ces pratiques étaient encore mal jugées à cette époque jusqu’à sa rencontre avec en 2014 Rasmus Ankersson , un ancien footballeur qui était alors Président du Midtjylland FC au Danemark qui a appliqué une approche scientifique du football. 

Selon Ramsus Ankersson sur les statistiques : “ C’est notre principal outil de prise de décision. Le principe de base de Midtjylland, c’est que nous n’utilisons jamais le classement pour évaluer nos performances. Nous avons une sorte de manifeste qui dit que l’évaluation selon notre modèle (basé sur l’analyse statistique et des Key Performance Indicators, N.D.L.R.) est toujours plus importante que le classement.” 

Cette idée du football fut une véritable révélation pour Benham. Il décida de rapatrier Ankersson et de le nommer co-directeur du club.

Et les résultats sportifs se firent rapidement ressentir Les Bees surnom du club retrouve le plus haut niveau du football anglais après 74 ans dans l’antichambre du football anglais.

Les résultats furent aussi très positifs grâce à la vente de talents sous-évalués :

• Neal MAUPAY : acheté pour 2M€ à Saint-Etienne, vendu pour 15.5M€ à Brighton
• Saïd BENRAHMA : acheté pour 1.7M€ à Nice, vendu pour 23M€ à West Ham
• Ollie WATKINS : acheté pour 7.2M€ à Exeter, vendu pour 34M€ à Aston Villa
• Andre GRAY : acheté pour 620K€ à Luton, vendu pour 12.6M€ à Burnley
• Ezri KONSA : acheté pour 2.85M€ à Charlton, vendu pour 13.2M€ à Aston Villa
• Ivan TONEY : acheté pour 5.6M€ à Peterborough, valeur actuelle estimée à 35M€
• Rico HENRY : acheté pour 1.8M€ à Walsall, valeur actuelle estimée à 20M€

3) Les cas de Dortmund pionnier de l’utilisation de la data dans le football allemand

Dortmund est un club de football Allemand basé à Dortmund, club mythique le club était plongé dans une crise jusqu’aux années 2010 jusqu’à l’arrivée de Jurgen Klopp entraîneur du club pendant 7 ans de 2008 à 2015. Il a mené l’équipe à deux titres de Bundesliga, une coupe d’Allemagne ainsi qu’une finale ligue des champions en 2013.

L’ingrédient essentiel de la réussite de dortmund et de klopp en dehors de la science tactique de ce dernier et du talent des joueurs managés par Jurgen Klopp était la mis en place d’un système complet d’analyse de données qui l’a aidé à prendre des décisions éclairées sur le recrutement des joueurs, la tactique et l’entraînement.

L’un des domaines clé où Dortmund a utilisé le big data est le recrutement des joueurs. Le service de recrutement du club, dirigé par Sven Mislintat directeur de recrutement qui a d’ailleurs créé sa propre plateforme d’analyse appelée MatchMetrics , et a analysé des données pour identifier des joueurs potentiels qui ne sont pas forcément dans le collimateur des autres clubs. Cela leur a permis de trouver et de signer des joueurs talentueux et sous-évalués sur le marché des transferts. Par exemple, ils ont signé des joueurs comme Shinji Kagawa alors joueur de Cerezo Osaka club de seconde division japonaise. Durant son passage au club, Kagawa a été un joueur clé du système de Dortmund qui a remporté deux titres de de champion d’Allemagne sous la direction de l’entraîneur Jürgen Klopp.

Le club a pu convaincre d’autres joueurs talentueux de le rejoindre et a ensuite réalisé d’énormes plus-values en les revendant à des prix faramineux.

Le big data a également été utilisé pour améliorer l’expérience des supporters. Le département marketing du club a utilisé les datas pour identifier les caractéristiques démographiques des fans du club, pour identifier les caractéristiques démographiques et pour comprendre quel type de contenu est le plus intéressant pour eux. Les datas ont donc aidé à créer des campagnes marketing et des publicités plus efficaces.

L’utilisation du big data par le Borussia Dortmund a été un facteur clé de la réussite du club ces dernières années. Grâce à l’analyse des données, le club a pu identifier et signer des joueurs talentueux et faire des bénéfices, améliorer sa tactique et ses entraînements, et créer une meilleure expérience pour les supporters. 

4) Conclusion Business ou véritable avancé pour le football ?

Les datas on permis de mettre en lumières des joueurs  sous-évaluées  et de faire évoluer le football mais cela a entraîné des excès et a renforcé les biais cognitifs (schéma de pensées tronqué qui affecte le jugement et qui influence le choix et les décisions) par la surinterprétation des statistiques.

Pour éviter ces biais cognitifs, il est important pour les entraîneurs, les dirigeants et les scouts de se rappeler de considérer toutes les informations disponibles, de manière équilibrée et objective, plutôt que de se concentrer uniquement sur les statistiques. Il est également important de se rappeler de ne pas se laisser influencer par les performances récentes ou par les premières informations reçues, et de considérer les performances d’un joueur sur une période plus longue. Enfin, il est important d’avoir une bonne compréhension des biais cognitifs et de savoir comment les identifier pour éviter de les subir.