< The hub

Les clubs ayant fait le pari précoce de l’importance vitale des bases de données en récoltent aujourd’hui les bénéfices. Les bases de données deviennent si importantes et se développent si rapidement que les clubs qui ne prennent pas le train en marche pourraient se retrouver détachés des meilleurs.

Les bases de données seules ne sont pas suffisantes, leur analyse est ce qui permet aux staffs, aux entraîneurs, aux décideurs et aux joueurs d’améliorer leurs performances.

Les données au profit d’une gestion rigoureuse

Les équipes de football professionnel sont devenues des entreprises gérant des millions d’euros, elles se doivent donc de générer du profit et elles doivent faire l’objet d’une gestion rigoureuse et pertinente. Le transfert de joueurs, la prédiction de leurs performances, de leur état de forme ou de leurs blessures sont autant d’indicateurs clés qui permettent aux décideurs, entraîneurs et staffs de prendre les meilleures décisions possibles (1), dans l’intérêt du club et des joueurs.

Les données de charge externe dominent le terrain

Les staffs techniques professionnels sont aujourd’hui habitués à l’analyses des données issues des accéléromètres et systèmes GPS portés par les joueurs durant les entraînements et les matchs. Les performances physiques sont quantifiées grâce aux nombres d’accélération, sprints, changements de direction, distance parcourue, frappes de balle etc. Au-delà de ces valeurs mesurées, il existe de nombreux calculs de probabilité (2) portant par exemple sur le nombre de buts que tel joueurs aurait dû marquer (xG), ou le nombre de passes décisives, d’interventions clés attendues de chaque joueur (3). L’importance des sports scientistes dans les clubs de haut niveau n’est plus à démontrer.

Et les données de charge interne ?

Les données de charge externes se concentrent sur les contraintes imposées par l’aspect physique du jeu, mais ne tiennent compte qu’à la marge de la charge interne du joueur. Cette dernière est représentée par l’impact physiologique engendré par les contraintes physiques et l’impact psychologique imposés aux joueurs (enjeu, tensions avec l’entourage etc.). Par exemple un sprint de 100m n’aura pas le même impact physiologique si le joueur est très en forme ou fatigué, ou bien s’il est stressé par les enjeux d’un match ou des performances passées décevantes.

Si les clubs professionnels ont tous une utilisation étendue de la charge externe, peu d’entre eux utilisent la charge interne, pourtant essentielle car elle donne un accès direct aux contraintes imposées à la physiologie de chaque joueur. Elle permet en outre de prédire l’état de forme des joueurs, d’anticiper la fatigue et donc de la prévenir.

inCORPUS® un outil d’analyse unique

inCORPUS® est aujourd’hui le seul outil qui, grâce un test de 10 minutes faisable en autonomie ou en groupe, permet de mesurer la charge interne des joueurs. Grâce à une analyse poussée et unique, inCORPUS® permet d’identifier les profils de bonne forme ou de fatigue et de prendre les meilleures décisions possibles pour les performances futures du joueur et du club. Cette évaluation de la charge interne est objective. La constitution des bases de données de charge interne est aujourd’hui primordiale, tout comme la constitution des bases de données de charge externe l’était il y a quelques années. Ces bases de données seront demain une référence dans le monde du football et nécessaires au fonctionnement des clubs professionnels.

Croiser les données

Il est fondamental de croiser les données de charge externe et de charge interne afin d’obtenir une approche globale de la performance, maîtriser du mieux possible l’incertitude liée aux matchs de compétition et ainsi réduire le risque en prenant les meilleures décisions possibles sur la préparation des matchs, le recrutement de nouveaux joueurs ou l’évaluation du niveau de forme.

Références scientifiques

(1)          Ćwiklinski, B.; Giełczyk, A.; Choraś, M. Who Will Score? A Machine Learning Approach to Supporting Football Team Building and Transfers. Entropy Basel Switz. 2021, 23 (1). https://doi.org/10.3390/e23010090.

(2)          Bunker, R. P.; Thabtah, F. A Machine Learning Framework for Sport Result Prediction. Appl. Comput. Inform. 2019, 15 (1), 27–33. https://doi.org/10.1016/j.aci.2017.09.005.

(3)          Baboota, R.; Kaur, H. Predictive Analysis and Modelling Football Results Using Machine Learning Approach for English Premier League. Int. J. Forecast. 2019, 35 (2), 741–755. https://doi.org/10.1016/j.ijforecast.2018.01.003.



Read in English >