La prise de décision fondée sur les données dans le football : juger le processus, pas le résultat

On présente souvent la prise de décision fondée sur les données dans le football comme une affaire de quantité de chiffres. Le plus difficile est de savoir quoi faire d'une probabilité une fois qu'on la possède. Une prévision qui donne 40 % de chances de victoire à une équipe dit qu'elle perd plus souvent qu'elle ne gagne, mais aussi qu'elle gagne dans une part non négligeable des cas. Un conseil d'administration qui n'entend parler que du résultat jugera la décision à l'aune du score et en tirera la mauvaise leçon une fois sur deux.

La discipline de base consiste à noter la décision sur ce que l'on savait au moment de la prendre. Faire souffler un défenseur central fatigué avant une semaine chargée, fixer un objectif de points ou choisir une intensité de pressing face à un adversaire plus fort peuvent chacun être des choix solides et mal tourner, parce qu'un match comporte une part d'aléa considérable. Une bonne habitude de réunion : écrire sur une page, avant le coup d'envoi, la décision, les probabilités auxquelles on croyait et le raisonnement. Après le match, on relit d'abord la page, ensuite le score. Si le raisonnement était bon et le résultat mauvais, on le consigne et on ne change rien. Si le raisonnement était faible et le résultat bon, on le signale, car une victoire chanceuse enseigne la même mauvaise habitude qu'une défaite malchanceuse.

Les dirigeants ont besoin d'attentes formulées en fourchettes. Plutôt qu'un seul classement prévisionnel en championnat, il faut demander l'éventail des issues plausibles et la part de cet éventail jugée acceptable. Cela protège autant l'entraîneur que le dirigeant : une saison qui s'achève dans la partie basse d'une fourchette publiée en août appelle une tout autre conversation que celle qui s'achève hors de la fourchette. Les probabilités rendent aussi concrets les arguments sur la rotation de l'effectif. Si, sur le papier, vous êtes déjà très largement favori dans un match, le coût de reposer un joueur clé est plus faible que dans une rencontre cotée à peu près à égalité, et le staff peut le dire en chiffres plutôt que par instinct.

Comment savoir si une prévision ou un produit de données est bon ? Commencez par les questions faciles à poser et difficiles à truquer. Le bilan est-il public, et conserve-t-il le dernier pronostic avant le coup d'envoi plutôt qu'un pronostic antérieur plus flatteur ? Est-il évalué selon une définition explicite du résultat ? Indique-t-il le taux de référence, c'est-à-dire ce qu'une règle naïve aurait obtenu sur les mêmes matches ? Et précise-t-il à quelle fréquence ses pronostics confiants échouent ? La calibration est le test central : sur tous les pronostics émis autour de 70 %, environ sept sur dix doivent se réaliser, et les trois autres sont le signe que le système fonctionne, pas qu'il se détraque. Une prévision qui ne se trompe jamais à 70 % est mal calibrée, pas brillante.

Un exemple concret montre comment lire un tel bilan. Kickwise publie une probabilité de victoire à domicile, de nul et de victoire à l'extérieur, construite à partir de la lecture des données du match par un modèle de langage, combinée à la tendance du marché lorsque des cotes de bookmakers existent, et mise à jour dès que les compositions officielles tombent. Son bilan public conserve le dernier pronostic émis avant le coup d'envoi, évalué sur le résultat après 90 minutes, prolongations éventuelles comprises. Sur les 90 derniers jours, les pronostics émis avec 65 % de confiance ou plus se sont révélés exacts 150 fois sur 184 (82 %), alors que l'équipe à domicile l'a emporté dans 62 % de ces matches : miser systématiquement sur l'équipe à domicile aurait donc donné 62 %. C'est la comparaison avec la règle naïve qui donne son sens aux 82 %.

Le même bilan montre aussi pourquoi une fenêtre courte ne constitue pas un verdict. Sur les 30 derniers jours, tous niveaux de confiance confondus, 504 pronostics sur 881 étaient bons (57 %), avec un score de Brier de 0,56 contre 0,636 pour une référence qui attribue à chaque match les taux de victoires à domicile, de nuls et de victoires à l'extérieur de l'échantillon lui-même. Sur les 7 derniers jours, on obtient 159 sur 295 (54 %), pour un Brier de 0,572 contre 0,642. Le score de Brier récompense les probabilités à la fois confiantes et justes, et plus il est bas, mieux c'est : battre la référence sur les deux fenêtres compte donc davantage que le pourcentage affiché. Le flottement entre 57 % et 54 % est ce que donne une semaine de football, et les limites annoncées s'appliquent : le nul est l'issue la plus difficile à prévoir, les matches amicaux et ceux pour lesquels les données sont rares s'apparentent à des pile ou face, et un pronostic à 70 % doit encore se tromper environ trois fois sur dix.

Où cela cesse-t-il d'être utile ? Les probabilités ne disent pas quoi faire, seulement quel est votre degré d'incertitude, et elles disent peu de chose sur un match isolé dès que l'échantillon est réduit. Elles ne remplacent pas le jugement d'un entraîneur qui sait qu'un joueur traîne une gêne que nul rapport n'a mentionnée. Elles sont les plus fragiles là où les données sont les plus rares. Et une prévision conçue pour les résultats de matches ne doit pas être étirée jusqu'à prétendre mesurer la valeur à long terme d'un joueur ou la qualité d'un entraîneur.

Pour la réunion de staff, trois habitudes portent l'essentiel. Consigner la probabilité avant le match, pas après. Passer les décisions en revue par lots de nombreux matches plutôt que sur un seul week-end, pour que la chance ait le temps de se compenser. Et garder un point permanent à l'ordre du jour : parmi les choix du mois dernier, lesquels referions-nous avec les mêmes informations ? C'est ce point, répété, qui montre concrètement l'importance de l'analyse de données foot : non pas dans une prévision isolée, mais dans une salle qui a appris à distinguer une bonne décision d'un bon résultat.