Pour cette nouvelle année, Six Sports Management vous propose une série d’articles sur la gestion de la hashtagdata dans les clubs professionnels en partenariat avec Alexis Barat, data scientist. Ce premier article aspire à dresser un tableau des principales problématiques rencontrées par les clubs.
Les articles détaillant la manière dont les clubs de sport professionnels ont aujourd’hui recours à la data pour améliorer leurs performances regorgent d’informations qui nous font tous rêver. À Manchester City, les joueurs disposent chacun d’une tablette pour consulter leurs performances et les points faibles de leur adversaire à la mi-temps, au TFC des algorithmes permettent d’identifier les joueurs sous-évalués pour constituer une équipe performante à moindre coût… Positionnée au croisement de trois sujets clés : la politique de transferts, l’optimisation des performances sur le terrain et la gestion de l’effectif, la data est devenue un élément fondamental dans la quête de performance des clubs. Et les outils d’analyse de données permettant d’y contribuer sont nombreux. Pourtant, si la transformation digitale du sport ces dernières années les a rendus plus accessibles, les clubs en sont inégalement dotés.
Le recours aux datas dans le sport est apparu au début des années 2000 dans le baseball américain chez les Oakland Athletics de Billy Beane. L’analyse de données s’était imposée comme une solution permettant à ce club avec de faibles moyens pour rivaliser avec des budgets astronomiques comme celui des New York Yankees. L’idée était de repérer les inefficiences de marché permettant de recruter des joueurs à haut potentiel à moindre coût. Force est de constater que la tendance s’est aujourd’hui inversée et que la data devient un outil permettant aux clubs les plus riches de s’imposer sur un secteur de performance que les autres ne peuvent pas s’offrir. Mais outre les problématiques financières qui y sont liées, les clubs qui manient le mieux la data sont ceux qui se sont structurés en conséquence. Les autres clubs, eux, tentent de bricoler des solutions parfois bien plus coûteuses et incomprises qu’elles ne sont efficaces.
Ainsi, il suffit de sortir du football britannique et de quelques exceptions que l’on peut retrouver dans des clubs de Ligue 1, dans les ligues majeures américaines ou dans un plus discret football australien pour se rendre compte que la réalité de l’analyse de données est bien loin de cet imaginaire. Les clubs ont de réelles difficultés à utiliser la data. Alors que les datas abondent même le téléspectateur devant sa TV, ce n’est pas tant la collecte mais bien l’analyse de la donnée brute qui rend le recours à la donnée difficile pour les clubs.
La première raison est celle d’un manque de ressources, financières comme humaines. Les tarifs de fournisseurs de données étant exorbitants, les clubs font appel à leurs « analystes » pour coder les rencontres sur des logiciels spécialisés. Alors que ces logiciels se multiplient, ces analystes tentent de consolider les données de différentes bases, souvent de manière artisanale en les reportant à la main, pour enfin pouvoir les analyser. L’inefficience est ainsi à son comble : d’une part des personnes spécialisées dans le montage vidéo se retrouvent à recouper des données et les analyser tandis que d’une autre des analystes spécialistes de la lecture de la donnée se retrouvent à passer 80% de leur temps de travail à la compiler. L’absence de formation sur les logiciels, la multiplication des bases de données et l’absence d’historique viennent en plus régulièrement fausser les analyses et rendre l’ensemble du travail réalisé contre-productif. Alors que tout le monde s’accorde sur le besoin de recroiser les données générées par les différents départements du club, les clubs ne s’accordent pas les moyens de le faire minutieusement. Car la faiblesse des ressources attribuées à l’analyse des données crée des situations de flux tendu où des analystes travaillent 70 heures par semaine. Chaque semaine, le match du weekend est la priorité des analystes qui vont décortiquer des heures de vidéo de l’adversaire comme de leur équipe. Mais le moindre fait vient perturber cet équilibre. Un joueur se blesse, l’entraîneur veut en savoir la raison, il veut aussi savoir quelles sont les performances du joueur qui est pressenti pour le remplacer le weekend suivant alors que le directeur sportif demande une synthèse exhaustive d’un joueur encore inconnu des bases de données du club pour le recruter comme joker. Mettre en place des processus pour acheminer la donnée depuis ses différentes sources à l’aide d’outils de collecte et de stockage adaptés semble ainsi être déterminant pour laisser du temps aux analystes pour se concentrer sur les tâches à forte valeur ajoutée.
Tous ces risques sont pourtant évitables si l’on fait appel aux bonnes personnes au moment de construire son projet d’analyse de données. Comme nous avons pu l’évoquer, le plus souvent c’est le sport scientist (généralement issu d’une filière STAPS) qui occupe également le rôle de data Analyst/Scientist (généralement issu d’une filière statistique ou informatique). Ces deux métiers sont très souvent confondus, à tort, car la data en entreprise doit être traitée par différents experts. Le Data Engineer intervient dans l’architecture et la consolidation des bases de données. Le Data Analyst s’assure lui que l’organisation réponde aux besoins du métier (par exemple un entraîneur ou manager dans un club) et est ainsi le plus souvent tourné vers l’analyse dite descriptive. Enfin le Data Scientist spécialisé dans l’analyse complexe et la création d’algorithme a pour mission de traiter les problématiques d’analyse dite prédictive. En conclusion, le chemin entre la collecte de données jusqu’à la prise de décision fait appel à plusieurs ressources et expertises.
La problématique des ressources est aggravée par un autre facteur omniprésent dans l’industrie du sport. Alors que les grands clubs peuvent se permettre de tout analyser, les clubs aux moyens réduits ont beaucoup de mal à prioriser le recours à la donnée. En effet, il existe de très nombreuses utilisations de la data : analyse des performances de joueurs, des phases de jeu, des tendances de blessure… et autant de possibilités d’oublier les priorités du coach. Mettre la donnée au cœur de sa stratégie de club et devenir « data-driven » nécessite une réelle organisation avec un département d’analyse de la performance composé des profils clés et ayant la capacité à travailler sur le long terme et non seulement dans le cadre du match du weekend. L’analyse approfondie de la data constitue un excellent moyen de comprendre l’origine de certains problèmes ou encore en identifier de nouveaux jusqu’ici passés inaperçus. Mais pour ce faire l’analyste doit être considéré comme un chercheur, un statut fondamental pour garder un avantage concurrentiel qui offre le luxe de prendre le temps d’identifier des pistes d’amélioration là où personne n’a jamais osé regarder. Par ailleurs, la nécessité de structurer un département avec une véritable stratégie data apparait aussi comme une réponse au risque de tomber dans les pièges de la donnée. À force d’accorder de l’importance à certaines datas, on finit par tenter de répondre à des questions qu’aucun entraîneur ne se poserait en temps normal.
Toutefois, mettre en place un département d’analyse de la performance, si cela s’avère une nécessité pour assurer l’efficacité de l’analyse de données, est parfois plus compliqué qu’il n’y parait. À défaut d’être rattachés à la direction générale des clubs, ces départements sont bien souvent indépendants et incompris. Ce faisant, ils reposent sur le bon vouloir d’un directeur de la performance qui, lorsqu’il quitte le navire, crée de nombreux problèmes en emmenant ses analystes et ses bases de données avec lui. Ces départements résistent rarement à leur départ. Pourtant, ils sont bel et bien nécessaires de par leur rôle de pont entre tous les fournisseurs de données au sein de l’organisation : préparateurs physiques, analystes vidéos, département médical, recruteurs, RH… Ils ont l’avantage d’être objectifs et de ne pas répondre à un entraîneur qui parfois se sert de ses analystes pour confirmer un choix de jeu plus que pour explorer de nouvelles approches. Constants dans la durée, ils peuvent constituer de réelles bases de données sur le long terme répondant à une problématique clé de l’analyse de données : son manque d’antériorité pour être viable statistiquement. Ces départements permettent de pérenniser les outils et transmettre le savoir en vue d’une performance de long terme.
L’analyse de données a un coût mais il s’agit d’un investissement. Le plus souvent, celui-ci s’avère d’ailleurs rentable en évitant des blessures de joueurs ou en trouvant des joueurs moins chers pour un même niveau de performance. Si nous n’avons pas pris la peine de le détailler en profondeur, la donnée offre de véritables perspectives pour améliorer ses performances et évaluer son organisation pour l’amener vers plus de productivité. La data est assez facilement accessible mais nécessite une organisation réfléchie et des outils adaptés. Dans leur prochain article, les équipes de Six Sports Management et Alexis Barat vous donneront des pistes d’organisation optimales pour exploiter le meilleur de sa data.