Suite à leurs deux premiers articles sur la gestion de la hashtagdata et la structuration d’un département d’analyse de la performance, Six Sports Management et Alexis Barat s’intéressent à la question du financement d’un tel département. Quels en sont les coûts et comment peut-on le financer ?
LES COÛTS DES RESSOURCES D’UN DEPARTEMENT D’ANALYSE DE LA PERFORMANCE
Un département performance doit être structuré avec une vision long terme tout en ne perdant pas de vue les réponses récurrentes aux besoins de court et moyen terme. C’est le rôle du chef de département de s’assurer de la pérennité de l’ensemble des projets au travers d’une organisation calibrée pour aider la direction à la prise de décision grâce à la Data Analytics.
Structurer un tel département à long terme implique de faire appel à des experts en data pour implémenter les bases nécessaires. Des data engineers pour construire l’architecture et les systèmes de stockage de données, des data analysts pour préparer les besoins futurs en reporting (visualisations, tableaux de bord…) et des data scientists pour construire des modèles prédictifs. Faire appel à de tels spécialistes extérieurs a bien évidemment un coût : entre 400€ et 500€HT en moyenne par jour d’intervention. Et avec une demande croissante dans le domaine du Big Data, ces montants ne cessent d’augmenter année après année.
1. Construire son outil d’analyse
La première pierre à poser pour construire son département consiste à uniformiser et consolider les données que possède déjà le club ou qui affluent à travers ses outils de récolte de données. Les data analyst ou scientist ne peuvent pas travailler sans base de données uniformisée et nettoyée au préalable. C’est donc au data engineer d’intervenir pour construire cette architecture de données. Une mission type s’articule généralement en 5 étapes :
· Identification du besoin (définition de l’utilisation, des niveaux de sécurité et de disponibilité, identification du type d’application qui se connectera à la base, évaluation de la volumétrie).
· Définition du modèle de base de données (modèle transactionnel et modèle multidimensionnel).
· Choix du système de gestion de base de données (SGBD) et de l’infrastructure (choix de l’éditeur et de l’infrastructure externe ou interne en fonction du budget).
· Optimisation de la base de données (tests avant la mise en production et ajustements).
· Maintenance de la plateforme et anticipation de l’évolution.
Les quatre premières étapes nécessitent 3 à 6 mois de travail à temps plein en fonction de la quantité et du nombre de sources de données. On estime une telle intervention à 8200 euros par mois. Après la mise en production, lors de la phase de run, une maintenance régulière des systèmes est nécessaire pour ne pas dégrader la donnée récoltée. Une intervention de maintenance représente environ 3 jours par mois soit environ 1230 euros.
2. Mettre en place les outils de visualisation
Une fois l’architecture de l’outil construite, l’intervention d’un data analyst est nécessaire afin de rationaliser le processus décisionnel. La création de dashboards automatisés permettra de présenter aux décideurs des données clarifiées après extractions et analyses. Il est possible de faire travailler le data engineer et le data analyst ensembles pendant un temps car ce dernier est l’interface direct avec le consommateur final de la data – ici le staff technique. Son interprétation des besoins est déterminante pour aider le data engineer dans la création d’un entrepôt de données.
Néanmoins, contrairement au data engineer, le data analyst n’a pas besoin d’intervenir à temps plein et la durée de son intervention varie sensiblement en fonction des besoins d’automatisation et de reporting. Si l’on prend l’exemple d’un préparateur physique ayant besoin d’une batterie de dashboards pour piloter la performance physique des joueurs à partir de ses nombreux outils, il faudrait compter entre 1 et 3 mois de travail avec de la transmission de savoir et de la formation à l’utilisation des outils. Là-aussi, le budget serait de 8200 euros par mois environ. Enfin il est possible d’engager un data scientist pour travailler sur des modèles de prédictions et des statistiques. Ce type de profil travaille sur des missions plutôt longues de plus de six mois et est assez onéreux (autour de 10000 euros par mois pour un prestataire). Néanmoins les résultats peuvent s’avérer impactants pour le club mais nécessitent en amont une quantité de données récoltées importante.
Baromètre des tarifs (TJM) des experts du Big Data en février 2023
3. Faire fonctionner son département au quotidien
Une fois les bases implémentées, un département doit pouvoir s’appuyer sur des ressources permanentes capables de tirer parti des jeux de données. Il s’agit principalement de sport scientists (analystes vidéo ou GPS, préparateurs physiques …). Le plus important est d’intégrer ces parties prenantes à l’ensemble du projet data car ils forment ce qu’on appelle « le métier », leur travail répond à un besoin direct de la direction. Dans l’idéal ils interagissent avec les data analyst pour l’automatisation des reporting et la création de dashboards. Ce sont eux que les data analyst vont former à l’utilisation des outils de visualisation. Avec le chef de département ils constituent les postes permanents qui rendent comptes aux décideurs (manager, coach, directeur sportif, directeur général…). Lors de la création d’un tel département, il n’y a pas de nécessité particulière de recruter des ressources supplémentaires mais bien de faire évoluer ou de remplacer les ressources analytiques existantes.
L’idée globale est d’allier les expertises de la meilleure des manières pour utiliser la data de façon pérenne. Il faut compter à l’année le salaire du chef de département, et ceux des sport scientist (stagiaires, alternants, juniors, seniors). Ces derniers sont ainsi occasionnellement mais régulièrement épaulés par des experts en big data : data engineer, data analyst ou data scientist en fonction de l’évolution des besoins du métier. Le chef de département doit s’assurer de la documentation et de la transmission de savoir afin que le changement de ressources n’impacte pas négativement les différents projets.
Au total, au vu des montants évoqués précédemment, la structuration d’un département d’analyse de la performance représente ainsi un coût compris entre 30 000€ (pour un club avec peu de data collectée) à 85 000€ pour un club souhaitant commencer à faire de premières analyses prédictives à partir de ses données collectées. La maintenance des structures mises en place représente ainsi environ 2000€ par mois soit 24,000€ par an soit moins que le coût d’un analyste vidéo junior. Pour des clubs aux moyens limités, il apparait ainsi évident que le déploiement d’un tel département est accessible. Mais à nouveau, tous les clubs n’auront pas les mêmes besoins n’engendrant pas les mêmes coûts. Chaque année, Arsenal dépense environ 2 millions d’euros pour son département d’analyse de la performance en embauchant des analystes parmi les plus qualifiés pour tirer des analyses des outils les plus pointus du marché. Car le choix des outils est également un élément stratégique, l’anticipation sur les besoins futurs est à inclure dans la gestion de projets. Si certains sont hors de prix, il est aussi important de souligner que de nombreux outils de qualité sont gratuits ou très accessibles pour créer son département.
LES COÛTS DES OUTILS D’UN DEPARTEMENT D’ANALYSE DE LA PERFORMANCE
La transformation digitale (ou numérique) est en marche depuis de nombreuses années. L’organisation du travail évoluant en permanence, les entreprises ont été contraintes de se doter de nouveaux outils toujours plus performants. La digitalisation est aujourd’hui essentielle pour de multiples raisons : gain de temps, meilleur rendement, meilleure communication, centralisation de l’information, amélioration de l’expérience utilisateur… Le monde de la data n’échappe pas à ses règles et les outils pour la traiter se sont développés rapidement pour répondre aux besoins croissants. Nous allons identifier les potentiels « chemins de la data », c’est-à-dire l’ensemble des outils mis en place pour manipuler les données, de leur création à leur utilisation.
Dans un premier temps la donnée doit être créée, cette action peut être générée selon différent moyens. Elle peut être générée manuellement – à l’instar des médecins qui prennent des notes sur leurs consultations avec les joueurs – ou venir de technologies connectées (IoT) comme le GPS ou la vidéo. Les logiciels d’analyse de données GPS et vidéo existent et sont assez communs dans les cellules de performance des clubs. Ils permettent de générer des données brutes exploitables. Les données peuvent aussi venir d’application business tel que les ERP (Enterprise Resource Planning) ou CRM (Customer Relationship Management). Tous ces logiciels ont des coûts mais permettent de générer de la donnée en interne. Il est également possible d’obtenir de la donnée brute en externe grâce à des fournisseurs de donnée comme Opta dont l’activité est de compiler de la data sur toutes les équipes et tous les joueurs.
Deuxièmement il s’agit de transformer et déplacer la donnée. C’est à ce moment que l’aide d’un data engineer est requise, cette action est appelée “ETL” pour “Extract Transform & Load”. Les actions « Extraire et charger » permettent déplacer la donnée d’un point A à un point B, depuis un logiciel d’analyse de données GPS par exemple vers un Data Warehouse (entrepôt de données) utilisé pour le stockage. Il est possible d’utiliser des programmes Open Source (donc gratuits) comme Airbyte ou Apache Airflow (nécessitant du développement et de la maintenance de la part d’un data engineer). Ou des outils spécialisés comme Informatica PowerCenter, Microsoft SQL Server Integration Services (SSIS), Hadoop, AWS Glue, SAP BusinessObjects Data Services, Google Cloud Dataflow, Datameer, Stitch, Fivetran… Les outils sont nombreux sur le marché, le choix stratégique final doit reposer sur trois considérations :
· L’intégration. Les outils ETL peuvent se connecter à différentes sources mais le choix doit prendre en compte l’outil qui se connectera au plus de sources différentes parmi celles déjà utilisées au sein du club ou a minima les sources désirées.
· Le niveau de personnalisation. Certains outils sont plus personnalisables et flexibles que d’autres et donc plus ou moins faciles d’utilisation.
· Le coût. Il faut prendre en compte le coût des ressources nécessaires autour de l’outil lui-même. Un outil open-source gratuit nécessitera par exemple potentiellement beaucoup plus de maintenance.
En conclusion il est important de bien choisir son outil. Le process ETL est obligatoire afin de récupérer la donnée brute de plusieurs sources et d’uniformiser la base de données. Il faut compter entre 200€ et 1000€ par mois pour un outil payant en fonction du package choisi (nombre de connecteurs, capacité de traitement de données etc..).
En troisième lieu il faut stocker la donnée, généralement dans un “Data Warehouse” (base de données hébergée dans le cloud). En effet le développement du Cloud ces dernières années a rendu l’utilisation des Data Warehouse simple, rapide et assez peu coûteuse. On trouvera par exemple parmi les leaders du marché Google BigQuery, OVH Cloud, Snowflake, Azure ou encore Amazon Redshift. Il y a 5 points clés à regarder pour le choix d’un tel outil :
· Intégration. Il est important de sélectionner une solution qui permet de tirer parti de l’ensemble de son écosystème (existant ou à venir).
· Fiabilité et Support. Le cloud a de nombreux avantages mais les données hébergées peuvent toujours être soumises à des incidents. Il est important de s’assurer d’un bon support de la part de l’hébergeur et d’une bonne communication.
· Performance. L’accès aux données et la rapidité des traitements est importante lors du choix final. Par exemple Amazon Redshift propose un format orienté colonne et du traitement massivement parallèle alors que Big Query utilise autant de ressources nécessaires pour fournir les résultats en quelques seconde.
· La flexibilité.
· Le coût. Amazon Redshift facture en se basant sur le type d’instance qui soutient le data warehouse. Big Query facture d’une part la quantité de données stockées et d’autre part celle qui est balayée à chaque requête. Il est souvent difficile de prédire le tarif.
Ainsi le choix de l’outil de stockage des données est plus simple et moins onéreux que celui d’un outil ETL. Il peut être conseillé également par un data engineer ou un data analyst qui s’occupe des connexions entre les entrepôts de données et les outils de reporting. Il faut compter entre 20 et 60 euros par mois pour le stockage des données.
Enfin il faut visualiser la donnée, la faire parler et en tirer de la valeur ajoutée. C’est le rôle du data analyst de se pencher sur ces sujets. Il va identifier des uses-cases avec les sport scientists et travailler sur les meilleurs graphiques pour interpréter des données. Les outils de visualisation sont nombreux sur le marché il existe des outils gratuits, open source comme Google Data Studio ou Metabase. Mais aussi de nombreux outils payants plus ou moins chers : Power BI, Tableau, Sisense, Looker, Qlik, Toucan Toco, Open Data Soft… Les points clés sur lesquels baser son choix sont les mêmes que ceux évoqués plus haut pour les outils de stockage. Les prix des outils de visualisation varient entre 10 et 30 euros par utilisateur par mois. Il est également possible d’utiliser R ou python (langage de programmation) open source pour créer des visualisations. Excel est également un ami de toujours pour la plupart des organisations. Néanmoins ce sont des outils qui ne se transmettent moins dans le temps car il est difficile de former des ressources dessus, ce sont des outils de base très pratiques au cas par cas mais pas « user-friendly ».
Il faut garder à l’esprit que le choix de tous les outils qui amènent un décideur à visualiser et interpréter des données doit être fait de manière cohérente et de façon « scalable ». En d’autres termes rester viable, efficace et durable en cas de croissance du modèle.
Ainsi, les outils nécessaires à l’établissement d’une base de données fiable (encore une fois nous ne parlons pas ici de l’usage qu’en font les clubs comme Manchester City) ne représentent qu’entre 3000 et 15 000€ chaque année, un coût qui n’est pas si élevé eu égard de la valeur ajoutée sur le long terme de tels outils. Bien évidemment, à cela il s’agit de rajouter le coûts d’outils tels que les RPE, les fournisseurs de données et autres mais là encore des solutions peu coûteuses existent.
LE FINANCEMENT D’UN DEPARTEMENT D’ANALYSE DE LA PERFORMANCE
Financer un département d’analyse de la performance n’est pas chose aisée. C’est qu’un tel département n’est pas exactement un département de recherche mais plutôt un moyen d’optimiser les processus de production. Ce qui n’est pas réputé pour permettre aux entreprises d’engranger beaucoup d’aides.
La meilleure manière de financer un tel département est sans aucun doute d’avoir recours à une entreprise partenaire. Qu’il s’agisse d’une grande entreprise ou d’une entreprise de la tech, de nombreux partenaires potentiels peuvent être intéressés par un tel projet. D’une part car il s’agit d’une initiative à laquelle elles seront sensibles si elles utilisent la data ou que l’innovation est au cœur de leur business model. Une simple approche de sponsoring peut ainsi suffire à financer un tel département. Autrement, le sponsor a de nombreuses manières d’en accompagner le déploiement : via la mise à disposition de logiciels qu’il utilise dans le cadre de son activité ou via la mise à disposition de collaborateurs pour créer l’architecture du département ou pour en faire la maintenance régulière, voire contribuer aux analyses selon le type de partenaire (s’il s’agit d’un site de paris sportifs par exemple). Par ailleurs, si une partie de ce département est assumé par l’association support qui l’utilise pour le développement de la performance et le recrutement au sein des catégories jeunes, le partenaire peut bénéficier d’une réduction d’impôt de 66%.
Une approche permettant de bénéficier de nombreuses aides est celle d’un département ayant aussi une intention de faire de la recherche dans des sujets de data sportive. L’entreprise partenaire pourrait ainsi bénéficier d’un crédit impôt recherche de 30% des montants investis dans le projet et le club pourrait bénéficier des financements offerts par les Conventions Industrielles de Formation par la Recherche (CIFRE). Une telle aide permet de transformer un salaire brut chargé de doctorant de 33000€ en une charge de 8300€ pour l’année. L’entreprise bénéficiant par ailleurs de certains droits sur les brevets ou autres propriétés intellectuelles découvertes dans le cadre du travail de recherche effectué.
Enfin, exceptionnellement, certaines régions accompagnent les PME du territoire dans leur transformation. Elles peuvent financer jusqu’à 80% des montants alloués à l’acquisition de nouveaux logiciels par exemple selon l’impact du projet sur l’économie locale. À titre d’exemple, la région Ile de France via son programme PM’up Relance permet de financer le repositionnement stratégique d’une PME ayant du mal à passer un cap de développement pour des montants s’élevant jusqu’à 250 000€ (50% des montants totaux). Si des aides semblent relativement accessibles pour le financement de l’achat de licences de logiciels, le sujet le plus délicat reste celui de la structuration du département. Pour cela, un partenaire de la tech semble être le plus pertinent pour le financer si la trésorerie du club ne permet pas de faire appel à un prestataire spécialisé tel que Six Sports Management.
Nous arrivons désormais à la fin de notre série d’articles sur l’optimisation du recours à la hashtagdata sportive dans les clubs. Nous espérons que vous avez trouvé cela instructif et les équipes de Six Sports Management seront ravies de répondre à toutes vos questions sur le sujet et vous accompagner dans le déploiement ou l’étude de faisabilité d’un tel projet. Le secret de la performance dans toute industrie est de rester à l’avant du peloton en termes d’usage de nouveaux outils et de nouvelles méthodes. Dans le sport, la data représente clairement un avantage comparatif aujourd’hui et tous les clubs s’y mettent peu à peu. Prendre de l’avance est ainsi un avantage de taille.