sport et big data

Sport et Big Data – Quand la science des données donne l’avantage sur le terrain

Grâce au , il est aujourd’hui possible pour les coaches d’analyser avec précision les performances des sportifs professionnels, afin de déterminer leurs forces et leurs faiblesses et d’exploiter pleinement leur potentiel. Découvrez les nombreuses possibilités offertes par l’association entre sport et Big Data.

Depuis 2007, le Big Data est de plus en plus utilisé dans l’industrie du sport. Le tracking de données est devenu la norme dans toutes les disciplines. Ainsi, depuis 2013, la NBA a installé des systèmes de tracking dans chacun de ses 29 stades. Cependant, il reste à déterminer dans quel but peuvent être utilisées ces données, et comment créer l’alchimie entre sport et Big Data.

Les joueurs NFL ne sont pas autorisés à jouer avec des traqueurs GPS. Cependant, de nombreux coaches utilisent de tels appareils durant leurs entraînements. Toutefois, le GPS est loin d’être un système infaillible. C’est la raison pour laquelle la NFL a décidé de se mettre à jour en utilisant un système RFID fourni par Zebra Technologies. Chaque joueur sera équipé de deux puces RFID incorporées à ses épaulières. Ces puces permettront d’envoyer les données de localisation et de vitesse mesurées à l’aide d’accéléromètres.

ée dans le cadre d’un programme pilote, cette méthode s’est montrée si probante que la NFL a décidé de la déployer parmi chacune de ses 32 équipes. Ainsi, les analystes sont en mesure de voir les coordonnées X-Y-Z de chaque joueur avec une précision sans précédent. Les puces envoient 25 signaux par seconde, et délivrent les données en 120 millisecondes. En mesurant la vitesse et la distance entre les joueurs, les coaches peuvent trouver une nouvelle mine d’informations leur permettant de mieux utiliser l’espace de jeu.

Il est par exemple possible de mettre en place de nouvelles formations, d’imaginer de nouvelles trajectoires, ou de comprendre le style particulier de chaque joueur. Le véritable pouvoir de ces puces repose toutefois sur la possibilité de dégager du sens des chiffres et des statistiques. La firme Slalom Consulting s’est chargée de transformer les données sportives en visuels concrets permettant de prendre des décisions. Cet outil sport et Big Data permet de visualiser les performances des équipes et leurs principales qualités.

Malgré la présence de ces technologies et la grande quantité de données disponibles pour la NFL, les équipes sportives sont encore loin d’être prêtes pour le Big Data. L’ancien président des Toronto Raptors, Bryan Colangelo, estime que les équipes ont plus que jamais besoin de spécialistes des analyses de données.

Selon lui, les opportunités sport et Big Data sont nombreuses, mais il est nécessaire de dépenser 250 000 dollars et d’employer trois personnes à temps plein pour réellement les saisir. En 2015, le Big Data a prouvé sa valeur pour la NBA, et devrait peu à peu s’imposer dans le milieu du football. Cette technologie offre aux sports professionnels la possibilité de devenir encore plus populaires.

Moins de blessures grâce au Big Data

Grâce au tracking des joueurs, il est également possible de mieux prévenir les blessures. Les joueurs et les coaches peuvent mieux prendre conscience de leur taux d’hydratation et de leur condition physique de manière générale. De même, pour la NFL, les coups portés à la tête peuvent être détectés. Malgré la prise de conscience du danger des commotions dans le domaine du sport professionnel, les choses ont peu évolué en l’espace de quelques années. En 2015, le nombre de commotions a même augmenté de 58%. Les coaches peuvent transformer les données en mesures préventives. Beaucoup espèrent que le tracking permettra de réduire le nombre de blessures.

Sport et Big Data, la fin du plaisir sportif ?

De nombreux experts craignent que le Big Data ne ruine le plaisir sportif en remplaçant les cœurs par des nombres. Les technologies analytiques risquent aussi de dénaturer le sport. Par exemple, pour éviter que les spectateurs ne s’ennuient pendant un match, la Major League Baseball a pris plusieurs initiatives. Entre chaque pitch, les hitters doivent garder un pied dans la box du batteur pour supprimer la perte de temps. De tels changements permettent de faire plus d’argent et de s’assurer que les fans reviendront. Au final, l’accent pourrait être mis sur la satisfaction des fans plutôt que sur le sport en lui-même.

Un autre problème à craindre est celui de la mauvaise utilisation des données, et du refus des sportifs de contribuer à la collecte des données. Les analystes souhaitent très probablement connaître le nombre de pas exact parcouru par les joueurs, ou dresser un parallèle entre ce qu’ils mangent durant la semaine et leurs performances sur le terrain, mais les intéressés souhaiteront certainement conserver leur vie privée.

Toutefois, les bénéfices apportés par le Big Data devraient être bien plus importants. La rétention des fans et le développement de la fan base comptent parmi les principaux avantages apportés par l’analyse de données. Ainsi, et SAS envisagent d’améliorer l’expérience des spectateurs grâce au Big Data. De même, la collecte de données pourrait permettre de mieux planifier les jeux ou d’ouvrir l’accès à davantage d’informations pour les fans.

3 façons dont le Big Data va révolutionner le sport

Prédire les préférences des fans

Les technologies analytiques peuvent améliorer l’expérience des fans de sport. Plus les vendeurs de tickets et les équipes connaissent les préférences des fans, plus ils sont en mesure de les choyer. Les fans d’aujourd’hui se rendent dans les stades avec des smartphones, et souhaitent que la technologie améliore leur expérience. En réponse, les organisateurs d’événements sportifs majeurs et les propriétaires de stades se tournent vers le , les technologies mobiles et les technologies analytiques pour proposer une expérience inédite.

Dans un futur proche, plusieurs changements sont à prévoir. En arrivant au stade, le spectateur pourra être guidé vers la place de parking la plus proche grâce à une application mobile. Sur le terrain, il sera possible d’accéder à des replays instantanés, des vues alternatives et des vidéos rapprochées. En utilisant un appareil mobile, le fan pourra commander de la nourriture et des boissons et se les faire livrer à sa place sans perdre un instant du match. Le smartphone pourra également indiquer les toilettes les plus proches. Enfin, après le match, l’application fournira des indications sur le trafic et pourra suggérer la route la plus rapide pour le domicile.

Mesurer la condition physique des sportifs grâce aux wearables

Les données en provenance des objets connectés de type wearables, tels que les bracelets connectés, les lunettes AR ou les smartwatches, fournissent des informations statistiques en temps réel sur chaque joueur. La vitesse, le rythme ou l’accélération cardiaques sont autant de données mesurables par ces appareils. De même, les wearables permettent de réduire le nombre de blessures. Par exemple, dans le rugby, une diminution du nombre de blessures a été constatée grâce à l’usage des wearables. Les capteurs enregistrent l’impact des collisions et l’intensité de l’activité, et les comparent avec les données historiques en provenance d’une base de données pour déterminer si le joueur risque de se blesser.

Influencer les décisions des coaches

Les données peuvent aider les coaches et les joueurs à prendre des décisions pouvant influencer l’issue d’un match. Les coaches peuvent choisir les meilleurs joueurs, former des équipes optimales, et prendre des décisions plus intelligentes sur le terrain.

Le Big Data transforme la science du sport

Dans tous les sports d’équipe comme le football ou le basketball, il est désormais possible d’enregistrer tous les mouvements de chaque joueur. À partir de ces données, les algorithmes sport et Big Data permettent de dégager des informations précieuses.

Le livre Moneyball, écrit par Michael Lewis, a permis de changer la façon dont les coaches et les joueurs perçoivent le sport. Dans ce livre, les performances des joueurs sont mesurées et analysées pour conduire une équipe à la victoire. Le calcul et l’analyse remplacent l’intuition.

Depuis la sortie de ce livre, les scientifiques spécialisés dans le sport ont été nombreux à tenter de reproduire cette approche victorieuse dans les différents sports d’équipe. Cette science est menée par la capacité nouvelle à rassembler de grandes quantités de données sur les joueurs et sur un match en temps réel.

Toutefois, dans la plupart de ces sports, les données collectées restent inexploitées, faute de capacité à les traiter de façon utile. Selon Joachkim Gudmundsson et Michael Horton de l’Université de Sydney, Australie, l’industrie du sport doit relever plusieurs défis pour tirer profit du Big Data.

Les recherches de ces deux experts portent sur les sports dits d’invasion, dans lesquels deux équipes se disputent la possession d’une balle au sein d’une zone de jeu réduite. Chaque équipe doit marquer un point en plaçant la balle dans le but adverse tout en défendant son propre but. L’équipe qui marque le plus grand score remporte la partie.

Parmi les principaux sports d’invasion, on compte le football, le basketball, le hockey, le rugby, ou encore le handball. Toutefois, les données sont principalement collectées dans le domaine du football et du basketball professionnel, car la collecte des données requiert des moyens financiers de grande envergure.

En règle générale, les données collectées sont la trajectoire des joueurs et de la balle durant le match, ou encore les événements tels que les passes, les tirs, ou les tacles. Les systèmes de tracking d’objet permettent de produire des traces spatio-temporelles de ces différents mouvements avec une fréquence et une résolution très haute. Ceci permet de faciliter la recherche visant à extraire des informations utiles de ces trajectoires.

Plusieurs défis à relever pour la science du sport

Le principal challenge dans le domaine de la science sportive est d’utiliser ces données pour obtenir un avantage compétitif. Cet avantage peut être obtenu en temps réel pendant le jeu, ou aider pendant l’entraînement, la préparation ou le recrutement. Toutefois, même si les chercheurs ont fait d’importants progrès, de hautes barrières se dressent encore à l’horizon.

L’un des principaux obstacles est de parvenir à comprendre comment les joueurs peuvent dominer les parcelles de terrain à proximité. Dans la science sportive, la région dominante d’un joueur est la zone qu’il peut atteindre avant tout autre joueur. Une façon simple de mesurer cette zone est de dessiner un diagramme Voronoi.

Un tel diagramme peut être modifié avec l’aide d’autres informations. Par exemple, les régions dominantes sont généralement plus larges pour les équipes en attaque que pour les équipes en défense. Toutefois, calculer le diagramme Voronoi pour chaque joueur nécessite d’importantes ressources informatiques. Jusqu’à présent, nul n’est parvenu à calculer ces diagrammes en temps réel, pas même pour la RoboCup.

À la place, les chercheurs abordent le problème d’une façon alternative. Ils calculent la région que chaque joueur peut atteindre dans un temps donné, puis recherchent les chevauchements pour remédier au problème. Ceci permet de multiplier la vitesse de calcul par 1000, malgré une perte de précision estimée à 10%.

Malgré tout, cette approche ignore certains facteurs cruciaux. Par exemple, un joueur en mouvement peut dominer une région bien plus importante qu’un joueur statique. Ce facteur peut mener à des sous-divisions complexes du terrain. Quand un joueur se dirige vers un opposant statique, chacun d’entre eux peut avoir plus d’une région dominante, et ces deux zones ne seront pas forcément connectées l’une à l’autre. Il est donc nécessaire de trouver comment calculer les régions dominantes de façon réaliste, en temps réel.

Un autre défi à relever dans le domaine du sport et Big Data est de trouver comment déterminer si un joueur est prêt à recevoir une passe. Pour ce faire, il est nécessaire de définir si la balle peut être passée à une certaine vitesse et dans une certaine direction pour qu’un joueur puisse l’intercepter avant tous les autres.

De toute évidence, ce deuxième point est directement lié aux régions dominantes. En obtenant une idée précise de cette région, il est facile de définir une ligne de passe au sein de cette région. C’est d’ailleurs de cette façon que fonctionnent les outils sport et Big Data actuels.

Le problème est que seules certaines trajectoires peuvent être considérées comme des lignes droites pour les passes. Une trajectoire aérienne, par exemple, ne répond pas aux critères. Aucun outil n’existe à l’heure actuelle pour calculer ce type de trajectoires. Il s’agit d’un autre problème à résoudre pour la science du sport.

Il est également nécessaire de prendre en compte le fait qu’un joueur peut placer une pression sur un autre en fermant l’espace autour de lui. Il est difficile de mesurer ce phénomène et de l’incorporer à un modèle algorithmique.

L’essor de la science des réseaux

La science des réseaux prend une place de plus en plus importante dans le domaine de l’analyse sport et Big Data. Cette science considère chaque joueur comme un nœud et trace une ligne entre eux lorsque la balle se déplace de l’un à l’autre. De nombreux outils mathématiques ont déjà été développés pour l’analyse de tels réseaux, et cette technique est donc très utile pour la science du sport.

Par exemple, il est facile de déterminer les nœuds les plus importants du réseau en utilisant la mesure dite de centralité. Dans le football, les gardiens de but et les attaquants ont la centralité la plus basse, tandis que les défenseurs et les milieux de terrain ont la plus haute.

Cette science permet également de diviser le réseau en grappes. Ainsi, les membres des équipes peuvent simplement se passer la balle ou agir plus efficacement. Toutefois, le problème de la science des réseaux est qu’il existe de nombreuses façons de mesurer la centralité et de déterminer les grappes, et la méthode la plus efficace n’est pas toujours claire en fonction des circonstances. Il est donc nécessaire d’évaluer systématiquement et de comparer ces différentes méthodes pour déterminer leur utilité et leur valeur.

Un autre problème auquel est confrontée la science du sport est l’analyse des données de jeu. Par exemple, en analysant la liste des trajectoires d’un joueur et les différents événements sur une certaine période, il serait possible de déterminer la formation de l’équipe, ou le type de marquages utilisé par les défenseurs. De telles analyses peuvent être effectuées dans certains sports, mais ne sont pas encore en mesure de surpasser l’intelligence humaine.

La création d’algorithmes sport et Big Data capables de résoudre ces problèmes n’est que la moitié du chemin. La prochaine étape est de se demander comment ces outils peuvent améliorer les performances sur le terrain et en dehors. Ces algorithmes sport et Big Data doivent être en mesure de déterminer si un joueur victorieux dans une équipe peut aussi triompher dans une autre équipe, de mesurer les performances et la valeur d’un joueur, et doivent pouvoir être utilisés en temps réel pendant un jeu pour aider les coaches et les fans. De telles améliorations devraient survenir au cours des années à venir.

Le Machine Learning est le futur du Big Data sportif

Le Machine Learning et l’intelligence artificielle jouent un rôle de plus en plus important dans la collecte des données sportives. Selon Patrick Lucey, directeur de la Data Science à STATS, une nouvelle ère sport et Big Data commence grâce à ces technologies.

L’IA et le Machine Learning vont permettre d’ajouter un contexte aux données sportives. En plus de mesurer la vitesse et de la distance, il est nécessaire de se demander par exemple combien de sprints ont été effectués par le sportif, ou encore si ces accélérations ont été effectuées sous pression.

Par ailleurs, STATS cherche désormais à aider la prise de décisions data-driven. La firme souhaite aider les coaches à trouver rapidement les informations qu’ils cherchent, et à obtenir des réponses immédiates sur lesquelles s’appuyer.

En ajoutant un contexte aux données collectées, les coaches et les analystes sont en mesure de passer plus de temps à se concentrer sur des éléments stratégiques tels que la corrélation entre les actions, ou la qualité des opportunités créées.

Les nouvelles technologies permettent de maximiser la valeur des données, un point primordial dans un sport subtil et complexe comme le football professionnel. Le Machine Learning permet de convertir les données dans un langage ou dans un contexte compréhensible pour les coaches et les analystes. En effet, cette technologie repose sur des mesures objectives, permettant de détecter des choses qui ne peuvent être repérées par l’humain.

Par exemple, la technique du ghosting permet de simuler des événements pour prédire ce qui pourrait arriver. Le ghosting permet à un coach d’analyser comment un joueur ou une équipe complète réagirait à une situation précise, afin de préparer ses joueurs de façon plus efficace.

Le Machine Learning et l’intelligence artificielle permettent aussi aux analystes d’effectuer leur travail plus rapidement, ce qui est très important dans un sport où les matchs se déroulent souvent très rapidement. En effet, cette technologie permet de parcourir les données historiques instantanément et d’obtenir les réponses directement plutôt que d’avoir à parcourir des heures de vidéos d’archive.

Dans les sports collectifs, mais aussi dans les sports individuels comme le tennis ou les grands événements comme les Jeux olympiques, l’analyse de données se présente comme la nouvelle clé de la victoire. Plus que jamais, sport et Big Data semblent inexorablement liés. Pour triompher de leurs adversaires, les équipes devront désormais compter sur la science des données.

Restez à la pointe de l'information avec LEBIGDATA.FR !

Cliquez pour commenter

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Newsletter

La newsletter IA du futur

Rejoins nos 100 000 passionnés et experts et reçois en avant-première les dernières tendances de l’intelligence artificielle🔥