JLB data football

Depuis au moins 5 ans, je mûris une réflexion structurée sur l’utilisation des données, avec des contributions concrètes (modèle de notations des joueurs, analyses, data visualisation, prédictions, conseils…).   J’allie ma passion le football à une approche analytique rigoureuse.    Statisticien de formation de 20 ans d’expérience professionnelle en analyse de données et gestion du risque, j’ai développé une expertise avancée en data science et aide à la décision.   Je propose une lecture data du football éclairée, stratégique, et orientée vers la prise de décision, que ce soit dans le suivi des effectifs ou le recrutement.   🧠 Compétences clés / Savoir-faire   ⚽ Football et Data : - Construction de notes de performance. - Modélisation des facteurs d’évolution de performances (Âge, divisions, adaptation, rôles, environnement…) - Confirmation et approfondissement par l’analyse de la vidéo (scout).   📈 Data science & Statistiques : - Connaissances solides en statistiques, notamment classification, scoring, clustering et prédiction. - Approche rigoureuse de l’intervalle de confiance et de l’incertitude statistique.   🗣️ Communication : - Capacité à vulgariser des indicateurs complexes pour des profils non expert (staff) - Sens de la pédagogie dans l’accompagnement à la lecture de la donnée.   🧭 Ce que je pourrais proposer - Un outil de scoring de la performance des joueurs - Un suivi continu des performances d’un effectif ou d’un ensemble de joueurs ciblés - Un profilage des joueurs - Une anticipation sur les profils à recruter - Une capacité à cibler la demande du staff, à classer et à comparer - Une approche quantitative de la performance et du résultat. - Des présentations et synthèses claires pour les staffs ou directions. - Des conseils stratégiques sur la composition d’effectif (équilibre jeunes/expérimentés, achat/prêt, adéquation au style) basées en analysant les réussites passées des autres clubs. - Une approche “risk/opportunity” transposable au football, pour guider la prise de décision sur un transfert ou une stratégie de club. - Des gains financiers et une maîtrise du budget en optimisant le recrutement, la qualité de l’effectif et l’atteinte des résultats.

@13Regista Déjà répondu, sofascore

@jlb_data Tu prends d’où les données ?

Les 4 matchs de champions League dont 3 observés à la mi temps avec la position moyenne des joueurs. Hâte de travailler sur les notes en direct et une dataviz sympa. Le PSG n’est pas en rouge par contre. #ChampionsLeague2026

Annecy vs Troyes en Ligue 2 avec les positions moyennes des joueurs

@bertinho06 J’ai passé des centaines d’ heures sur le webscrapping, sur la récupération des données, le formatage et la dataviz. Mais aujourd’hui, c’est la révolution avec l’IA…

Sans compétences de codeurs? Avec juste Excel? car ce que je vois, c’est qu’il faut pouvoir débugger parfois, attention il peut aussi y avoir des erreurs… J’ai du mal à concevoir un résultat sans connaître les différentes étapes sur la donnée. Je comprends que tu as une bonne idée de là ou tu veux aller aussi… c’est peut être pas donné à tout le monde. Je ne suis pas dupe sur le fait que certaines propositions aujourd’hui étaient largement aidées par l’IA. La différence se fera demain sur l’expertise en terme d’analyse ou de contextualisation footballistique.

Oui l’IA va révolutionner certaines tâches du monde du football. Ici quelques extraits d’un Rapport Data simple sur Emin Bayram 🇹🇷 Entièrement rédigé via une IA.

J’ai codé en récupérant les donnes de sofascore

De la ligue 1 au National, en passant par la ligue des champions. 🤩

Les positions moyennes des joueurs sur un match en direct de Ligue 1. Rennes vs Lille #ligue1 #SRFCLOSC

La heatmap de Nuno Mendes lors de son match contre Chelsea. #PSG #ligue1

Un peu de dataviz avec le match du PSG vs Chelsea sorti avec mon logiciel R, ici les positions moyennes des titulaires avec les couleurs des maillots en automatique. Ça donne envie de retravailler les notes sur un match. En Ligue des Champions, les données physiques sont aussi disponibles. #PSG #Ligue1

Très bien la data visualisation, le modèle de notation est cependant bien plus important et déterminant dans l’utilisation de la data. Il peut se mesurer à l’incompréhension des experts, des suiveurs… quelle est réellement la performance du modèle? Une critique évidente émise par les suiveurs ici est le poids donné à la passe décisive de Doué

Les notes des parisiens selon notre algorithme qui ne prend en compte que la production statistique 👀 Le rapport de match complet est disponible sur Instagram 👉 instagram.com/p/DVyImM7jPNH/…

@Tevez29EAG Pas une place pour Kante, Griezmann et Pogba 2018?

Je me suis fait la meilleure équipe de France possible (à mon goût) entre France 98, France 2000 et France 2018

Mon premier classement de Ligue 1 avec les données sofascore. Kebbal baisse un peu avec ma notation. Afonso Moreira et Bentaleb sont mieux notés. Les minutes jouées ne sont pas ici utilisées pour le classement. #Ligue1McDonalds

Les rapports de joueurs ChatGPT, quelle plaie… quelle est la plus value sinon de berner encore quelques personnes. Il faut développer une réelle expertise, l’IA est déjà partout. Seuls les experts dans leur domaine continueront d’exister.

@BetterCallBidul Oui :)

@jlb_data Ahah je reconnais l’interface R studio

J’ai trouvé une approche très pertinente pour évaluer la performance des défenseurs avec plus de données. La qualité du modèle devient très bonne voire excellente alors qu’auparavant j’avais un déficit de données avec wyscout sur les défenseurs. Plus de 30 variables rentrent dans mon modèle. Les nouveaux indicateurs: - Penalty concédé, - Erreur but ou tir, - Csc, - Clean sheet et buts encaissés, - Dribblés par un joueur Le coefficient de détermination R2 atteint 87%! Auparavant, je stagnais à 65% sur les défenseurs. Pour les experts du football, cela veut dire que je suis en mesure de trier les performances des joueurs avec une approche statistique qui augmentent les chances de gagner et donc d’être très pertinent dans l’évaluation et le recrutement. #data #Ligue1McDonalds #ligue2

@RMCsport @CarineGalli Il faut justement pas « faire de paris sur des joueurs ». Certainement sorti de son contexte car ce n’est sans doute pas ce qu’ils font. Il faut au contraire réduire les risques et avoir une bonne estimation de la performance à venir du joueur en réduisant les coûts.

Laurent Koscielny était sur les médias de l'After ce jeudi pour raconter la vie et le boulot d'un directeur sportif avec les moyens du FC Lorient. Décryptage intéressant. rmcsport.bfmtv.com/football/ligue…

@SMCaen On peut aussi avoir une idée avant de prendre la responsabilité d’une équipe, connaître le championnat et des joueurs qu’on aimerait coacher. Après, c’est certain que le mercato d’hiver est difficile.

💬 Gaël Clichy « Le club m’a proposé de recruter des joueurs en janvier mais ce n’était pas l’idée. Je ne pouvais pas remplacer des joueurs sans avoir pu me faire ma propre idée. » #SMCaen #SMCLBC

@_BeFootball @lequipe Depuis qu’il y a de la donnée, on se rend bien compte du biais important du notateur, en gros les notes sont discutables… et à lire les messages de la dérive journalistique avec les joueurs…

🚨 𝗟𝗘𝗦 𝗡𝗢𝗧𝗘𝗦 @lequipe 𝗣𝗘̀𝗦𝗘𝗡𝗧 𝗟𝗢𝗨𝗥𝗗 𝗗𝗔𝗡𝗦 𝗟𝗔 𝗧𝗘̂𝗧𝗘 𝗗𝗘 𝗖𝗘𝗥𝗧𝗔𝗜𝗡𝗦 𝗝𝗢𝗨𝗘𝗨𝗥𝗦 😳: Vincent Duluc 🗣️ : « 𝗜𝗟 𝗬 𝗔 𝗤𝗨𝗔𝗡𝗗 𝗠𝗘̂𝗠𝗘 𝗘𝗨 𝗗𝗘𝗦 𝗜𝗡𝗦𝗨𝗟𝗧𝗘𝗦, 𝗗𝗘𝗦 𝗠𝗘𝗡𝗔𝗖𝗘𝗦. Il y a aussi les petites pressions amicales, certains joueurs disaient après le match : “alors ce soir je t’ai fait rêver ? Tu m’as mis combien ?” D’autres joueurs appelaient à 23h/23h30 pour avoir leur note, on leur disait et ils nous répondaient “tu peux m’oublier là.” » 🗣️ Melissande Gomez, autre journaliste @lequipe : “𝗮𝗽𝗿𝗲̀𝘀 𝗮𝘃𝗼𝗶𝗿 𝗺𝗶𝘀 𝘂𝗻 𝟯, 𝗷’𝗮𝗶 𝗿𝗲𝗰̧𝘂 𝘂𝗻 𝘁𝗲𝘅𝘁𝗼 𝗱’𝘂𝗻 𝗷𝗼𝘂𝗲𝘂𝗿 : “𝗼𝘂𝗯𝗹𝗶𝗲 𝗺𝗼𝗻 𝗻𝘂𝗺𝗲́𝗿𝗼”.