Scouting football et data : ce que l'IA mesure et ce qu'elle rate

Ce que les données apportent vraiment au scouting football

Dans les clubs professionnels, le scouting s'appuie sur trois sources : les données d'événements (passes, tirs, duels, récupérations codés pour chaque match), les données de tracking (positions de tous les joueurs plusieurs fois par seconde) et la vidéo. L'IA intervient à plusieurs niveaux.

• Modèles de valeur : estimer la probabilité qu'une action mène à un but. Le plus connu est l'xG (expected goals) pour les tirs ; d'autres modèles attribuent une valeur aux passes et aux conduites qui font progresser le ballon.
• Recherche de profils similaires : à partir d'un joueur de référence, l'outil propose des joueurs aux statistiques proches dans d'autres championnats.
• Recherche vidéo : retrouver toutes les réceptions entre les lignes d'un joueur sans regarder 90 minutes.
• Projection : estimer comment un joueur s'adapterait à un championnat plus exigeant. C'est la partie la plus incertaine.

Le point commun : ces outils réduisent une liste. La décision finale passe par l'observation directe, l'entretien, le contexte personnel et l'avis du staff. Dans le football amateur et en formation, les données d'événements fiables sont rares ; le club travaille surtout avec ses propres observations et sa vidéo.

Métriques utiles par poste et leurs pièges

Une métrique ne vaut que dans son contexte. Trois corrections sont indispensables : rapporter les volumes à 90 minutes jouées, tenir compte du style de l'équipe (une équipe qui défend beaucoup produit mécaniquement plus de récupérations) et exiger un échantillon suffisant (plusieurs centaines de minutes, pas deux matchs).

Détection des jeunes footballeurs : âge relatif et maturation

En formation, les données de performance mesurent souvent l'avance physique plutôt que le potentiel. Un joueur né en janvier a presque un an de plus qu'un joueur né en décembre de la même catégorie. À 12 ou 13 ans, l'écart de maturation biologique entre deux joueurs du même âge peut être de plusieurs années.

• L'effet d'âge relatif est l'un des biais les mieux documentés. Une méta-analyse publiée en 2023, portant sur 90 articles, observe l'effet le plus marqué à l'adolescence et une proportion de joueurs nés en début d'année qui augmente avec le niveau.
• Il naît souvent de la sélection : une étude nationale suisse sur plus de 100 000 jeunes licenciés trouve un effet faible dans l'ensemble, mais présent dès les premières sélections faites par les éducateurs (équipes de niveau) et absent des listes d'attente, sauf chez les plus jeunes.
• Un modèle entraîné sur des sélections passées reproduit ces biais : si les anciens joueurs retenus étaient surtout nés en début d'année et en avance physiquement, l'algorithme apprendra que c'est un critère de réussite.

Certains centres de formation regroupent ponctuellement les joueurs par stade de maturation plutôt que par âge (bio-banding) pour mieux voir les joueurs en retard de croissance. Cette approche demande des mesures régulières de taille et un encadrement sérieux ; elle ne se décrète pas avec un tableur.

Limites des modèles et biais à connaître

• Qualité des données : dans les divisions inférieures, le codage est plus rare et moins homogène. Comparer deux championnats codés différemment fausse les classements.
• Ce qui n'est pas mesuré : la qualité des déplacements sans ballon, la communication, la réaction après une erreur, la capacité à apprendre. C'est souvent ce qui fait la différence à moyen terme.
• Le biais du survivant : on étudie les joueurs devenus professionnels, pas ceux qui avaient le même profil et ont arrêté.
• L'opacité : si le staff ne comprend pas pourquoi l'outil classe un joueur en tête, il ne peut ni le contester ni l'expliquer au joueur.
• Le contexte de vie : blessures, scolarité, situation familiale. Aucune base de données ne les remplace.

L'organisation des tournois est l'une des tâches les plus prenantes d'un club amateur : inscriptions, tirage au sort, calendrier et résultats. DorsalCUP le fait gratuitement, et le générateur de calendrier de tournoi prépare les matchs d'une journée en quelques minutes, sans inscription.

Méthode pour un club amateur ou de formation

1. Définir les profils recherchés à partir du modèle de jeu : pour chaque poste, trois à cinq comportements observables (ex. latéral : « fixe avant de donner », « recule à la perte »).
2. Créer une grille d'observation simple, notée de 1 à 4, avec des exemples concrets pour chaque note.
3. Observer au moins trois fois, par au moins deux personnes différentes, dans des contextes différents (match, entraînement, tournoi).
4. Utiliser la vidéo pour les cas discutés : une séquence vaut mieux qu'une moyenne.
5. Noter l'âge relatif et le contexte sur chaque fiche.
6. Relire les décisions en fin de saison : qui a été retenu, qui a progressé, qui a été écarté à tort.

Un assistant d'IA de texte peut aider à rédiger la grille, à résumer les notes de plusieurs observateurs ou à préparer des questions d'entretien. Il ne doit pas recevoir de données nominatives sur des mineurs. Les tournois de jeunes sont souvent le lieu où les éducateurs voient beaucoup de joueurs en peu de temps ; pour la méthode de lecture d'un adversaire en match, voir l'analyse d'adversaire.

Éthique, RGPD et décisions automatisées

Les fiches de scouting sont des données personnelles. Le club doit informer les personnes concernées, limiter les données au nécessaire et fixer une durée de conservation. Pour les mineurs, l'information passe aussi par les titulaires de l'autorité parentale (voir l'article sur le RGPD et les joueurs mineurs).

• Pas de décision uniquement automatisée : le RGPD (article 22) encadre les décisions fondées exclusivement sur un traitement automatisé qui affectent significativement une personne. Une sélection doit toujours être prise et assumée par des personnes.
• Méfiance envers les outils qui « lisent » le mental à partir de vidéos ou de visages. Le règlement européen sur l'IA interdit depuis le 2 février 2025 les systèmes de reconnaissance des émotions sur le lieu de travail et dans les établissements d'enseignement, sauf raisons médicales ou de sécurité.
• Pas de classement public d'enfants ou d'adolescents, et pas de fiche partagée hors du staff.
• Expliquer les décisions aux familles avec des critères compréhensibles, pas avec un score.

Questions fréquentes