FootBallAnalysis

Projet académique en équipe (2026). Les clubs dépensent des milliards en transferts sans outil fiable pour estimer un joueur, repérer un talent ou anticiper un départ. Comment exploiter les données historiques des joueurs pour aider les recruteurs à décider plus vite, avec moins de risque ?

Le projet suit la méthode CRISP-DM en 6 phases. L’équipe a défini 8 objectifs métier et en a réalisé 4 : segmenter les joueurs par profil, repérer les jeunes à fort potentiel, estimer la valeur marchande, anticiper un transfert.

Ma partie : l’objectif 3, estimer combien vaut un joueur, pour aider un club à ne pas surpayer et à vendre au bon prix. Utilisateurs visés : recruteurs, directeurs sportifs, agents.

Données : le datalake Transfermarkt, 10 fichiers CSV, 5 673 773 lignes, 92 671 joueurs et 2 175 clubs.

• Estimer la valeur d’un joueur : le recruteur saisit l’âge, la taille, le poste, le pied fort et les statistiques (matchs, buts, passes, minutes, cartons). L’API renvoie une valeur lisible, par exemple « 12.50 M€ » ou « 850 K€ ».
• Repérer les joueurs sous-évalués : on compare valeur prédite et valeur actuelle. Les joueurs dont la valeur prédite dépasse le plus leur valeur actuelle sont des opportunités de recrutement.
• Un agent IA de scouting (Llama 3.3 70B via Groq) lance les modèles de l’équipe et rédige un rapport ; il intègre l’estimation de valeur marchande.
• La même interface web donne accès aux 4 objectifs : profil du joueur, potentiel, valeur marchande, probabilité de transfert.

Les notebooks entraînent les modèles, qui sont exportés (joblib) puis chargés au démarrage par une API FastAPI (Uvicorn). L’interface web (HTML, CSS, JavaScript) est servie par la même application. La clé Groq est lue dans le fichier .env.

Pour l’objectif 3, le prétraitement fait partie du même Pipeline que le modèle : il est appris sur le seul jeu d’entraînement (pas de fuite de données) et l’API le rejoue à l’identique.

Préparation des données

1. Cible : la dernière valeur connue de chaque joueur, passée en log1p pour réduire l’asymétrie (beaucoup de petites valeurs, quelques stars à plus de 100 M€).
2. Performances agrégées par joueur (matchs, buts, passes, minutes, cartons), jointes aux profils ; un joueur sans statistiques reçoit 0.
3. Prétraitement (ColumnTransformer) : 8 variables numériques imputées par la médiane puis standardisées ; poste et pied fort encodés en one-hot.
4. Découpage 80 % / 20 %.

5 modèles comparés, même prétraitement

Le modèle au meilleur R² est retenu automatiquement, puis analysé : prédit vs réel, résidus, importance des variables. Une variante avec plus de variables (âge au carré, minutes par match, etc.) explique ses prédictions avec SHAP.

Résultats, sans arrondir la vérité

Le seul score enregistré est celui de la variante : R² = 0,641 (régression linéaire, MAE 2,850 et RMSE 3,835 sur l’échelle log). Le notebook principal n’a pas été exécuté jusqu’au bout : les scores des 5 modèles ne sont pas publiés, on sait seulement que LightGBM a eu le meilleur R², puisque c’est lui qui a été exporté. Un R² autour de 0,64 est réaliste : la valeur dépend aussi du contrat, du club, de la ligue et de la médiatisation, absents des données.

Limites et pistes

• Statistiques sommées sur toute la carrière, et ligue absente : un but en 1re et en 2e division comptent pareil. Piste : stats des 1 à 2 dernières saisons, ratios par 90 minutes, niveau de compétition.
• Une seule séparation entraînement / test. Piste : validation croisée et réglage des hyperparamètres (Optuna).
• Métriques sur l’échelle log. Piste : MAE et MAPE en euros, par tranche de valeur, et SHAP dans l’API.

Le modèle de la démo

Pour la démo de la page, le modèle a été réentraîné à partir des données préparées du projet. En testant le modèle exporté, un défaut est apparu : entraîné aussi sur les joueurs retraités (dernière valeur souvent à 0 €), il avait appris à lire l’âge comme « retraité ou non », et estimait un joueur de 33 ans à quelques euros.

• Données : seuls les 33 508 joueurs actifs dont la dernière valeur est connue et positive sont gardés.
• Variables : celles du projet (âge, taille, poste, pied fort, buts, passes et minutes en carrière), plus le niveau du club actuel : la valeur moyenne lissée de ses joueurs. Les totaux de carrière ne disent pas à quel niveau un joueur joue ; le club, si. C’est un encodage par la cible : il est calculé hors pli sur l’entraînement et à partir de l’entraînement seul pour le test, pour qu’un joueur ne voie jamais sa propre valeur.

• Réglages : recherche aléatoire (30 essais, validation croisée à 5 plis) ; une seconde recherche plus large (jusqu’à 2 500 arbres) n’a pas fait mieux. Des contraintes monotones garantissent que plus de buts ou de passes ne font jamais baisser l’estimation.
• Résultat final : R² 0,74, erreur médiane de 45 % en euros, 66 % des estimations à moins d’un facteur 2.
• Fourchette : deux modèles quantiles (10 % et 90 %) encadrent l’estimation ; la vraie valeur y tombe pour 78 % des joueurs de test, pour 80 % visés.
• Garde-fous : au-delà de ce que montrent 99 % des joueurs d’entraînement (par âge et par poste), la démo signale un profil inhabituel. Un club absent des données reçoit le niveau moyen, et la démo le dit.
• Le modèle est exporté en JSON et calculé dans le navigateur ; un contrôle vérifie sur 3 000 joueurs que les prédictions sont celles de Python (écart inférieur à 0,00001 sur l’échelle log).