Le business du football se chiffre en milliards d’euros au niveau mondial. Le classement publié par Deloitte montre que les 10 premiers clubs européens ont généré 5,4 milliards d’euros durant la saison 2020-2021 contre 6,3 en 2021-2022. Les principales sources de revenus des clubs sont, la billetterie, les droits TV, les transferts, les recettes commerciales (exemple : la vente des produits dérivés comme des maillots, le sponsoring, naming…) et le sponsoring. Le foot actuel intéresse les investisseurs tant privés que des groupes d’investissement. C’est le cas, par exemple, du groupe Qatar Sports Investments qui est propriétaire du PSG, Ineos (OGC Nice), etc et les particuliers comme, M. Frank McCourt (OM), John Textor (OL) etc (Xerfi).

Dorénavant, les clubs de football sont dirigés comme des entreprises classiques obligées de respecter les systèmes de management modernes pour espérer rester compétitifs. En effet, ils n’ont pas échappé à l’influence de l’ère de la data et de l’IA. Dans d’autres sports, comme le Tennis, Rugby et Basketball, le recours à la data et l’IA est très répandu depuis longtemps. Dans le football, cette tendance est remarquée depuis une dizaine d’année. Le sujet est très préoccupant tellement que la FIFA a créé un département chargé des innovations technologiques du football. Sur le plan scientifique, un bon nombre de chercheurs commencent à publier des articles en rapport avec la data/IA dans le football. Rutambuka (2022), fait une synthèse des articles sur les différents usages de la data/IA dans le football (Rodriguez, 2019 ; Kidd, 2019 ; Ahmed, 2016 ; Robertson et Joyce, 2019).

Malgré la qualité de ces travaux, les chercheurs n’ont pas suffisamment exploré l’implication de la data/IA sur différents aspects du management des clubs de football. C’est pourquoi cet article aborde globalement les changements présents ou futurs sur d’autres aspects (autres que techniques) du management du football, comme le métier des scouts et le marché des transferts. Nous proposons également une idée de développement d’une plateforme d’achat/vente des joueurs avant de développer une discussion et présenter les limites liées à l’utilisation de la data/IA dans le contexte du football. Notre contribution consiste à éveiller l’attention des personnes intéressées pour travailler davantage sur les thématiques évoquées.

Comment la data est-elle collectée ?

Les données peuvent être collectées manuellement par observation ou automatiquement (Vidal-Codina, F. et al. 2022) par les prestataires spécialisés comme Track 160, Tracab, Hawk-Eye, Opta, StatsBomb. Dans la plupart des cas, ces informations sur les joueurs sont obtenues à l’aide de capteurs sophistiqués qui traquent les déplacements des joueurs sur le terrain. D’autres outils de collecte se développent actuellement, comme Footbar ou l’application développée lors de la coupe du monde 2022 par la FIFA (FIFA player App). Cette app permet à chaque joueur d’avoir accès aux données individuelles consultables immédiatement après chaque match. Les type de données collectées sont, entre autres, les données footballistiques avancées (exemple : la nature des mouvements réalisés par un joueur en vue de recevoir le ballon), les données de performance physique (la distance parcourue à différents seuils de vitesse, le nombre de courses au-dessus de 25 km/h ainsi que la vitesse maximale enregistrée) et les données avancées d’intelligence footballistique. Ces données sont ensuite synchronisées avec les séquences de match pour permettre aux joueurs de revoir facilement leur match sous différents angles de leur prestation.

Le métier de scout et d’agent sportif

Le métier de scouting est une pratique consistant à assister aux matchs et entraînements des équipes (tous les niveaux) afin de faire des repérages et collecter des informations pour un club. On peut distinguer 2 types de scout :

1. celui qui joue le rôle de recruteur de joueurs, chargé d’apporter les données capitales pour le marché des transferts (mercato) et
2. celui qui joue le rôle d’observateur tactique chargé d’étudier et d’analyser les comportements des équipes adverses. Le scout est différent de l’agent sportif qui lui est le représentant du jouer, qu’il peut accompagner ponctuellement ou tout au long de sa carrière. Toutefois, les deux profils s’entendent pour leur intérêt mutuel.

Ainsi, depuis l’évolution de l’usage de la data et l’IA dans le football, ces informations que collectent les scouts peuvent être obtenues autrement à l’aide des outils technologiques mentionnés ci-haut. Par exemple, grâce aux algorithme de l’IA, le projet Predictafootball permet d’identifier les jeunes talents et prédit leur potentiel à réussir au niveau professionnel. En effet, le recours aux data/IA peut avoir des implications diverses au métier de scout en terme de :

1. Gain de temps : avec ces données collectées automatiquement, on peut supposer que le scout passera moins de temps d’observation et de prise de notes et focalisera plus son attention sur l’analyse de ces données.
2. Coûts : sur le volet coût, l’implication est double. Bien que les économies peuvent être réalisées sur les voyages et séjours des scouts, on ne peut pas oublier que les scouts (ou centre de formation de scout) devront investir en formation aux nouveaux outils d’analyse de données collectées pour acquérir de nouvelles compétences.
3. Précision : le recours à la data/IA pourra fournir des informations plus fiables qu’une simple observation et ainsi réduire la marge d’erreur, ce qui laisse à penser que les clubs pourront recruter les joueurs qui correspondent au mieux à leurs attentes.
4. Valeur marché du joueur : les données statistiques sur la performance des joueurs constituent des preuves factuelles de ses capacités et peuvent ainsi être utilisées par les agents des joueurs pour estimer leur valeur sur marché.

Toulouse Football Club a été le première club en Ligue 1 à avoir opérationnaliser l’utilisation de la data. Il recrute les joueurs à l’aide des data analysées statistiquement par ses techniciens. En 2020, Branco van den Boomen, inconnu des médias, recruté d’un simple club néerlandais « De Graafschap » grâce à ce système, et est devenu deux ans après, le meilleur joueur de la ligue 2 Française. Actuellement, il est sociétaire de la prestigieuse équipe d’Ajax Amsterdam. Un autre club Français, l’Olympique de Marseille, possède depuis 2020, un département chargé d’analyses statistiques des performances de ses joueurs. Il aide également aux recruteurs pour faire de bons choix, et permet ainsi de dénicher un talent que les scouts n’ont pas identifié à l’aide des méthodes classiques.  

Vers l’apparition d’une plateforme en ligne d’achat/vente des joueurs

Le volume de données collectées dans le football évolue à une vitesse exponentielle. Dans le même temps en économie, on assiste à l’apparition des business des plateformes en ligne (Insaf et al, 2022, p3), comme Leboncoin, Uber..,fournissant principalement des services (Hänninen et al.,2018), et permettant des interactions entre entreprises et clients (exemple : transfert entre club et un joueur libre – B2C) ou entre entreprises et entreprises (exemple : transfert d’un joueur négocié entre deux clubs – B2B) (Muzellec et al., 2015). En effet, nous supposons qu’au regard des données collectées actuellement, toutes les conditions sont remplies pour développer une plateforme en ligne d’achat et vente des joueurs. Dans le tableau ci-dessous, on voit à quoi peut ressembler une plateforme d’achat des joueurs et l’exemple des critères à saisir pour avoir le profil souhaité. Il est important de préciser qu’aucun contrat ne peut être signé uniquement sur la base d’un choix fait sur la plateforme. D’autres formalités sont obligatoires, notamment, la visite médicale, les clauses spécifiques au type de contrat (les primes, etc) qui doivent être remplies en présence des personnes physiques représentants les parties.

Tableau 1. Exemple d’interface de la plateforme d’achat des joueurs

On peut dire que cette idée qui se dessine serait plus adaptée au joueurs moyens car la valeur de ceux et celles dont le capital marque est élevé ne dépendent pas seulement des performances. Elle tient compte de leur capacité à générer des recettes en publicités et /ou de leur influence dans la société pour attirer les touristes dans un pays par exemple.

Discussion et les limites de l’utilisation de la data/IA dans le football

L’ère de la data/IA dans le football est lancée. Malgré la difficulté d’en analyser objectivement les bénéfices actuellement, il semble évident de dire que les données aident ceux qui ont des compétences pour les analyser, les interpréter et les mettre en contexte. Toutefois, le football n’est pas un jeu vidéo, il y a de l’humain avec tous ses défauts et qualités. Ainsi, on peut souligner quelques difficultés liées à cette nouvelle tendance. Les données positives d’un joueur peuvent être surestimées par le style de jeu de l’équipe qui lui est favorable, à l’inverse, un joueur peut avoir des données (performances) positives mais ne pas contribuer au jeu de l’équipe. Il est important d’avoir des précisions sur les modalités de calcul (exemple, les critères prises en compte) et d’exploiter les données parallèlement à d’autres types d’évaluations non chiffrées comme des séquences vidéo. Par ailleurs, la plupart des algorithmes de l’IA se basent sur le principe de l’apprentissage (supervisée ou non supervisée) dont la qualité des résultats dépend beaucoup de la qualité des données d’entrainement. Ces dernières, (input) devraient inclure le maximum possible de critères pour espérer des résultats (output) utiles pour aider les techniciens des clubs à la prise de décision.

Sur le plan émotionnel et sentimental, il est difficile pour les algorithmes d’anticiper l’intégration d’un nouveau jouer recruté. Un joueur peut se sentir mieux dans un championnat et avoir un bon niveau mais pas dans l’autre. Lionel Messi, transféré de Barca à PSG, meilleur joueur du Monde de l’époque, mais ses performances à Paris étaient moins spectaculaires que prévu. Sur le même ordre d’idée, le recrutement à l’aide de la data/IA peut causer le problème d’intégration socioculturelle du fait que plusieurs nationalités (sensibilités/mentalités) peuvent se retrouver dans le même vestiaire, ce qui risque de compliquer la tâche au staff technique. De même, la technologie aura du mal à capter l’ambiance du stade au sein des associations des supporters alors qu’elle s’invite aux performances des joueurs. Par exemple, la réaction des supportes de l’OM peut dépendre des performances de leur équipe et ainsi peut impacter positivement ou négativement celles de certains joueurs. De même, il est difficile de détecter la manière dont réagira le vestiaire d’une équipe comme PSG à l’égard d’un nouvel entraineur, ainsi, la performance peut changer d’un moment à l’autre en fonction d’un cas fortuit.

Plus tard, quand l’usage de la data sera généralisée, il faudra anticiper une possibilité de voir des fraudes liées aux données truquées qui risquent de fausser les mercatos. Là-dessus, il peut y avoir un risque d’asymétrie d’information, lorsqu’une partie (équipe) détient plus de données/informations sur le joueur ou équipe à acheter/vendre par rapport l’autre partie, comme ça été remarqué dans certaines situations d’achat ou vente d’entreprises (Rutambuka, 2017, p56).

A qui revient la décision (machine ou humain) ?

La problématique liée «à qui revient la décision » a été abordée dans d’autres domaines comme l’armée. Dans le football, le recours massif aux algorithmes peut susciter des différents au sein des clubs. Est-ce qu’on se fie à 100% aux résultats générés par nos ordinateurs dotés de l’IA pour recruter un joueur, pour connaitre les 11 débutants à aligner sur un match ? La logique serait de concilier les deux, c’est-à-dire, considérer la data mais également le point de vue des techniciens du club. La question ici est d’avoir un staff technique capable de dialoguer avec les machines, ce qui n’est pas évident surtout que certains modèles de l’IA (machine learning, réseaux de neurones.) sont complexes et difficiles à faire comprendre leur logique à tous les membres du staff.

Ethique, data/IA dans le football

Malgré le consentement des joueurs au sujet de la collecte de leurs données privées qui s’appuie sur la charte de la FIFA, on peut se demander, sur le plan éthique, si réellement ces derniers sont assez informés sur les données collectées et leurs utilisations ultérieures, d’autant plus que certaines informations concernent le comportement du joueur en dehors du terrain dans sa vie privée (hygiène de vie) ! En dehors de cette charte, les joueurs professionnels et/ou évoluant dans les pays développés sont globalement protégés par les dispositifs déjà en vigueur comme la RGPD et ont l’avantage d’avoir des agents capables de faire un suivi sur l’utilisation des données de leurs clients. Dans certains championnats issus des pays en développement, les joueurs risquent de ne pas avoir assez d’explications sur les collectes des données ce qui posent des questions éthiques surtout que ces informations peuvent dépasser le cadre sportif, comme l’analyse de la capacité mentale et cognitive pour prédire les performances des jeunes joueurs (Predicatafootball).

Limites de l’article

Le présent article traite globalement et développe les idées autour des problématiques liées à l’implication de la data/IA dans le football. Cependant, aucune méthode, modèle statistique ou algorithme de l’IA n’est proposé pour mettre en pratique les idées évoquées. Egalement, les changements du métier des scouts, agents de joueurs et marchés des transferts sont présentés théoriquement et de ce fait méritent d’autres analyses plus approfondies en vue de formuler des recommandations opérationnelles.