Des statistiques simples pour gagner : l'équipe de football de Georgia Tech utilise des données pour identifier les meilleures recrues

En 2011, le film Moneyball racontait comment les Athletics d'Oakland ont utilisé le pouvoir des statistiques pour réunir et gérer une équipe de baseball gagnante. Le film a ravivé l'intérêt du public pour le rôle des données dans le sport. Pourtant, dans nombre de disciplines sportives, des Jeux olympiques à la course automobile, les entraîneurs et directeurs avisés s'appuient sur des analyses depuis des décennies.

Les équipes professionnelles et universitaires de football utilisent les statistiques pour analyser la concurrence, prédire les performances, évaluer l'impact de l'entraînement et même étudier les effets de l'alimentation et du sommeil sur les joueurs avant un match important. Le personnel chargé de l'entraînement des Yellow Jackets de Georgia Tech utilise désormais l'analyse statistique pour identifier et recruter des demis offensifs potentiels pour leur équipe, ainsi que pour évaluer les performances des joueurs actuels et identifier les attributs des joueurs qui sont synonymes de réussite. Pour analyser les données, le programme de football de Georgia Tech s'appuie sur Minitab Statistical Software.

La problématique

Lamar Owens, entraîneur des demis offensifs de l'équipe des Yellow Jackets de Georgia Tech, utilise Minitab Statistical Software pour analyser les potentiels demis offensifs. Cela lui permet de voir uniquement les joueurs dont les caractéristiques correspondent au style de jeu de son équipe parmi les centaines de joueurs potentiels. Crédit photo : Danny Karnik

Les équipes de football collectent beaucoup d'informations sur les recrues potentielles, y compris des séquences vidéo, des statistiques générales telles que la taille, le poids et les capacités de développé-couché, ainsi que des scores de capacité athlétique calculés selon leurs performances à l'occasion des épreuves de sélection appelées "combines". Ces dernières sont organisées à l'échelle régionale par les lycées ou les universités afin de tester les joueurs potentiels sur des capacités comme le sprint, le saut et le levage, ce qui peut donner aux équipes de football des informations sur la rapidité, l'agilité et la force des joueurs et leur permettre d'estimer le potentiel d'un joueur sur le terrain.

Lamar Owens, entraîneur des demis offensifs de Georgia Tech, souhaite recruter les meilleurs nouveaux talents pour son équipe chaque année, mais la sélection parmi des centaines de lycéens lui demandait trop de temps et d'efforts. L'étude approfondie des vidéos de la saison et l'association des statistiques pour chaque joueur potentiel représentaient un défi. De plus, le fait d'inclure les opinions et les évaluations des divers entraîneurs rendait encore plus difficile la prise de décisions objectives concernant les potentiels demis offensifs.

Toutefois, Lamar Owens, expert Black Belt Six Sigma, a toujours été intéressé par l'amélioration continue et il a vu une occasion d'appliquer les tactiques Six Sigma pour analyser et améliorer ses processus de recrutement. "Je me suis intéressé à Six Sigma parce que j'apprécie la manière dont l'utilisation des données pourrait s'appliquer au football", explique Lamar Owens. "Il serait possible de passer de centaines de joueurs potentiels à seulement une poignée si nous pouvions analyser l'ensemble des données de nos joueurs et des espoirs, et si nous étions capables d'identifier les capacités des meilleurs demis offensifs pour notre équipe."

Avec un échantillon conséquent, Lamar Owens s'est tourné vers Minitab Statistical Software pour analyser ses données et tirer des conclusions susceptibles d'optimiser le processus de recrutement de son équipe.

La contribution de Minitab

Pour établir un processus de sélection parmi les joueurs potentiels, Lamar Owens a analysé les données de performances des demis offensifs qui ont participé au dernier "NFL scouting combine". A l'aide des données des joueurs de football universitaires de haut niveau présents, il a déterminé une limite supérieure par rapport à laquelle évaluer les joueurs potentiels provenant des lycées.

Il a créé des rapports de récapitulatifs pour visualiser la loi de distribution des données et recueillir des statistiques descriptives, telles que la moyenne, la médiane et l'écart type, afin de représenter les performances des demis offensifs de haut niveau lors de chaque test effectué pendant le "combine". Ces tests consistaient en une course de 40 mètres ; un exercice avec trois cônes qui montre la capacité d'un joueur à changer de direction à une vitesse élevée ; une course-navette qui teste la rapidité latérale ainsi que les déploiements d'énergie courts et soudains ; des sauts verticaux et en avant ; et des développés-couchés.

Georgia Tech a utilisé les rapports récapitulatifs graphiques de Minitab pour visualiser les principales statistiques qui représentent les performances des demis offensifs potentiels de la NFL sur des tests comme la course-navette (voir le rapport ci-dessus).

Lamar Owens a également recueilli des données à partir des demis offensifs de Georgia Tech qui ont effectué la même série de tests, puis a réalisé la même analyse graphique dans Minitab. Il a utilisé ces données pour établir une limite inférieure par rapport à laquelle évaluer les joueurs potentiels dans les lycées.

Lamar Owens a également réalisé des récapitulatifs graphiques sur les données de performances de ses demis offensifs. Pour chaque événement, il a utilisé les scores médians de ses joueurs comme limite inférieure à atteindre par les nouvelles recrues afin d'être susceptibles de rejoindre l'équipe. Par exemple, d'après ces données, les joueurs potentiels devaient réaliser la course-navette en 4,32 secondes, le temps médian des demis offensifs de Georgia Tech.

En utilisant les temps médians des joueurs potentiels de la NFL comme limite supérieure et les temps médians des demis offensifs de Georgia Tech comme limite inférieure pour chaque événement, Lamar Owens a pu évaluer les demis offensifs potentiels des équipes provenant des lycées par rapport à une norme fondée sur des données. Des dizaines de joueurs potentiels ont été invités sur le campus pour passer des tests sur les mêmes épreuves de "combine", puis Lamar Owens a utilisé Minitab pour analyser les données recueillies sur chaque joueur.

"Analyser des données à l'aide de Minitab m'a aidé à obtenir une vision globale des potentiels demis offensifs", explique Lamar Owens. "Si je trouve un élève de seconde qui a des résultats semblables à ceux d'un élève de terminale qui nous intéresse ou s'il a des résultats proches de ceux de nos demis actuels, je sais que je dois lui prêter une attention particulière. Grâce aux données, il est plus facile de détecter ce type de potentiel plus tôt dans notre processus."

Vous vous demandez peut-être s'il est juste de juger les capacités de lycéens par rapport aux temps réalisés par les joueurs universitaires, y compris leurs aînés à qui la NFL fait de l'œil. Lamar Owens explique que son système de mesure est utile pour effectuer une présélection.

"Il ne s'agit pas nécessairement d'être juste envers les joueurs potentiels des lycées," se justifie-t-il. "Nous recherchons des joueurs exceptionnels, les valeurs aberrantes, et nous avons défini les limites de spécification supérieure et inférieure de façon à trouver ces joueurs d'exception.

Si un lycéen s'approche de la limite inférieure, il mérite notre attention. Notre objectif est de recruter la perle rare."

La mise en place de plages de valeurs cibles pour chacune des 14 épreuves de "combine" rend chaque année plus facile la présélection parmi des centaines de demis offensifs potentiels. Les joueurs dont les résultats sont compris dans la plage de valeurs cibles pour un événement ont reçu 3 points, ceux en dessous de la limite inférieure ont reçu 1 point et ceux au-dessus de la limite supérieure ont reçu 9 points. Les joueurs potentiels ayant obtenu un total de 42 points ou plus ont ensuite fait l'objet d'une évaluation approfondie sur séquences vidéo.

Le modèle de notation, illustré ci-dessus, est utilisé par Lamar Owens pour évaluer et canaliser les potentiels demis offensifs en vue d'une évaluation approfondie.

Résultats

Le nouveau système de notation facilite le classement des centaines de demis offensifs potentiels et l'identification des joueurs ayant le plus de capacités et devant faire l'objet d'une évaluation approfondie pour Lamar Owens et son équipe.

"Avant de mettre en place ce nouveau système et de commencer à noter les joueurs potentiels de manière plus systématique, le classement des qualités sportives des joueurs se faisait de manière trop subjective", explique Lamar Owens. "Il était difficile de savoir sur quels joueurs potentiels nous devions nous concentrer. L'analyse de Minitab nous a aidés à mettre en place le nouveau système de notation. Je suis désormais en mesure de prendre des décisions beaucoup plus objectives à partir des données collectées sur les joueurs potentiels et des données des "NFL combine" annuels, ainsi que des données de performances recueillies auprès de notre équipe et des joueurs individuels au fil du temps."

"Le nouveau système réduit vraiment le temps passé à rechercher des données sur les joueurs potentiels, ainsi qu'à les classer en vue d'une évaluation approfondie. Ce que j'ai appris nous a également fait gagner du temps et a facilité notre processus d'évaluation des joueurs sur vidéo."

Lamar Owens constate également que toutes ces données génèrent un consensus parmi les entraîneurs et les joueurs sur les conclusions à tirer. "Je partage souvent mes idées avec des personnes qui ne se préoccupent pas vraiment des données telles qu'elles apparaissent sur les feuilles de calcul, mais les graphiques leur permettent de comprendre leur signification, ce qui mène à d'importantes conclusions", explique Lamar Owens.

"Toutefois, en raison des exigences inhérentes au métier d'entraîneur, je n'ai pas toujours beaucoup de temps pour analyser les données et rassembler les bons visuels pour les faire parler. Minitab est génial parce qu'il me permet de saisir les données, d'effectuer quelques tests, puis de renseigner automatiquement les graphiques.

Le nouveau système a également mis en évidence les attributs clés des performances des demis offensifs pour leur équipe, ce qui facilite l'identification de ces attributs parmi les joueurs potentiels et permet d'écarter ceux qui ne sont pas pertinents sur le terrain. "Pour notre équipe, nous avons constaté que la taille et le poids ne sont pas très importants chez les demis offensifs", déclare Lamar Owens. "Ce qui importe le plus, ce sont leurs performances lors de la course-navette et de l'exercice avec trois cônes, parce que ces derniers soulignent leur rapidité latérale et leur capacité à changer de direction."

Même si ce nouveau système de notation a uniquement été mis en place dans leur processus de recherche des demis offensifs ces deux dernières années, Lamar Owens espère que les connaissances qu'il a acquises l'aideront à optimiser le recrutement à d'autres postes pour l'équipe de football de Georgia Tech à l'avenir.

"Je sais à quel point ce nouveau processus m'a été utile pour du recrutement de nos demis offensifs, mais nous ajustons continuellement le système, et je trouve qu'il s'améliore chaque année", déclare Lamar Owens. "L'utilisation de Minitab représente un grand changement pour nous. Désormais, nous pouvons rapidement analyser nos données et obtenir des réponses."

Organisation

Yellow Jackets de Georgia Tech

Présentation

  • Société fondée en 1892
  • Quatre championnats nationaux de football universitaire de division I-A et quinze titres de la ligue
  • Plus de 150 anciens élèves qui ont joué dans la NFL
  • Aussi connu sous le nom de "Ramblin’ Wreck"

Le défi

Améliorer le processus de recrutement des demis offensifs

Produits utilisés

Minitab® Statistical Software

Résultats

  • Mise en place d'un nouveau système de notation pour le classement des potentiels demis offensifs
  • Gain de temps en facilitant l'identification des meilleurs joueurs potentiels pour le personnel chargé de l'entraînement
  • Confirmation de la fiabilité des évaluations des joueurs sur vidéo
  • Mise en avant des attributs essentiels et secondaires chez les joueurs
  • Augmentation de la valeur des données sur les joueurs potentiels, les joueurs actuels et l'ensemble de l'équipe

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu. Lisez notre politique

OK