DATA ET RUGBY

 Marc — 00:00 :

 Aujourd’hui, je reçois Jérémy Chéradame, Data Scientist du quinze de France de Rugby. Il est data Scientist diplômé de l’essai, docteur en biostatistique et il est au sein de la Fédération française de rugby depuis 2017 membre du département d’accompagnement de la performance. Aujourd’hui, il est data Scientist dans le staff du quinze de France depuis 2000 Vingt-et-un, 

Bonjour Jérémy, 

Bonjour Marc. Alors, Jérémy, est-ce que tu peux nous expliquer en quoi ça consiste? La data au sein de la Fédération française de rugby? 

– Jérémy — 00:27 :

 Alors, la data au sein de la Fédération? C’est un scope très large puisque ça peut aller de l’Observatoire de nos licenciés, donc c’est mieux comprendre nos licenciés et quelles sont leurs attentes pour avoir une une pratique qui puisse leur correspondre et du coup, ainsi fidéliser plus nos nos licenciés et en avoir également davantage et donc par la suite, pouvoir avoir justement plus de joueurs de de haut niveau et donc ça continue au-delà de ça, puisque forcément ce qui m’occupe la plupart de mon temps, ça va surtout être autour de l’optimisation, des qualités et de la performance de nos équipes de France. 

– Marc — 00:57 :

 C’est une équipe de combien de personnes la data à la FFR? 

– Jérémy — 01:00 :

 Alors, on est 4 dans 2 prestataires et on travaille également avec une société extérieure qui met à disposition 3 data scientists en plus d’accord avec nous, 

– Marc — 01:09 :

 Et alors ton rôle personnellement donc dans cette équipe, tu nous as dit, c’est un un peu plus sur les l’équipe de France. 

– Jérémy — 01:15 :

 Ouais c’est ça. Donc je suis rattaché en fait au staff du 15 de France de depuis l’été 2021 et après j’ai le rôle aussi de coordonner un peu toute cette cellule. Du coup sur les différents projets donc que ce soit pour le 15 de France mais aussi pour toutes nos équipes de France féminines, les équipes de France à 7 ou encore les équipes de France Jeunes. Et aussi, comme je l’ai dit en introduction, travaille aussi sur sur nos licenciés. 

– Marc — 01:35 :

 Super alors, quel genre de data vous avez à votre disposition quand vous travaillez pour l’équipe de France? 

– Jérémy — 01:40 :

 Alors, il y a beaucoup de beaucoup de données disponibles, alors il y a tout ce qui va tourner autour de la, de la donnée tactique donc qui vont être du codage notamment. Vidéo donc que ce soit par nos analystes vidéos qui eux vont taguer en fait tous les événements d’un match, donc que ce soit un placage, une passe et surtout les qualifiés déterminer s’ils sont réussis où manqués. Et au-delà de ça donc on a le même type de données avec des fournisseurs de données sportives qui nous permettent d’avoir ce type de données, mais sur l’ensemble. Tous les matchs télévisés de la planète et aussi avec des données qui peuvent être très intéressantes. Données spatiotemporelles, c’est à dire qu’on va savoir en fait à n’importe quel moment du match, quel joueur a le ballon, où il est positionné. Est-ce qu’il va faire par la suite? Donc ça, c’est les données tactiques. Et après la 2ème très grande famille de données qu’on va pouvoir avoir, c’est tout ce qui va tourner autour de la donnée physique. Donc comme vous pouvez peut-être le savoir, les joueurs ont des capteurs GPS contenus dans les maillots ou dans les brassières d’entraînement qui nous permettent d’avoir toutes les informations de déplacement, d’intensité et même de combats qui vont pouvoir effectuer. Et au-delà de ça, on va avoir plein d’autres mesures, donc forcément des données chronométrées, des données de test, des données de déplacement, de par en salle de musculation ou encore des marqueurs biologiques ou des questionnaires d’État, de formes ou ou de difficultés perçues d’une séance pour essayer de mieux connaître leur niveau de forme et comment ils ont perçu les différentes séances qu’on leur met en place. Et plus récemment encore, une fois là, on a de nouvelles technologies qui viennent s’implanter en plus dans nos différents process. Donc l’année dernière, on a eu l’occasion de tester les protèges, d’en connecter. Donc, avec une puce dans le Protège-Dents qui permet d’avoir des informations sur le nombre d’impacts et surtout la la qualification de ces impacts. Et plus récemment encore, on utilise maintenant des ballons connectés, donc des ballons qui ont des puces à l’intérieur du ballon et qui permet d’avoir plein d’informations sur la vitesse, vitesse de rotation du ballon, la hauteur et cetera. 

– Marc — 03:23 :

 D’accord, ça fait beaucoup de beaucoup de données tout ça. Comment est ce que vous faites pour vous y retrouver? Je dirais une on prend le l’exemple simplement de la position des joueurs sur le terrain. À chaque instant. Vous avez des gens qui avaient en interne, vous achetez de la donnée externe et on va dire, il y a des données sur Ben, les Accéléromètres et cetera. Les joueurs, ça fait une un travail de fusion de données qui est qui est assez exactement gros, comment ce que vous Retrouvez. 

– Jérémy — 03:49 :

 Tout à fait donc effectivement, il y a beaucoup de beaucoup de tâches et donc du coup beaucoup de personnes qui vont interagir sur ces différentes. Donc on a forcément toutes les personnes qui vont collecter cette donnée. Qui va forcément être primordial pour s’assurer qu’ensuite elle soit de bonne qualité et qu’on puisse en réaliser les analyses qu’on souhaite par la suite. Donc là ça va être le rôle, notamment des analystes vidéo des sports scientistes aussi qui sont des personnes de formation, staps et qui vont avoir des connaissances en sciences du sport pour notamment collecter cette donnée et donc après nous notre rôle en tant que Data Scientist, ça va être d’organiser, de leur mettre à disposition des outils pour pouvoir gérer au mieux toute cette donnée et pouvoir justement interagir avec toutes ces différentes sources de données pour ensuite avoir des outils de visualisation et de requêtage qui permettent de de l’exploiter au mieux justement 

alors dans les usages, qu’est-ce que vous en faites de ces données en gros? 

– Jérémy — 04:32 :

 Alors y a y a plein de tâches différentes autour de toutes ces données. Alors une des premières sur le plan physique, ça va être l’analyse des exigences physiques, donc essayer de comprendre au mieux Ben les besoins qui entraînent le le très haut niveau, donc essayer de caractériser effectivement les matchs de de très haut niveau pour pouvoir s’y préparer à avoir des joueurs prêts à à ces intensités. Ensuite, au-delà de ça forcément bah suivent leur charge de travail pour essayer d’optimiser leurs performances physiques pour qu’ils soient prêts au bon moment et notamment au moment du match. Forcément, de par ce côté-là, c’est aussi limiter leurs risques de blessure. Donc ça va dans le même sens. Et après tout ce qui va être autour de l’observation, plus de nos joueurs et du jeu, donc forcément une tâche de scouting, de détection, d’efforts potentiels, ou des joueurs à sélectionner pour les équipes de France. Et ce qui m’occupe aussi beaucoup, donc l’analyse du jeu et essayez de notamment d’analyser, que ce soit notre équipe ou surtout l’adversaire pour préparer le le prochain match et ensuite avoir un retour forcément sur la performance, qu’elle soit tactique où physique. 

– Marc — 05:28 :

 D’accord alors, si on prend un exemple, Ben. Par exemple, pourrait commencer par la performance physique, ce qu’on peut prendre un cas concret par exemple, ou la data va permettre justement d’éviter ces blessures où d’amener à la meilleure performance le jour du match. 

– Jérémy — 05:39 :

 Exactement, donc on prend tout un tas de mesures, effectivement qui nous permettent de suivre certaines métriques ou des études scientifiques. Nous avons permis d’avoir certaines indications aussi sur des seuils à essayer de ne pas dépasser. Donc ça c’est des choses assez concrètes en fait, sur lequel on va pouvoir essayer de faire attention pour nos joueurs, donc en essayant de gérer certaines séquences d’entraînement où ils vont être présents ou pas présents. Pour pas être en surcharge et pas augmenter ce risque de blessure, il est surtout important aussi de faire le lien entre le travail de club et nous. Le travail en sélection pour qu’effectivement y a pas de pic trop important d’intensité. Donc voilà un exemple sur le plan, par exemple le physique. 

Donc vous allez donner par exemple la recommandation, lever le pied, 

c’est surtout les préparateurs physiques et du coup le scientiste qui vont être chargés de tout ça. Mais effectivement eux vont donner leurs préconisations par rapport au coach qui eux vont vont avoir forcément leurs attendus plus rugby au cours de l’entraînement mais qui vont du coup moduler. Certains joueurs qui seront plus adaptés pour essayer de ne pas les surcharger. 

– Marc — 06:36 :

 Ok et alors du coup côté plutôt analyse du jeu, quel genre d’analyse est ce qu’on peut faire avec la data qui va être utile au coach? 

– Jérémy — 06:43 :

 Je peux avoir un exemple justement très concret, donc c’est un des premiers cas justement d’études que j’ai pu faire quand j’ai intégré le staff de l’équipe de France ou le coach était parti sur un apriori. La priori du fait que, au-delà de 30 secondes de jeu, enfin de 30 secondes de séquence de possession, on avait un risque plus important de perdre le ballon et donc du coup forcément de créer un déséquilibre et d’être dans une situation défavorable. Et donc du coup, il avait donné une une règle qui était de se déposséder du ballon par du jeu au pied au-delà de 30 secondes pour au moins gérer la position sur lequel on allait rendre le le ballon et donc ça, on l’a questionné hein? Avec les données c’est rendu compte que ce seuil de 30 secondes était pas forcément fondé donc on a essayé d’optimiser par un autre seuil qui pouvait avoir peut-être plus de sens du point de vue des données. On n’a pas forcément trouvé de de seuil qui allait dans ce sens-là mais il y a toujours une part de vérité ou du moins de de compétences dans la vie justement du coach qui est un expert du rugby et donc du coup on a essayé de contextualiser plus avec d’autres paramètres. Ces séquences de possession et en fait, on a pu déterminer que dans certaines circonstances, effectivement, on avait un risque de perdre le ballon qui devenait trop important et donc du coup, c’est une règle qu’on a vraiment appliquée ensuite à nos joueurs et où ils savent qu’effectivement, à partir de telles circonstances dans telle zone, ils doivent jouer aux pieds puisque effectivement, sinon on a, on a resté trop important de de perdre ce ballon. 

– Marc — 07:55 :

 D’accord, donc, dans certaines situations de jeu et certains temps de possession qui augmenteraient considérablement la probabilité d’être dépossédés de la balle et donc du coup des recommandations de jeu à ce niveau-là exactement. 

– Jérémy — 08:07 :

 Du coup, on va gérer l’endroit où on va, se déposséder du ballon pour pouvoir justement être toujours dans une situation un peu de de contrôle. 

– Marc — 08:13 :

 Et de la réponse des joueurs à ce niveau-là, elle est bonne, ils sont-ils sont capables de, on va dire avoir en tête les les, c’est 30 secondes, c’est pas. C’est pas facile d’avoir le chrono en tête et est ce que les les joueurs répondent bien aux recommandations à ce niveau-là 

ouais franchement, après on essaie toujours de donner des règles simples, c’est à dire que c’est des choses qui sont faciles à retenir et on va pas forcément les surcharger. C’est à dire qu’il y a toujours une part qui est globalement similaire dans notre projet de jeu. Et après? Selon les matchs, on va adapter certaines circonstances, certaines règles mais globalement eux répondent plutôt bien par rapport à ça. Ils savent un peu comment ça a été fait et pourquoi on le fait et donc du coup ils arrivent plutôt bien appliquer un peu ces décisions là. 

– Marc — 08:53 :

 Quels sont les obstacles, les pièges, les difficultés pour utiliser la data dans le cadre? 

– Jérémy — 08:58 :

 Une des difficultés qu’on va avoir, notamment dans le cadre du coup de de sélection, c’est qu’on a assez peu de matchs et donc du coup, c’est assez facile au final de tirer des chiffres qui sont pas forcément significatifs et qui peuvent juste vouloir confirmer une impression. Donc j’essaie vraiment, d’autant qu’on travaille pas forcément avec des experts de la donnée au quotidien, donc on travaille avec des experts notamment, surtout du rugby, donc de leur faire prendre conscience un peu de cette notion de significativité et du fait d’avoir un volume suffisant de données pour que les chiffres sur lesquels on on va. Enfin les chiffres qu’on va sortir vont pouvoir être vraiment des des appuis à une prise de décision. 

– Marc — 09:32 :

 Oui, on a envie de voir quelque chose dans les données et donc si on a pas beaucoup de points, on va trouver la bonne question. Pour y répondre favorablement et se conforter dans notre idée, quoi ouais, 

– Jérémy — 09:40 :

 Exactement ça peut être le risque. Effectivement, on arrivera toujours à trouver un chiffre qui peut aller dans dans le sens auquel on veut donner. Mais justement, j’essaye de veiller à ce qu’effectivement les chiffres qu’on va avoir et sur lequel on va s’appuyer pour prendre des décisions puisse être vraiment fondé et sur lequel on peut vraiment leur faire confiance. 

– Marc — 09:54 :

 Globalement, comment est accueilli l’usage de la data par le staff? Et puis par les joueurs ?

– Jérémy — 10:00 :

 Alors pour commencer par le staff, forcément, chaque personne, et notamment chaque coach, a des appétences différentes à la data. Donc on a un sélectionneur, notamment Fabien Galtier qui est très moteur sur l’utilisation de la donnée. Après, on essaie de s’adapter aux différentes personnes du staff, y en a certains qui vont effectivement en vouloir un peu moins, mais du coup on va, on va s’adapter pour que ça puisse lui être utile quand même et après de manière plus générale, au sein du staff, on a aussi beaucoup de personnes qui ont quand même un background plutôt scientifique donc qui sont des personnes qui sont assez convaincus déjà de l’utilisation de leurs données, par exemple pour pour avoir des retours objectifs sur certaines actions qui peuvent mettre en place et après? Concernant les joueurs, je pense que c’est pareil, ils savent que c’est un élément parmi tant d’autres qui peut favoriser leurs performances donc ils ont tendance à y croire aussi. Après on reste tout à fait. Que notre utilisation de la data, ça reste au final à la marge par rapport à tout ce que les joueurs vont faire, c’est eux qui sont sur le terrain et c’est eux qui décident de l’avenir du match. 

– Marc — 10:49 :

 En Top 14 par exemple, ce que vous avez monté pour l’équipe de France il y a beaucoup de coachs, y a beaucoup de staffs qui ont mis en place quelque chose d’équivalent. 

– Jérémy — 10:57 :

 Non, il y a encore assez peu de vraiment data scientists dans les clubs de Top 14, donc il y a souvent une confusion en fait qui est fait dans le sport, c’est à dire que la personne que je vous citais tout à l’heure, le sport scientiste, donc, est plutôt de formation staps avec des connaissances en sciences du sport, va avoir souvent un rôle de s’occuper des données GPS et donc du coup il y a un raccourci qui se fait, on va dire. Il s’occupe de la data et donc du coup les data scientists. Il y a pas forcément une formation là-dessus. Aujourd’hui y a pas encore vraiment ce besoin. Enfin y a forcément besoin mais il est pas encore complètement complète et je pense que plus ça va aller, plus on va avoir à à s’étendre un peu vers l’utilisation de la data à plus grande échelle dans les clubs. 

– Marc — 11:30 :

 Alors à quel point la data définit le web à définir le plan de jeu? 

– Jérémy — 11:34 :

 Alors, concernant le plan de jeu, effectivement ça en fait partie, c’est à dire que forcément, on s’appuie surtout sur notre projet de jeu, ce qu’on applique depuis un certain nombre de matchs fait notamment sur des analyses vidéo et l’expertise des coachs. C’est la première chose et ensuite on va s’adapter forcément à notre adversaire donc selon des choses qu’on va pouvoir identifier de part encore une fois la vidéo ou aussi par la donnée. On va pouvoir justement identifier certains KPI avec la data et la data va aussi permettre par certaines méthodes de définir en fait des objectifs à réaliser sur ces différents PI Donc il va nous permettre de déterminer à partir de quand effectivement on on a plus de chances de d’avoir une bonne performance, donc la data. Il sert vraiment justement à définir ces objectifs. 

– Marc — 12:10 :

 Là, est-ce qu’on peut prendre un exemple de KPI et de seuil par exemple? 

– Jérémy — 12:13 :

 Un des exemples sur les l’utilisation des KPI c’était effectivement de déterminer par exemple sur le nombre de fautes, on a déterminé qu’à partir d’au-delà de 4 fautes, on avait une probabilité de victoire qui diminuait assez fortement et donc du coup on a, on a réussi à trouver ce seuil là par certaines méthodes qui nous permettent justement de définir de manière objective avec les données, c’est différencié. 

– Marc — 12:35 :

 Et pour le recrutement, est-ce que c’est quelque chose qui est utile? La data par exemple, on va dire le recrutement. Sur le long terme, voilà les joueurs qui sortent des espoirs et compagnie. Et puis même la, la sélection des du prochain match, quoi est-ce que c’est quelque chose qui est utilisé? La data pour faire ses choix? 

– Jérémy — 12:50 :

 Alors, la donnée, elle est disponible, c’est à dire qu’on la met à disposition des coachs ou des personnes effectivement sur la détection des jeunes à potentiel. On analyse beaucoup de données, il y a beaucoup de choses qui sont faites par nos analystes vidéos, donc cette donnée disponible après elle est pas forcément utilisée de façon quotidienne. C’est surtout l’expertise des coachs qui va déterminer cette sélection. Mais des fois on va s’appuyer sur la data quand même pour pouvoir comparer. Certains joueurs sur des critères sur des critères précis les, les coachs savent qu’ils ont à disposition ces données là après décident s’ils veulent l’utiliser ou non. 

– Marc — 13:21 :

 Dans le cadre d’un match en particulier. Donc là, on approche du tournoi. Destination par exemple, à quel point ce que vous allez trancher la data spécifique à un adversaire avant chaque match, qu’est-ce que vous faites de spécifiques à chaque adversaire? 

– Jérémy — 13:34 :

 Forcément, il y a beaucoup de travail en préparation de nos prochains matchs. Donc depuis quelques mois maintenant, en fait, toutes les données vont être décodées. Enfin, tous les matchs vont être reçues par nos analystes, vidéos qui vont définir aussi des actions en lien avec notre projet de jeu, donc nécessitent une vraie expertise de leur part pour ensuite pouvoir analyser. Avec la donnée, la performance de ces équipes et leur façon de jouer, et c’est identifier leurs points forts et leurs points faibles. Au-delà de ça, une fois qu’on a réalisé nos rapports un peu qu’on peut faire de manière hebdomadaire, en fait, ce qui sont assez identique d’un adversaire à l’autre, on va toujours avoir au cours de la semaine une analyse plus poussée puisqu’au final, on a un travail un peu d’artisan. On va essayer de continuer à chercher des fois de très longues heures de travail sans forcément de résultats, mais continuer à chercher des petits, des petits indicateurs qui peuvent nous aider à essayer d’accompagner les joueurs pour gagner le match. Et après, même en live, on va aussi collecter des informations, donc avec un certain petit délai. On va avoir des données qui vont agrémenter, sur lequel on pourra éventuellement appuyer certaines décisions. 

– Marc — 14:29 :

 En live, ça va être quoi par exemple, ça va être aujourd’hui, ils sont pas bons au pied aujourd’hui sont pas en touche, 

– Jérémy — 14:34 :

 Ouais, ça peut être des choses comme ça, hein? Sur des côtes individuels, on a des stats individuels, des stats collectives, mais on a surtout des stats qui vont être en lien avec notre projet de jeu sur certaines combinaisons qui vont faire. Est-ce qu’ils vont réellement appliquer ce qu’on s’attendait à ce qu’ils fassent après? Aujourd’hui, au final, c’est quand même, c’est quand même assez peu utilisé puisque c’est assez difficile au final, on n’a pas toujours le regard suffisant pour avoir des choses significatives, vraiment. Sur le match qui nous permet de prendre des décisions en 2ème mi-temps, d’autant que les joueurs vont changer, et cetera, donc c’est assez peu utilisé mais y a plein d’indicateurs du moins qui peuvent servir en termes d’appui et de prise de décision. Donc notamment, je vais avoir plein par rapport aux différents PI qu’on a pu lister au cours de la semaine, à n’importe quel moment, je vais savoir comment on se situe par rapport au moment du match sur ces différents PI et donc pourquoi pas éventuellement faire un retour aux joueurs à la mi-temps. 

– Marc — 15:18 :

 Et sur l’équipe en général, le style de jeu, ce qu’on peut avoir, un exemple concret pareil de qu’est-ce qui caractérise une équipe plutôt qu’une autre, un style de jeu plutôt qu’un autre. Quel est le retour que vous pouvez faire au staff? 

– Jérémy — 15:29 :

 Exactement, donc bon, y a plein d’indicateurs qu’on va regarder, hein, ça va être le nombre de jeux au pied, le nombre de passes que chaque joueur va faire entre 2 rues, donc entre 2 regroupements de de joueurs et notamment sur tout les différentes combinaisons, c’est que le rugby, ça peut paraître assez chaotique comme ça. Quand on regarde uniquement fin de manière un peu débutante, on va dire à à la télé, mais en fait il y a beaucoup de choses qui sont structurées, donc les différentes combinaisons de passes nous on va leur donner un nom et donc du coup essayer de caractériser. Bah comment les équipes vont jouer plus ou moins sur certaines combinaisons que d’autres équipes? Ça va nous permettre de mieux décrire un peu. Leur façon de jouer et de se préparer au prochain match. 

– Marc — 16:04 :

 D’accord, donc vous Regardez un peu ce qu’ils ont l’habitude de faire et alors entre, je dirais, un premier temps de jeu et un 15ème temps de jeu. Est-ce que vous arrivez encore à avoir d’on va dire suffisamment de données, suffisamment de de d’analyses pour donner des recommandations? Encore au 15ème temps de jeu. 

– Jérémy — 16:19 :

 Alors, forcément, tout ce qui est sur les premiers temps de jeu, c’est beaucoup plus programme donc effectivement c’est des choses qui sont beaucoup plus faciles à décrire, plus on va avancer dans le jeu, plus effectivement ce sera plus complexe. Mais il y a toujours des phases. Indirectement en cours, même d’une même séquence, où on va retrouver en fait un le début d’un nouveau circuit, comme on va appeler et donc du coup une nouvelle combinaison qui va se mettre en place et là on aura évalue effectivement ce qu’ils font et surtout ce qu’ils font qui fonctionne bien et au contraire ce qui fonctionne moins bien et surtout ce que l’adversaire fait contre eux, qui va bien fonctionner ou moins bien fonctionner. Donc ça nous permet vraiment d’avoir des des indications avec la data. Après, au-delà de ça, on va surtout ajouter à chaque fois de la vidéo pour essayer de comprendre ce qui a pu faire la différence ou non sur certaines séquences et avoir des choses plus fines qui sont pas forcément en réellement mesurées par la data. 

– Marc — 17:03 :

 Et donc sur la la vidéo, vous avez les coordonnées XY de chaque joueur, vous êtes capable de dire là où il y a un espace de temps, de mettre. 

– Jérémy — 17:12 :

 Exactement. Quelle est la longueur de passe sur tel type de cellule? Pour savoir ensuite, selon leur longueur de passe, là ou non, on va positionner nos joueurs par rapport à ça. Donc on essaie de de toujours essayer, d’anticiper après toujours en donnant des règles quand même simples pour les joueurs, pour qu’ils puissent retenir forcément tout ça, mais au moins il y a plein de choses qui sont à peu prévues après, ce qui est aussi intéressant, c’est au-delà de tout ce qu’on va anticiper, quelle place on va donner aussi à l’intelligence du jeu des joueurs, l’intelligence collective qui vont pouvoir avoir, c’est à dire des fois, il va falloir qu’ils sortent du projet de jeu puisque l’important ça va être le jeu au final, si il y a un espace qui s’ouvre même si on avait prévu de faire autre chose, il va falloir aller dans l’espace et donc du coup c’est c’est ça, c’est à la fois faire la part des choses entre ce qui est programmé et ce qui est prévu. Et surtout ce que le rugby nous amène à faire. 

– Marc — 17:56 :

 Oui, finalement, c’est quand même beaucoup d’analyses de ce qui est mal fait, plus que d’analyses de ce qui est bien fait, non dans ce que je j’ai l’impression d’entendre. 

– Jérémy — 18:03 :

 Y a un peu des 2, il y a un peu des 2, c’est à dire que forcément, on va toujours avoir tendance à chercher les points faibles de l’adversaire. C’est toujours ce qu’on va essayer de voir, mais on se pose aussi forcément des questions sur leurs points forts, leur force et donc du coup pour savoir justement peut-être certaines choses qu’on fait habituellement contre eux. Ça va être difficile à mettre en place et donc du coup on pourra trouver une alternative, donc on essaie toujours d’avoir un regard le plus objectif possible sur ce qu’ils ont pu mettre en place par le passé. 

– Marc — 18:26 :

 D’accord, donc, entre 2 matchs du tournoi destination, vous Regardez un peu comment l’adversaire suivant a joué son match précédent, peut-être aussi un peu comment l’équipe de France a joué pour donner des recommandations. C’est ça c’est un peu le le planning. 

– Jérémy — 18:40 :

 C’est exactement ça, c’est exactement ça. On a déjà pu préparer un certain nombre de choses par rapport au match passe, mais on va forcément. Les matchs vont s’accumuler pendant qu’on va jouer. Les autres équipes vont également jouer, donc on va continuer d’agrémenter un peu nos analyses des prochains matchs à venir, tout en ayant effectivement un retour sur notre propre performance et essayer de voir effectivement ce qui a pu. Aller ou pas? Au cours de nos matchs? Mais au-delà de ce que nous, on va faire. Forcément, les adversaires vont essayer de s’adapter aussi et vont faire la même chose de leur côté, donc c’est ce qui donne le caractère intéressant à tout ça. 

– Marc — 19:06 :

 Est-ce que vous avez un pic de nombre de prestataires à disposition sur ces périodes là ou par rapport au reste de l’année? Entre les matchs de du destination, les matchs de Coupe du monde qui arrive bientôt? 

– Jérémy — 19:15 :

 Alors, on n’a pas forcément beaucoup plus. Là on va effectivement avoir un stagiaire en plus sur cette période là, mais c’est pas forcément sur des sujets urgents. On a en fait on a la chance en sélection quand même d’avoir des périodes vraiment qui sont très intenses effectivement avec ces matchs de l’équipe de France ou du coup on est tout le temps sur le pont à travailler d’autres eliot où on a un peu plus de temps et donc du coup, là où on développé et on prend de l’avance pour justement pouvoir être effectif sur les périodes importantes. Mais on n’a pas forcément de besoin de ressources humaines en plus. 

– Marc — 19:42 :

 D’accord, alors au rugby, comme dans beaucoup d’autres sports, il y a un arbitre qui est humain et qui du coup réagit différemment d’une personne à l’autre. Est-ce que vous intéressez à lui en termes de data en particulier quand vous préparez un match arbitré par tel arbitre, ce que vous intéressez à son style, on va dire d’arbitrage. 

– Jérémy — 19:59 :

 Exactement, donc pour certaines équipes, on a aussi développé des fiches d’arbitre. En fait, on sait en fait ce qu’il a tendance à sur ou sous siffler. Par rapport aux autres arbitres, donc, qui nous permettent de donner des points d’attention un peu particuliers. Il y a également des vidéos qui sont organisées avec les arbitres qui permettent aussi de discuter sur des choses aussi qu’on a pu voir des éléments et donc du coup, ça nous donne tout un tas en gros d’indications pour préparer le le prochain match et surtout des points d’attention pour les joueurs. On sait que certains peuvent être effectivement plus attentifs à certaines règles plus qu’autre. 

– Marc — 20:28 :

 Quel avantage compétitif donne la data Aujourd’hui à une équipe qui l’utilise ?

– Jérémy — 20:30 :

Bah elle permet dans le cadre effectivement de cette analyse du jeu, notamment de mieux décrire l’adversaire, c’est à dire qu’on connaît tout sur ce qu’ils ont pu faire au préalable sur les matchs passés, donc ça nous permet de nous préparer au mieux par rapport à ce qui a été fait. Après, sur l’analyse de nos joueurs et notamment par exemple de leurs exigences physiques, ça permet vraiment d’essayer d’optimiser au plus possible leur qualité. 

– Marc — 20:52 :

 Et sur les autres équipes nationales, grandes équipes nationales de rugby. Est-ce que t’as une idée de quel est leur stuffing, qu’est ce, quelles sont leurs méthodes? 

– Jérémy — 21:01 :

 C’est assez difficile parce qu’au final, comme c’est nos concurrents, c’est assez flou d’en savoir plus sur effectivement leur staff à ce niveau-là. Je pense qu’on avait beaucoup de retard encore il y a quelques années par rapport à ça, notamment par rapport aux cultures anglo-saxonnes qui sont toujours assez en avance sur l’utilisation des données. Je pense qu’on a probablement rattrapé notre retard vis-à-vis de ça, mais on sait qu’il y a forcément y a aussi d’autres équipes qui se structurent en termes de data. Après pour savoir leur utilisation précise de cette donnée, on, on n’a pas vraiment plus d’information. 

– Marc — 21:30 :

 Quelle est ta plus grande déconvenue? Avec la data ou qu’est-ce que tu regrettes de pas avoir fait autrement aujourd’hui? 

– Jérémy — 21:36 :

 Je pense que ce qu’on aurait pu faire notamment différemment, c’est notamment au travers de toutes nos équipes de France. On a voulu proposer des solutions qui pouvaient correspondre un peu à à toutes des solutions un peu globales, mais le risque au final de faire quelque chose de trop global, c’est qu’au final ça correspond à personne et donc du coup tu dis. 

– Marc — 21:51 :

 Toutes les équipes de France, c’est homme femme existe voir exactement. 

– Jérémy — 21:55 :

 Hommes-femmes, les équipes de France jeunes, donc moins de vingt moins dix huit moins dix neuf. On a aussi nos équipes de France à 7 qui sont des équipes de France olympique. Forcément, avec une pratique différente et donc du coup on est beaucoup plus aujourd’hui dans la personnalisation des besoins à chaque staff, donc forcément chacun a des appétences différentes, une vision du rugby aussi différente et aussi des contraintes différentes. Un certain vont avoir un seul analyste, d’autres vont en avoir 3 ou 4 donc forcément ils vont avoir une approche différente autour de la de la donnée et donc aujourd’hui on essaie vraiment de personnaliser au plus possible les besoins de notre cellule en fait de data pour essayer de les accompagner chacun dans leur projet de performance. 

– Marc — 22:30 :

 Tu parles du staff en particulier? Si tu dois recruter un autre data Scientist dans l’équipe, je sais pas si vous êtes en recrutement, qu’est-ce que tu attendrais d’un data Scientist pour rejoindre l’équipe de France de rugby? 

– Jérémy — 22:45 :

 On est déjà une bonne, une bonne quantité par rapport notamment à ce qu’il peut y avoir dans les autres équipes. Mais effectivement, nous ce qui est important en tant que data Scientist, c’est vraiment de savoir être adaptable parce qu’au final, le le sport de très haut niveau c’est vraiment de l’adaptation et donc du coup il faut pouvoir s’adapter aux différentes contraintes qu’on va avoir, que ce soit par rapport aux différentes personnes avec lequel on va travailler. Par rapport aux horaires aussi, qui peuvent être aussi très diverses et variées et une grosse quantité de travail qui est aussi nécessaire par rapport à ça. Et après plus ça va, plus on acquiert de l’expérience, on se rend compte un peu des différentes aussi, compétences qu’on va mettre en place aussi sur le terrain qui vont pouvoir leur être réellement utile et donc du coup c’est vraiment pouvoir s’adapter à cet environnement qui est quand même un environnement assez assez. 

– Marc — 23:24 :

 Particulier, le Data Scientist. Il voyage avec l’équipe. 

– Jérémy — 23:27 :

 Alors pour mon cas effectivement c’est le cas avec l’équipe de France avec le 15 de France ou du coup je fais les déplacements avec eux et du coup en fait je je peux permettre de répondre en fait aux questions notamment des coachs à n’importe quel moment. Que ce soit effectivement pendant les entraînements, que ce soit après un match, donc après un match forcément des fois on travaille à 3h du matin un samedi, donc il faut pouvoir être opérationnel. Et d’où l’importance aussi d’avoir des outils qui soient flexibles, sur lequel on n’est pas forcément dépendant de société extérieure où justement forcément à ces moments-là ils vont pas être disponibles. Donc justement, le fait d’être comme ça au quotidien avec l’équipe, ça permet une grosse flexibilité et du coup vraiment aucune limite dans dans les les besoins, les analyses qu’on va pouvoir réaliser, 

Marc le logiciel que vous utilisez donc c’est, c’est ça il me semble. 

– Jérémy — 24:10 :

 On travaille avec ça sans ça, est-ce que tu connais les tenants et aboutissants du choix de cet outil, quelles ont été les les raisons? On travaille effectivement avec SAS, donc c’est à la suite d’une rencontre, notamment entre Fabien Galtier et le PDG de SAS. Mais après, on travaille aussi, surtout avec d’autres outils qu’on utilise nous en interne, notamment des outils très connus. Enfin, comme R, des outils de datavisualisation comme Power BI et cetera, donc, qui nous permettent d’être vraiment flexible au final, dans l’utilisation de nos données. 

– Marc — 24:36 :

 Ok alors y a certains sports qui sont très data-driven depuis longtemps hein? On pense au film. Moneyball sur le baseball est ce qu’il y a des sports qui s’y prêtent plus que d’autres selon toi? 

– Jérémy — 24:48 :

 Alors oui, je pense qu’effectivement il y a certains sports, notamment les sports chronomètres où effectivement la part d’incertitude est peut être moins importante, on contrôle plus de choses et donc du coup l’utilisation de cette donnée elle peut être peut être plus simplifiée. Après il y a certains sports comme le football américain ou c’est beaucoup de phases arrêtées donc du coup beaucoup plus de choses encore une fois qu’ils sont plus prévisibles d’une manière générale. De toute façon, les sports américains, de par leur culture aussi, utilisent énormément la donnée. Après nous, comme par exemple le football, on est sur des sports un peu plus chaotiques et donc du coup c’est plus difficile au final de prévoir tout ce qui va se passer. On utilise la data forcément pour essayer de réduire cette part d’incertitude, mais il y a toujours des difficultés qu’on va pouvoir avoir. Après le, le football se développé beaucoup, notamment grâce à aux vidéos Tracking, donc en fait eux ils ont la position de chaque joueur à n’importe quel moment du match. Ça c’est des choses que nous on a pas encore à disposition et sur lequel du coup on est encore aujourd’hui limité dans notre utilisation de la data. 

– Marc — 25:39 :

 Alors, vous avez pas la position de chaque joueur à chaque moment du match, vous l’avez à quelle fréquence? 

– Jérémy — 25:44 :

 Non, nous en fait. On a 2 sources de données, donc par rapport à ça on a nos données GPS donc qui permettent effectivement d’avoir la position de nos joueurs. Ensuite on a des données évent que j’ai décrit un peu précédemment ou en fait c’est le joueur qui est en possession du ballon. On sait tout ce qui se passe, que ce soit nous où l’adversaire par contre on n’a pas les positions de tous nos adversaires. Là on n’a pas de moyens, là ça passe uniquement par de la vidéo, par de la reconnaissance d’images via la vidéo et donc aujourd’hui c’est enfin assez récemment c’est disponible dans le football. Nous, dans le rugby, il y a eu des tests, il y a eu des choses de faites, mais en fait c’est assez difficile parce que les algorithmes en fait, perdent l’identification des joueurs à chaque phase de regroupement et dans le rugby, il y a énormément de phases de regroupement et donc du coup, ça nécessite un très gros recodage Manuel qui est au final du coup est pas mis en place par notamment par les fournisseurs de données. 

– Marc — 26:30 :

 D’accord, les fournisseurs de données, un peu comme opta dans le football, sont capables de donner cette position. Mais dans le rugby, s’ils sont pas encore. 

– Jérémy — 26:37 :

 C’est exactement ça. En fait. Ils décident, nous l’avaient fait pour quelques matchs. Il y a un petit moment déjà, mais en fait, c’est tellement coûteux en termes de ressources humaines et au final, les clubs sont assez peu staffés encore une fois pour traiter toute. Ces informations là et vraiment une en tirer une plus-value donc effectivement, pour eux c’est pas encore rentable à ce niveau-là aujourd’hui. 

– Marc — 26:55 :

 La data, c’est quelque chose qui est en progression dans les sports et dans le rugby en particulier. Donc à priori on va pas s’arrêter là. On est aujourd’hui jusqu’où ça ira à ton avis? 

– Jérémy — 27:05 :

 Ouais, c’est assez complexe de toujours essayer de prévoir ce qui va se passer à l’avenir, mais je pense qu’effectivement il y a certainement des choses qui vont se développer, notamment pour connaître de mieux en mieux en temps réel l’état de forme de nos joueurs. Essayer de d’améliorer aussi la la prévention des blessures, donc y a certainement plein de capteurs. On peut le voir notamment maintenant avec les protèges d’en connecter. Enfin y a plein d’informations et de mesures qui sont cueillies en live sur les joueurs et donc je pense que là-dessus, ça pourrait être une part d’information intéressante. Après sur ce que j’évoquais exactement juste avant aussi sur le vidéo Tracking je pense qu’on arrivera aussi à lier certains freins qu’on peut avoir aujourd’hui et qui permettront justement d’exploiter ce type de données. Nous, on travaille notamment avec le CEA Le commissariat de l’énergie atomique sur pour essayer de développer notre propre méthodologie vis-à-vis de ça. Donc ça c’est aussi une source potentielle de d’analyse futur qui pourront être très intéressantes. 

– Marc — 27:52 :

 J’ai l’impression que dans tous les usages que tu nous donnes, y en a une partie. Finalement qui pourrait être standardisée, presque productive et donnée à toutes les équipes de rugby? Voilà sur la prévention des blessures, ce genre de choses finalement y a y a peut-être une partie des analyses que vous faites qui sont très spécifiques au joueur que vous avez au staff, au style de jeu, et cetera, et que vous devez refaire à chaque fois. Et puis peut être qu’il y a des analyses qui pourrait être packagées et être vendues à un moment donné à à un d’équipe sous forme d’un logiciel? 

– Jérémy — 28:21 :

 Exactement, donc bon, ça dépend des problématiques qu’on va avoir, mais notamment par exemple pour les blessures, ça c’est une tâche assez importante puisque effectivement on a pu voir notamment au cours de ma thèse que à l’échelle d’un club, c’est toujours difficile en fait d’avoir suffisamment de données pour tirer des conclusions qui puissent être généralisables et vraiment utilisables pour tous les clubs et donc c’est là où effectivement il y a des opportunités là-dessus, notamment de par un observatoire médical du rugby. Aujourd’hui, on a levé une une limite qui pouvait être présenté auparavant, c’est qu’aujourd’hui tous les clubs de Top 14 et toutes les équipes de France ont la même solution GPS ce qui permet de faciliter le partage de données. Et du coup, qui pourrait potentiellement permettre des analyses sur l’ensemble de ces clubs? Et cette fois-ci donner des vraies indications, notamment pour comprendre mieux la relation entre charges de travail et risque de blessures pour pouvoir essayer justement de de sortir des analyses intéressantes et donner des vrais préconisations qui peuvent être disponibles à l’ensemble des clubs. Après, pour d’autres analyses, effectivement plus sur le jeu, effectivement il y a certaines choses qui pourraient être améliorées après, ça reste toujours un un travail d’expert et et c’est toujours assez complexe de donner des règles uniques pour chaque match. 

– Marc — 29:22 :

 Bien sûr. Parce que tu as une anecdote à nous partager sur ton travail de data Scientist dans l’équipe de France. 

– Jérémy — 29:29 :

 Ouais, je peux avoir une anecdote. Effectivement, dans les précédents matchs, là les derniers qu’on a pu faire, notamment par exemple le match de l’Australie, donc en fait comme tous les matchs on essaie de prévoir tout ce qui va se passer, notamment par rapport aux données qu’on a pu avoir en intérieur et donc par exemple sur l’Australie, on avait déterminé qu’ils allaient très peu au pied parce qu’effectivement ça fait partie de leur style de jeu et en fait Ben c’est ce qui fait aussi la le charme au final de ces analyses là, c’est que ça a été complètement l’inverse, ils ont décidé justement de changer leur stratégie là-dessus. Et ils avaient pas tapé au pied autant que ce match là depuis plus de 8 ans, donc depuis 2014 il avait pas fait autant d’autant de jeux aux pieds donc c’est ça montre bien l’intérêt. On essaie de prévoir plein de choses mais au final on est sur de l’humain, il y a toujours une part d’incertitude qui fait qu’on peut pas forcément tout anticiper, quoi. 

– Marc — 30:12 :

 Et est-ce que tu aurais une opinion à nous partager sur la data science dans le rugby? 

– Jérémy — 30:16 :

 Mais justement, ça, ça peut rejoindre un peu ça. C’est qu’effectivement, de toute façon, y a toujours un caractère aléatoire sur ce qu’on va réellement observer. Déjà de par la forme du ballon, on a un ballon qui est ovale et donc du coup les rebonds sont incertains. Donc ce qui caractérise complètement cet aléatoire là et puis de toute façon on est sur de l’humain donc que ce soit par rapport à nos joueurs ou par rapport aux joueurs adverses par rapport à la stratégie que les adversaires vont vont justement adapter par rapport à nous. Forcément il y a des choses qu’on pourra pas vraiment anticiper donc en gros la data va aider à mieux d’écrire à réduire une part d’incertitude, mais il y a toujours aussi le côté justement émotionnel et le côté incertain du sport qui va faire qu’on n’aura pas forcément tout ce qu’on va va anticiper. Ce sera pas forcément prédit. Il y a une citation que j’aime bien citer aussi de George Box qui dit comme ça qu’effectivement, tous les modèles sont faux, mais parfois certains sont utiles. Et c’est vrai que c’est exactement dans notre cadre du sport, ce qui arrive. 

– Marc — 31:05 :

 Sur l’humain, c’est ce qui est intéressant, c’est qu’effectivement une équipe, c’est pas la somme des joueurs et donc y a cette notion d’alchimie entre. Peut-être certains joueurs et peut être dans un tout quoi toute l’équipe. Est-ce que la data est capable ou est ce qu’aujourd’hui c’est quelque chose que vous vous faites de regarder? Par exemple, si 2 joueurs ensemble ont été plutôt performants, on peut penser à la charnière, par exemple dans le rugby qui a un rôle assez lié entre 2 joueurs, mais d’une façon générale, est ce que ces relations entre joueurs c’est quelque chose qui fait partie de vos analyses? 

– Jérémy — 31:36 :

 Ouais complètement, alors ça c’est des choses qu’on qu’on a mis en place maintenant depuis 2-3 ans, on s’en sert vraiment véritablement, donc nous on a nommé ça l’expérience collective, donc c’est suite de travaux scientifiques avaient pu mener des chercheurs, notamment de l’insep. On a repris un peu ces analyses là et on a vu effectivement qu’il y ait une relation entre cette expérience partagée et le nombre de matchs que chaque joueur avait joué ensemble, notamment en sélection, et le le niveau de performance, notamment de victoire de l’équipe. Donc ça, c’est des choses qu’on qu’on suit vraiment puisqu’on s’est rendu compte aussi que même que ce soit en club ou sur les actions internationales, les équipes qui surperforment avaient un niveau d’expérience collective plus important. Donc du coup on suit, on suit cet indicateur là pour nos matchs donc que ce soit pour nos titulaires pour également les joueurs qui vont finir finir le match, donc on essaie vraiment d’avoir. Cet indicateur qui nous suit sans pour autant que ce soit forcément un critère de prise de décision, de sélection de joueurs. Mais du moins c’est quelque chose qu’on regarde. 

– Marc — 32:27 :

 Tu cités beaucoup de d’études précédentes à chaque fois que tu nous parles de travaux, c’est une démarche habituelle d’être en permanence en veille sur la recherche et essayer de de réimplémenter un peu ce qu’on lit dans les papiers. 

– Jérémy — 32:40 :

 Exactement. Bon, moi je pense que du coup c’est de part aussi ma formation. Du coup maintenant de chercheur où où j’ai cette habitude de m’appuyer sur des faits objectifs pour ensuite essayer d’en tirer des conclusions. Mais on essaie toujours effectivement, de s’appuyer sur des choses qu’on a déjà pu être observé ou encore une fois sur les données pour pour donner des orientations. Mais après, ce qui est bien différent au final, entre un travail de thèse. Et un travail au quotidien avec une équipe, c’est que la démarche, forcément, elle est hyper importante. Dans les 2 cas, mais on va me faire confiance, forcément, pour le staff, pour avoir la meilleure démarche, pour trouver les les conclusions par contre le résultat, autant sur le travail de thèse. Le 2ème chiffre après la virgule et va être hyper important autant dans un staff. Au final, c’est le message qui va passer derrière qui va être important, donc c’est à dire que si on trouve un résultat et que le résultat il peut être éventuellement amplifié, l’important c’est surtout le message que les joueurs vont percevoir et donc du coup c’est comme ça aussi qu’on utilise la donnée où on essaie aussi de convaincre des fois les joueurs. De certaines choses qu’on a pu observer quand même de manière objective, les joueurs. 

– Marc — 33:35 :

 Donc j’ai bien compris qu’ils avaient intégré l’utilité que pouvait apporter la data et en particulier toutes les informations que ça pouvait leur donner pour le jeu. Mais est-ce qu’y a pas un peu un risque que vous soyez vu comme l’œil de Moscou? L’équipe des data Scientist vu toutes les données que vous donnez au staff finalement. 

– Jérémy — 33:54 :

 Pas forcément parce qu’en fait on travaille beaucoup, notamment sur les données physiques pour optimiser leurs performances et optimiser leur qualité. Donc ils voient vraiment en fait l’intérêt qu’ils ont quand ils voient aussi que leur qualité physique ont tendance à progresser. Donc ils voient cet intérêt aussi de de mesurer pour optimiser après sur tout ce qui est plus du jeu du rugby. On a des coachs qui sont dans une démarche en fait, de plus, renforcer les joueurs sur leurs points forts plus que sur leur point faible. Si ils sont sélectionnés avec nous pour l’équipe de France, c’est qu’ils ont des points forts et c’est pour ces points forts qu’on les sélectionne. Donc on essaie toujours de les mettre un peu en situation, de de confiance. On travaille aussi beaucoup avec des préparateurs mental pour justement essayer d’objectiver au mieux leurs performances et essayer de les accompagner, mais de manière toujours assez positive. 

Marc 

Est ce que t’as un conseil pour tous ceux qui voudraient utiliser la data dans le sport à haut niveau, mais à la limite aussi à à bas niveau,

Jérémy

 y a plein de choses à faire hein? Pour utiliser la data bon déjà effectivement avoir des personnes compétentes avec des formations plus data ça peut aider effectivement à avoir des choses plus pertinentes mais après il faut avoir conscience de tous les champs possibles qui peuvent justement envisageables de cette utilisation de la donnée, que ce soit sur les données physiques comme j’ai pu l’évoquer sur le jeu, sur le risque de blessure. Donc il y a plein de choses potentielles qui peuvent être à utiliser autour de la data et sans pour autant que ce soit toujours que tout soit régi par la data. Encore une fois, ça reste de l’aide à la décision et c’est comme ça que nous, on essaie de le voir et voilà, c’est cette utilisation à la fois totale mais aussi modérée de la data qui me semble la plus la plus pertinente. 

– Marc — 35:19 :

 Tu nous as parlé un peu de cette dualité Scientist, Data Scientist, est-ce que tu peux nous en dire plus un peu sur les compétences de chacun par rapport à l’autre et comment bien fonctionner ensemble? 

– Jérémy — 35:30 :

 Exactement. Bah en fait, c’est juste 2 métiers qui vont être hyper complémentaires, c’est à dire que le sport scientiste va mieux connaître les problématiques terrains, donc tout ce qui va être autour de la biologie des choses comme ça qui vont permettre. Optimiser les qualités de l’impact, notamment d’une séance de musculation sur les qualités physiques d’un joueur plein de choses comme ça que le data Scientist lui aura pas forcément eu l’occasion de voir pendant ses études. Et le Data Scientist lui va l’accompagner justement dans la création, dans la gestion de ces données, dans le développement des outils de visualisation ou des statistiques. Surtout, qui va pouvoir mettre en place pour objectiver les différentes analyses, donc encore une fois, que ce soit le sport scientiste, le coach, l’analyste, le Data Scientist, en fait, tout ça est hyper complémentaire et et c’est cette justement fusion un peu toutes ces compétences là qui peuvent donner des choses intéressantes. 

– Marc — 36:13 :

 Alors, quelle est la suite? Est-ce que vous voulez aller plus loin dans l’équipe de France? Quels sont les projets futurs? 

– Jérémy — 36:17 :

 Alors des projets, y en AY en a toujours plein pour ce qui est l’équipe de France, je vais essayer de continuer à analyser au mieux un peu les les prochains adversaires en essayant de prévoir différents scénarios, puisqu’on voit qu’effectivement, les équipes s’adaptent de plus en plus à notre style de jeu et donc du coup, ce qu’on prévoit et de moins en moins vrai. Donc on va essayer d’étudier de plus en plus ce qui peut réellement passer en étant plus flexible dans nos analyses. Après, on a plein d’autres sujets, que ce soit sur la détection des joueurs et s’identifier, notamment ce qui fait que les joueurs vont avoir tendance à réussir et à atteindre le le très haut niveau. Et encore, ce que j’ai pu évoquer tout à l’heure sur les blessures et essayer de de rassembler un peu toutes les données qui sont aujourd’hui présentes pour pouvoir mener des études scientifiques, pour essayer de réduire le le risque de blessure. 

– Marc — 36:56 :

 D’accord, merci beaucoup. 

– Jérémy — 36:57 :

 Jérémy, merci Marc. 

– Jérémy — 36:58 :

 Vous venez d’entendre Jérémy, cher Adam, Data Scientist du 15 de France dans Data driven One One, merci d’avoir écouté.