Résultats de recherche

Cet article a été écrit en 2022, depuis la data est encore plus présente et beaucoup de clubs l'ont intégrée. Introduction/ Contexte   Parmi tous les sports, le football est très certainement le sport le plus aléatoire (ce qui assure la bonne santé des sites de pari sportif).   La principale raison : il y a peu de buts marqués, et ils ne sont pas forcément marqués par l’équipe qui domine, il y a trop souvent un écart entre la performance et le résultat. Contrairement aux sports américains (nettement moins aléatoire) ou la formule 1 (mécanique), le monde du football a longtemps repoussé les statistiques dans la recherche de la performance en étant plutôt conservateur.    Cependant, aujourd’hui, on assiste désormais à un essor rapide de la data/donnée  dans le football grâce aux évolutions technologiques et scientifiques ( l’analyse vidéo intelligente  au travers de la vidéo, de la reconnaissance d’image et du Big Data). En effet la vidéo est traduite en base de données. Des sociétés transforment ces vidéos en millions de données. Chaque seconde de match est traduite en informatique et les ordinateurs d’Aujourd’hui permettent des millions de calculs sur ces mêmes données. Si on compare aux premières statistiques sur le football (ex : comptage à la main), Cela constitue une avancée importante sur la profondeur de données (tous les matchs filmés…) et l’analyse. De nombreux chercheurs passionnés de football s’y intéressent (Ex : challenge polytechnique/PSG en 2018), des starts ups se créent et deviennent partenaires des plus grands clubs pour les aider à analyser leurs données.   Cet usage de la donnée est remarqué grâce aux succès récents  de certains clubs qui ont eu recours aux statistiques (liverpool, brentford, brighton, leicester (lorsqu’ils ont été champion avec Mahrez et Kanté on peut s’apercevoir qu’ils avaient gardé une ossature présente depuis quelques années et ajouter quelques joueurs bien ciblés, un excellent dribbleur, un excellent récupérateur), Leipzig, Salzbourg, Midtjylland club le plus moderne du monde complètement géré par la statistique – Des analystes de Londres infuencent les choix de l’entraineur en cours de match.  La donnée est très observée par la nouvelle génération d’entraineurs, notamment les jeunes entraîneurs allemands qui ont une approche très analytique (Klopp, Tuchel, Nagelsmann etc)   Monchi a récemment déclaré : Big Data is the future of football “Big Data is the future of football. Not because you are going to buy a player based on the data, but because it reduces the risk.” C’est effectivement la réduction des risques qui est très importante pour la bonne santé d’un club , on cherchera à prendre le meilleur joueur à moindre coût plutôt que tenter des paris coûteux (exemple : indemnités importantes et contrat long).   Pour un club, l’utilisation des données peut constituer un avantage concurrentiel  sur les autres clubs. En améliorant la qualité et la valeur de l’effectif et à terme, les résultats du club et la solidité financière en : 1-     Scoutant en priorité par la data, 2-     Analysant les formules gagnantes du passé, 3-     Aidant les entraineurs à perfectionner les tactiques de match (plus complexe) 4-     Aidant à la formation (second temps) 5-     Développant une culture statistique au sein du club (staff, dirigeants et recruteurs).   Les analyses statistiques sont encore peu exploitées en France , si elles commencent à l’être dans les plus grands clubs, c’est encore un domaine tout nouveau. Il y a la possibilité de tirer parti de ce commencement  notamment pour les clubs plus modestes  à condition d’identifier les analyses/données qui pourront révéler un réel avantage. Mon avis est qu’Il est possible d’avoir un gain rapide grâce au data scout  et l’analyse des données, je suis plus réservé sur l’analyse des matchs car il est du domaine de l’entraineur, les données sont plus complexes et les innovations des grands clubs/entraineurs sont souvent reprises par mimétisme.   Les clubs Français ne sont pas préparés à maîtriser autant d’informations . Ils auraient besoin de se structurer comme toutes les grandes entreprises.   1 - En Scoutant par la data   Ce qu’ll est possible de faire : -        Grâce à des sites de sociétés spécialisées (Opta, Wyscout, Statsbomb) o    Etablir la performance par joueur pour chaque match en confrontant les données à un site de statistiques « whoscored » ou « sofascore » (différences avec note « L’équipe » données par des journalistes) §  Répliquer une note similaire sur tous les matchs visionnés (exemple : match de Ligue 2, national 1 ou national 2 (avant COVID) pour lesquels peu de stats sont disponibles). Aujourd’hui, il existe de nombreux sites qui évaluent les performances des joueurs (ex : sofascore). Il est possible de regarder la performance d’un joueur sur plusieurs saisons au cas par cas, cependant, cela devient intéressant lorsqu’on peut extraire des centaines, voire des milliers de joueurs. o    Wyscout permet d’extraire jusqu’à 500 joueurs rapidement sur une période donnée, sur un championnat donné en appliquant plusieurs filtres si besoin.   o    Aujourd’hui, j’ai construit des notes par poste (Latéral, DC, Milieu Déf, Milieu Off, Ailier, Attaquant) avec les notes de wyscout pour 90 minutes jouées en fonction de près de 80 indicateurs (allant du ratio buts marqués au ratio de passe réussis jusqu’aux ratio de duels aériens etc), ce travail est encore perfectible mais donne une bonne estimation de la performance du joueur avec ballon . Il serait possible d’isoler par poste plus précis (Ex : les pistons…).   §  Attention, le jeu sans ballon n’est pas quantifié mais plus tard, après quelques recherches il est possible que de nouveaux indicateurs soient trouvés, on peut imaginer par exemple la couverture du dernier défenseur qui mène à un but de l’équipe adverse. Aujourd’hui l’indicateur n’est pas présent. Dans les données, il se peut aussi qu’il y ait des problèmes de données, actions en doublons. Le statisticien doit rester vigilent sur les données et ses interprétations.   -        Avantages : o    Optimisation du recrutement (de très bons joueurs à moindre coût) grâce à la data, filtre permettant de concentrer l’effort des analystes vidéo et la supervision des matchs des recruteurs sur des joueurs préalablement ciblés en partie par la data.   o    Elargir les possibilités de recrutement : Cela peut permettre de se positionner sur un joueur un peu moins connu, moins suivi pour lequel il y aura moins de concurrence. Aujourd’hui, les joueurs évoluant en France sont connus de tous les suiveurs ce qui peut rendre le recrutement plus difficile.   o    Anticiper les opportunités : Détection, ciblage rapide et anticipation pour être les premiers à contacter les joueurs, anticiper l’éclosion d’un joueur que l’on aurait pu recruter quelques mois plus tôt.   o    Travailler de manière continue sur la data permet une meilleure connaissance des bases de joueurs, de la fin des contrats des joueurs et une anticipation des besoins de profil pour l’effectif des prochaines saisons.   o    Recruter en post formation des joueurs acceptant le challenge de l’équipe B en espérant intégrer l’équipe première. Joueur peu coûteux avec une marge de progression. (ex : Muyumba). De nombreux joueurs se retrouvent sans 2ème contrat. Cela a permis de maintenir un niveau de performance de l’équipe b et à l’équipe d’être le plus compétitif profitant aussi aux joueurs formés au club ou au club depuis quelques années.   -        Il est aussi possible de webscrapper (récupérer la donnée) certains sites pour observer des statistiques de buts ou les étoiles « Foot National » pour des championnats national 2 et 3, -19,-17. (Identification de Rayan Ghrieb en national 2) -        Avec plus de temps, il serait envisageable de créer des rapports/analyses automatisés des joueurs.   2 – En étudiant la data : Le statisticien peut:   Avec un peu plus de temps, (Ex : sur des périodes post mercato), réaliser des études sur le passé a posteriori sur les formules gagnantes (recrutement pertinent, composition de l’effectif lors de montées en division supérieure, mix jeunes joueurs/ nouveaux/ expérimentés) Ex : Le recrutement du Havre pour remonter en Ligue 1 avec une solide défense. Tel joueur avant d’être transféré affichait déjà ce même niveau de performances (ex : Opéri au Havre)   Extrapoler l’évolution de la performance d’un joueur sur la prochaine saison Evaluer le niveau d’un championnat par rapport à un autre (ex : recruter un joueur du championnat belge, montée en division supérieure) Evaluer la performance en fonction de l’âge, du nombre de matchs joués, changement de division, de niveau d’équipe, de langue etc etc Il serait possible de créer des modèles de prédiction sur la perfomance en fonction de tous ces critères/effets.   Classer les joueurs par profil. Ex : Piston vs latéral, défenseur relanceur vs défenseur central stricte.   3 – En aidant la formation  : Améliorer la performance des joueurs du club Détection et validation des joueurs à potentiel et de la progression des joueurs par la vidéo et l’analyse des données dès 17 ans (u17) Créer un partenariat avec une société/start up, acheter des données, avoir les compétences en interne pour les analyser. Plutôt dans un second temps…   3 - En aidant à l’analyse des matchs   -        Analyse des rapports de matchs disponibles sous wyscout -        Alimenter les discours d’avant match avec les métriques/indicateurs -        Analyse de la performance des joueurs -        Cibler les qualités/défauts de l’adversaire -        Détection de phase de jeu grâce à la donnée (plus complexe) -        Vérifier l’application des principes de jeu de l’entraîneur par les données et la statistique (plus complexe)   4 - Traitement de la donnée au sein du club   Introduire un pilotage de la performance avec des comités d’expert dirigeants/entraîneurs/ staff (reporting), instaurer une vision commune et confrontation de la statistique face aux ressentis pour améliorer/adapter/corriger le suivi. On remarque que beaucoup de club Français démarre avec un statisticien/data-analyste.   Aujourd’hui, à ma connaissance, le traitement de la data dans le football peut a minima se faire grâce à une License de 300 euros par an avec wyscout et des logiciels gratuits d’analyse de données et de statistiques (R/Python) qui nécessite une formation en statistique et informatique (bac+5 ans) et quelques années de pratique. Pour les clubs, il est possible aussi d’avoir des accès à Opta ou Statbomb.

Les statistiques sont utilisées de plus en plus dans le process de recrutement. Je communique régulièrement sur une notation que j’ai créée à l’instar de certains sites (sofascore, whoscored, MPG…). Ce type de note est certainement utilisé par certains recruteurs. Pourtant, il existe certains biais non maîtrisés des observateurs qui peuvent conduire à des erreurs de recrutement que je développerais par la suite : Le biais de qualité de donnée Le biais de complétude de l’information Le biais de la notation du site ou de l’analyste Le biais du niveau du championnat Le biais d’interprétation de la note et le risque d’erreur de jugement Le biais d’adéquation du profil Le biais de qualité de donnée En effet, les fournisseurs de données (ex : Wyscout) peuvent introduire un biais car la donnée peut être aberrante, il peut y avoir des valeurs extrêmes à l’origine des vidéos/actions répétées plusieurs fois.   La signification de ces indicateurs peut aussi être en écart avec la réalité et notre compréhension de l’action. Une interception qui est en réalité un contre et le ballon part en touche… Un duel jugé perdu alors que le ballon sort en 6 mètres Une perte de balle car c'est un joueur adverse qui touche le ballon en premier, bien que le ballon soit récupéré par l'équipe par la suite… Une passe longue peut être en réalité un dégagement en catastrophe, un long ballon perdu au lieu de repartir plus simplement au sol… Le duel offensif peut être en réalité un duel en position basse d'un défenseur…   Mon avis: La qualité de donnée reste acceptable et  permet de dégager des tendances mais non définitives, l’analyse vidéo doit être utilisée pour venir confirmer l’analyse.   Le biais de complétude de l’information   Les indicateurs pourraient être plus complets et encore mieux expliquer la performance Le jeu sans ballon n'est par exemple pas pris en compte, faire le bon appel, avoir le bon positionnement, le bon repli défensif…   Mon avis :  Le jeu avec ballon doit permettre de capter environ 80% de l’information , le jeu de corrélations permet de réduire significativement l’apport de nouvelles informations pour évaluer la performance.   Le biais de la notation du site ou de l’analyste   Les modèles de notation sont toujours perfectibles, attention aux ratios (un joueur peut avoir 100% de dribbles réussis mais dribbler une fois par match), on n’a pas toujours connaissance des algorithmes se cachant derrière la note. Un joueur remplaçant rentrant en cours de jeu peut être largement pénalisé sur certains sites.   Mon avis :  Mon modèle est perfectible au dizième près mais le gain de performance n'est pas intéressant comparé à l’usage réalisé sur la détection, le tri et le premier aperçu de la performance.     Le biais d’interprétation du lecteur et de l’analyste L’analyste va orienter vers des profils de joueurs qu’il aura sélectionnés, combien de temps a-t-il consacré au ciblage et à l’identification ? La compréhension du lecteur peut aussi être altérée si le profil du joueur ne lui est pas expliqué oralement. Comme en entreprise, il y a souvent besoin d’une réunion pour s’assurer de la bonne compréhension des interlocuteurs.   Mon avis : Il faudrait que les analystes soient mieux intégrées au process de recrutement en renforçant les compétences des clubs en interne.   Le biais du niveau du championnat   Les joueurs peuvent ressortir indépendamment du niveau du championnat. Il existe un indicateur comparatif clubelo pour les championnats européens qui permet d'avoir un premier aperçu de la variation de niveau, il est aussi possible d'analyser spécifiquement les transferts comparables d’un championnat à un autre sur une même période, mais le niveau des championnats et des équipes évoluent. Un joueur aura de meilleures statistiques dans un championnat plus facile. En écosse, par exemple, Glasgow Rangers et le Celtic dominent régulièrement très largement leur championnat et sont régulièrement confrontés à de plus grands clubs en coupe d'Europe. Un autre biais du même ordre est celui du biais du niveau de l’équipe dans son championnat.     Mon avis : C’est le biais le plus important. Avec du temps et des études statistiques approfondies, il est possible de se faire un avis qualitatif sur le niveau attendu du joueur dans un nouveau championnat. On peut aussi introduire quantitativement la différence de division. Par exemple, j’ai déjà pu montrer que la différence entre la Ligue 1, la Ligue 2 et le National est en moyenne de 2 dixièmes (0,2) par division, càd qu’un très bon joueur de national à 7,2 peut espérer être un bon joueur en Ligue 2 à 7 et être un joueur moyen de Ligue 1 à 6,8 à condition de bien sûr d’être recruté et de jouer.     Le biais d’interprétation de la note et le risque d’erreur de jugement   Plus il y a des minutes observées, plus l'évaluation est robuste et gomme la volatilité.   Mon avis : C’est aussi un biais important même s’il permet de détecter des joueurs qui jouent peu mais qui sont performants. il faut être prudent et critique dans l’analyse et prendre en compte l’intervalle de confiance. Un joueur classé 10ème est-il réellement plus fort que le 20ème ? Non, l’écart entre les 2 n’est pas suffisant, c’est l’analyse vidéo et l’approfondissement de la valeur du joueur qui permettra de choisir un joueur plutôt qu’un autre.   Biais d’adéquation du profil Tout dépend du profil recherché, le joueur correspond-il au projet de jeu ? Y a-t-il déjà ce type de joueur dans l’effectif ?   Mon avis : Il y a la possibilité d’adapter la recherche en fonction des critères quantitatifs pour mieux cibler les profils. Ensuite, il y surtout une dimension « management »  et qualitative. Les clubs devront garder un certain équilibre dans la constitution de l’effectif, postes doublés, jeunes formés au club ou non, joueurs expérimentés et connaissance du championnat, joueurs sur une bonne dynamique et un bon état d’esprit...   En conclusion , le recrutement des joueurs doit faire intervenir un maximum d’intervenants (statistiques, vidéos, avis de recruteurs et avis d’entraineurs) pour éviter les biais d'analyse car les résultats sportifs, la santé financière des clubs peuvent en dépendre.

Début juillet, je suis entré en contact indirectement avec le club du FC Lorient pour leur proposer quelques joueurs évoluant au poste de défenseur central axial gauche, avec une défense à 3 soit gratuit ou soit pour un petit transfert inférieur à 500k€.   Motivé par cette mission et conscient de cette opportunité de mettre en avant mon travail, j’ai consacré quelques heures (le soir après ma journée de travail et sur le début du week end) à établir une liste de 20 joueurs.  Ma méthodologie a été de filtrer sur les défenseurs gauchers avec une bonne note en sortie de mon algorithme, sur des joueurs à moins de 1 M€ dans divers championnats. Ensuite, j’ai contrôlé qu’ils jouaient bien dans une défense à 3, à gauche, ce qui était assez consommateur finalement. J’ai aussi exploré les joueurs sans contrat intéressants. J’ai proposé différents styles de joueurs, plutôt de grandes tailles, avec de l’expérience ou moins, plutôt costaud mais certains moins costaud. Pour chacun des joueurs, j’ai contrôlé en visionnant les vidéos disponibles sous wyscout.   Le nom de Faye est apparu dans la liste après quelques heures sur la réflexion d’un prêt de grands clubs sur des joueurs susceptibles d’avoir peu de temps de jeu à l’identique de Coulibaly de Dortmund en prêt à Brest la saison dernière.   L’élément prépondérant de cette proposition a été que le Bayer Leverkusen récent champion d’Allemagne venait de payer 5M€ de transfert, quand on connaît les réussites récentes en termes de transfert et de performances, cela donne du crédit à ce joueur.  C’est certainement celui qui sur le papier a le plus gros potentiel.   Cependant, il n’était pas forcément en haut de la liste par sa performance à 7.04 quand d’autres pouvaient atteindre 7.30. Aussi, je n’ai pas pu observer le joueur sur plusieurs saisons, il y a donc un risque de se tromper plus important.   Dans la liste, il y avait des noms qui étaient plus performants sur la saison écoulée. -       Smolcic de Francfort après un prêt très réussi à LASK -       Pierie ancien grand espoir du foot néerlandais à la relance -       Bakker de Telstar (D2 Néerlandaise) joueur expérimenté de 29 ans -      Omoregie excellent espoir de Salzburg reconverti en prêt en défenseur axial gauche en cours de saison. Joueur qui peut évoluer à plusieurs postes, aussi au milieu de terrain.   Sur ce genre de travail, il manque bien entendu les interactions avec la cellule de recrutement et le staff pour échanger et adapter les profils à la recherche.   Le club a certes dû apprécier la liste en ciblant Faye après analyses vidéo en lui proposant un prêt comme je leur avais proposé. Profil général Nom  : Abdoulaye Faye Date de naissance  : 22 septembre 2004 (20 ans)   Taille  : ≈ 1,91 m, défenseur central gaucher   Formation  : Académie  Diambars  (Sénégal), réputée pour produire des talents comme Bamba Dieng ou Idrissa Gueye   Parcours en club 2023  : Recruté par  BK Häcken  (Allsvenskan, Suède) en provenance de Diambars, à un mois de ses 19 ans   2024  : Prêt à  Örgryte IS  (2ᵉ division suédoise), 22 matchs joués   2025  : Retour à Häcken avec participation notamment à la coupe de Suède (5 matchs, 2 buts en coupe), et 6 matchs de championnat   27 juin 2025  : Transfert à  Bayer Leverkusen  (Bundesliga), contrat de cinq ans jusqu’en 2030     Style de jeu Défenseur  gaucher  élégant, doté d’une bonne relance et capable de “casser les lignes” par la passe   Solide dans les duels Tactiquement discipliné et agressif défensivement avec un sens de l’interception hors norme Rapidité, placement intelligent et profil moderne Bon sur coup de pied arrêté   Élément Détail Âge / Taille 20 ans,1,91 m, défenseur central gaucher Formation Académie Diambars (Sénégal) Clubs précédents Häcken (Suède), Transfert Leverkusen 27 juin 2025, contrat de 5 ans Atouts principaux Relance propre, passe progressive, agressivité et intelligence tactique Ma notation me permet d'évaluer la performance dans la division, il s’avère que sur les données observées, j’ai récupéré toute la saison 2024 et le début 2025 en une seule fois car j’ai filtré sur les meilleurs attributs défensifs de la saison 2024/2025. Pour la Suède, j’ai récupéré tout 2024 car leur championnat est en année civile.

Ligue 1 2023/2024 Ligue 2 2023/2024 National 2023/2024

Pejcinovic, le futur Haaland Lamine Yamal Vidovic,, pisté par Brest cet été

James Rodriguez a réalisé une copa america de très haute qualité, un numéro 10 à l'ancienne :)

Un club de Ligue 2 a souhaité cibler et superviser quelques joueurs du Portugal plus en détail lors de matchs en décembre 2023. Travail réalisé en 3 heures un vendredi soir après une grosse semaine de travail (le vrai) de décembre. Exemple de fiche statistique rédigée pour chacun des 30 joueurs:

A la mi-novembre 2023, j'ai étudié la recherche de profil excentré pour un club de Ligue 2. J'ai identifié 22 joueurs répondant aux critères, j'ai introduit une note qualitative pour privilégier des pistes plutôt que d'autres. Cette note comprend la performance, le potentiel, la faisabilité financière et le risque de se tromper sur les performances qui se mesure par rapport au niveau du joueur, ses performances passées et de sa régularité d'année en année. Sur ces 22 joueurs, j'ai ciblé 3 joueurs étrangers jouant dans des championnats exotiques mais qui sur-performent très largement et pourraient probablement jouer en Ligue 1. Ensuite, des joueurs plus abordables des championnats de Ligue 2 et de National. J'ai aussi ciblé quelques joueurs remplaçants de Ligue 1 pour un éventuel prêt. Le club a pu ensuite compléter leurs analyses vidéos et pister certains joueurs. I. Soumaré a été pisté par le club et s'est finalement engagé chez Auxerre, ce qui valide l'approche. R. Ghrieb, 2e sur la note sur 20 a fini par signer au mercato suivant, au mercato d'été 2024, le joueur a révélé que le club avait entamé des démarches de recrutement.

En introduction, depuis la période COVID, j'ai construit un système de notation basée sur les données wyscout qui me permet de suivre l'évolution des joueurs. J'ai des données depuis la saison 2018/2019 qui permet de suivre les variations des notes en fonction de l'âge du joueur, de son temps de jeu, des changements de niveau de championnat etc etc. Ce suivi a beaucoup de vertus, la connaissance des joueurs, la détection des meilleurs, le tri et la comparaison par la notation, pour un club pouvoir recruter des profils similaires à moindre coût. Mon bagage en statistiques de plusieurs années me permet d'être pertinent dans mes analyses, d'appliquer des méthodes statistiques, de prévision ou en analyse de données pour identifier par exemple les profils des joueurs par la classification. Je serai bientôt en mesure d'extrapoler la performance des joueurs à un nouveau championnat, à son âge etc etc Ce sera selon moi le Graal pour le recrutement... Aujourd'hui, je suis en mesure d'estimer un intervalle de confiance de la future performance à dire d'expert. Les "Tops": Le meilleur transfert selon moi est Désiré Doué en termes de performances. Les statistiques qu'il a eues la saison précédente avec Rennes sont très élevées, dans un club comme le PSG, ses statistiques devront rester tès élevées même si son temps de jeu n'est pas garanti, il devra gagner une place de titulaire ce qui est largement à sa portée. Bien sûr, le PSG peut se permettre de mettre 50 M ou 60 M dans un transfert ce qui lui permet d'attirer les meilleurs (dans les étoiles recrutement, j'attribue des bonus/malus pour le coût de l'opération) Le club qui selon moi a réalisé les meilleurs transferts est le LOSC car ils ont recruté Thomas Meunier , c'est un joueur expérimenté, international, avec des performances régulièrement très bonnes et qui a obtenu de très bonnes notes en Turquie (7,23) sur la saison 2023/2024. De plus c'est un belge, Lille est très proche de la Belgique, on connaît aussi le leadership de ce joueur. Fernandez Pardo est un excellent joueur du championnat belge de 19 ans de la Gantoise, noté à 7,54. Il devrait performer à un niveau inférieur (7,10 - 7,30), c'est un futur crack qui devra confirmer. Sahraoui est un très bon ailier percutant, il reste sur 4 saisons à plus de 7,3 dans 2 championnats différents (Norvège et Pays-Bas), c'est un excellent dribbleur. Il y a aussi l'OL qui alterne le très bon recrutement et le moins bon. Wilfried Zaha devrait logiquement très bien performer en Ligue 1, de très bonnes performances en Premier League puis en Turquie (une saison à 6,95 avec Crystal Palace sinon toujours supérieur à 7,2)  devraient lui permettre de rester à ce niveau malgré son âge (bientôt 32 ans). OL a privilégié la performance et l'expérience au trading de jeunes joueurs qui répond davantage à une stratégie de résultats à court terme sur cette saison. Thiago Almada est évidemment la pépite attendue venant de MLS, il a été prêté à Botafogo, il sera a priori à l'OL en janvier. Il est excellent en MLS depuis 2 ans, note à 7,6. On peut s'attendre à ce que ses performances en Ligue 1 se situe entre 7,10 et 7,40 en raison de la différence de niveau des 2 championnats. Deux autres joueurs ont fait l'objet de critiques liées à l'extra-sportif mais leurs performances sur le terrain sont là. Jonathan Clauss , néo joueur Niçois est l'exemple du recrutement intelligent basé uniquement sur la performance (et non sur l'extra sportif), international Français, qui affiche des performances à 7,1/7,2 depuis a minima 4 ans. Il a certes déjà 31 ans, mais a certainement quelques années encore à un très bon niveau. Greenwood est un espoir du football anglais avec de gros problèmes extra sportifs qui ont stoppé son ascension. Il a toujours affiché des performances autour de 7,1 dans un championnat plus difficile, on peut s'attendre à ce qu'il affiche de très bonnes performances en France (7,1 - 7,3).   Les "Flops" Concernant les flops, ce sont surtout les moins bons recrutements. Kamara (Rennes) est le joueur anti-stat, je le note à 6,6 et à 6,5 sur ses 2 dernières saisons, peut-être un bon joueur collectif mais ça pose la question de l'utilité de ce joueur par rapport à d'autres joueurs avec de meilleures statistiques, s'il n'est pas en mesure d'influer sur le jeu. il ne rentre pas selon moi dans une approche data et l'optimisation de la performance. Wahi (OM) doit confirmer, il a eu du mal à Lens (6,73), il avait obtenu 6,90 avec Montpellier à 19 ans. Pour les plus jeunes, il y a bien sûr la stratégie du trading et que le joueur n'a pas encore montré tout son potentiel. C'est un gros investissement de 25 M où il réside une incertitude sur les futures performances du joueur qu'elles soient meilleures ou encore plus faibles. Carboni (OM) n'a rien montré en Serie A l'année dernière (6,48), il aussi seulement 19 ans, à voir s'il sera amené à avoir de meilleures statistiques. Certains clubs misent sur le trading qui n’est pas souvent la garantie de résultats à court terme (ex: Strasbourg même s'il s'agit maintenant d'un club satellite...). Ci-après toutes les donnés:   Club Joueur Ancien club Transfert Min Max estimation Etoiles performances Etoiles recrutement 1 PSG Doué Désiré  Rennes 50.00 M€ 7,20 7,40 7,30 5 4,5 2 PSG Neves Joao  Benfica 59.92 M€ 7,20 7,40 7,30 5 4,5 3 Monaco Brunner Paris  Borussia Dortmund 4.00 M€ 7,00 7,30 7,15 4 4,5 4 LOSC Fernandez Pardo Matias  La Gantoise- 12.00 M€ 7,10 7,30 7,20 4,5 4,0 5 LOSC Sahraoui Osame  SC Heerenveen 8.00 M€ 7,10 7,30 7,20 4,5 4,0 6 OL Zaha Wilfried  Galatasaray p. 3.00 M€  7,10 7,30 7,20 4,5 4,0 7 OL Almada Thiago  Atlanta United 19.60 M€ 7,10 7,40 7,25 4,5 4,0 8 Nice Clauss Jonathan  Marseille 5.00 M€ 7,10 7,20 7,15 4 4,0 9 LOSC Meunier Thomas  Trabzonspor f.c. 7,00 7,20 7,10 3,5 4,0 10 ASSE Abdelhamid Yunis  Reims f.c. 7,00 7,10 7,05 3,5 4,0 11 OM Cornelius Derek  Malmö FF 4.00 M€ 7,00 7,20 7,10 3,5 4,0 12 ASSE Boakye Augustine  Wolfsberger AC 3.00 M€ 7,00 7,20 7,10 3,5 4,0 13 OM Greenwood Mason  Manchester United 26.00 M€ 7,00 7,30 7,15 4 3,5 14 Rennes Gomez Carlos Andrés  Real Salt Lake 10.00 M€ 7,00 7,30 7,15 4 3,5 15 OM Maupay Neal  Everton p.o.a. 50 M€  6,90 7,20 7,05 3,5 3,5 16 ASSE Stassin Lucas  Westerlo   6,90 7,20 7,05 3,5 3,5 17 Nice Abdelmonem Mohamed  Al-Ahly Le Caire 4.20 M€ 7,00 7,20 7,10 3,5 3,5 18 Auxerre Hoever Ki-Jana  Wolverhampton p. 7,00 7,20 7,10 3,5 3,5 19 Brest Dari Lorient   7,00 7,20 7,10 3,5 3,5 20 Brest Doumbia Kamory  Reims 4.00 M€ 7,00 7,20 7,10 3,5 3,5 21 Brest Faivre Romain  Bournemouth p. 7,00 7,20 7,10 3,5 3,5 22 Lens Ojediran Hamzat  Debrecen VSC 1.50 M€ 7,00 7,20 7,10 3,5 3,5 23 Lens Zaroury Anass  Burnley 9.00 M€ 7,00 7,20 7,10 3,5 3,5 24 OM Höjbjerg Pierre-Emile  Tottenham p.o.a. 7,00 7,20 7,10 3,5 3,5 25 Monaco Kehrer Thilo  West Ham 11.00 M€ 7,00 7,20 7,10 3,5 3,5 26 Montpellier Nzingoula Rabby  Strasbourg p. 7,00 7,20 7,10 3,5 3,5 27 Nantes Lepenant Johann  Lyon p.o.a. 7,00 7,20 7,10 3,5 3,5 28 Rennes Ostigard Leo Skiri  Naples 7.00 M€ 7,00 7,20 7,10 3,5 3,5 29 Strasbourg Santos Andrey  Chelsea p. 7,00 7,20 7,10 3,5 3,5 30 Toulouse Cresswell Charlie  Leeds 4.50 M€ 7,00 7,20 7,10 3,5 3,5 31 Toulouse King Joshua  Fenerbahçe f.c. 6,80 7,00 6,90 3 3,5 32 Angers Aholou Jean-Eudes  Strasbourg f.c. 6,80 7,00 6,90 3 3,5 33 Angers Belkebla Haris  Ohod Médine f.c. 6,80 7,00 6,90 3 3,5 34 Auxerre Diomandé Sinaly  Lyon f.c. 6,80 7,00 6,90 3 3,5 35 Auxerre Osho Gabriel  Luton f.c. 6,80 7,00 6,90 3 3,5 36 HAC Bouneb Ismaïl  Valenciennes f.c. 6,80 7,00 6,90 3 3,5 37 Lens Sarr Malang  Chelsea f.c. 6,80 7,00 6,90 3 3,5 38 Rennes Hateboer Hans  Atalanta Bergame 2.00 M€ 6,80 7,00 6,90 3 3,5 39 Toulouse Sidibé Djibril  AEK Athènes f.c. 6,80 7,00 6,90 3 3,5 40 HAC Zouaoui Yanis  Martigues f.c. 6,80 7,10 6,95 3 3,5 41 Angers Arcus Carlens  Vitesse Arnhem f.c. 6,90 7,10 7,00 3 3,5 42 HAC Housni Ilyes  Paris-SG p. 6,90 7,10 7,00 3 3,5 43 HAC Londja Ruben  Lausanne-Sport f.c. 6,80 7,20 7,00 3 3,5 44 OL Omari Warmed  Rennes p.o.a. 0.50 M€  6,90 7,10 7,00 3 3,5 45 Nice Ndombele Tanguy  Tottenham f.c. 6,60 7,00 6,80 2,5 3,5 46 OL Benrahma Saïd  West Ham 14.40 M€ 6,90 7,20 7,05 3,5 3,0 47 OL Nuamah Ernest  RWD Molenbeek 28.50 M€ 7,00 7,20 7,10 3,5 3,0 48 Monaco Camara Lamine  Metz 15.00 M€ 7,00 7,20 7,10 3,5 3,0 49 Rennes Gronbaek Albert  Bodo/Glimt 15.00 M€ 7,00 7,20 7,10 3,5 3,0 50 Rennes Jota  Al-Ittihad 8.00 M€ 6,90 7,30 7,10 3,5 3,0 51 Strasbourg Nanasi Sebastian  Malmö FF 11.00 M€ 7,00 7,20 7,10 3,5 3,0 52 OL Mikautadze Georges  Metz 18.50 M€ 7,00 7,30 7,15 3,5 3,0 53 Angers Biumla Emmanuel  Bordeaux f.c. 6,80 7,00 6,90 3 3,0 54 Angers Dieng Bamba  Lorient p. 6,80 7,00 6,90 3 3,0 55 Brest Baldé Mama  Lyon 4.50 M€ 6,80 7,00 6,90 3 3,0 56 Brest Le Cardinal Julien  Lens 1.70 M€  6,80 7,00 6,90 3 3,0 57 Brest Ndiaye Abdoulaye Niakaté  Troyes p.o.a. 6,80 7,00 6,90 3 3,0 58 HAC Pembélé Timothée  Sunderland p. 6,80 7,00 6,90 3 3,0 59 Nantes Cozza Nicolas  Wolfsburg p. 6,80 7,00 6,90 3 3,0 60 Nice Moukoko Youssoufa  Borussia Dortmund p.o.a. 6,80 7,00 6,90 3 3,0 61 Nice Sanson Morgan  Aston Villa 4.00 M€ 6,80 7,00 6,90 3 3,0 62 Reims Moscardo Gabriel  Paris-SG   6,80 7,00 6,90 3 3,0 63 Rennes James Jordan  Birmingham City 5.00 M€ 6,80 7,00 6,90 3 3,0 64 Strasbourg Moreira Diego  Chelsea 2.00 M€ 6,80 7,00 6,90 3 3,0 65 OM Rowe Jonathan  Norwich p.o.a. 6,80 7,10 6,95 3 3,0 66 Nantes Thomas Sorba  Huddersfield p.o.a. 6,80 7,10 6,95 3 3,0 67 ASSE Old Ben  Wellington Phoenix-   6,80 7,10 6,95 3 3,0 68 Strasbourg Perea Oscar  Atlético Nacional Medellin 5.20 M€ 6,80 7,10 6,95 3 3,0 69 Strasbourg Wiley Caleb  Chelsea p. 6,80 7,10 6,95 3 3,0 70 Toulouse Akdag Umit  Alanyaspor p.o.a. 6,80 7,10 6,95 3 3,0 71 LOSC Bakker Mitchel  Atalanta Bergame p. 6,90 7,00 6,95 3 3,0 72 Auxerre Bair Thelonius  Motherwell 1.30 M€ 6,90 7,10 7,00 3 3,0 73 Brest Ajorque Ludovic  Mayence p.o.a. 6,90 7,10 7,00 3 3,0 74 Brest Coulibaly Soumaila  Borussia Dortmund p. 6,90 7,10 7,00 3 3,0 75 Brest Salah Ibrahim  Rennes p.o.a. 6,90 7,10 7,00 3 3,0 76 Brest Sima Abdallah Dipo  Brighton p. 6,90 7,10 7,00 3 3,0 77 OL Tessmann Tanner  Venise 6.00 M€ 6,90 7,10 7,00 3 3,0 78 OM Brassier Lilian  Brest p.o.a. 6,90 7,10 7,00 3 3,0 79 Nantes Gbamin Jean-Philippe  sans club-   6,90 7,10 7,00 3 3,0 80 Reims Kipré Cédric  West Bromwich Albion f.c. 6,90 7,10 7,00 3 3,0 81 ASSE Cornud Pierre  Maccabi Haïfa 1.10 M€ 6,80 7,20 7,00 3 3,0 82 ASSE Ekwah Pierre  Sunderland p.o.a. 6,90 7,10 7,00 3 3,0 83 ASSE Miladinovic Igor  Cukaricki Belgrade 3.00 M€ 6,90 7,10 7,00 3 3,0 84 Toulouse McKenzie Mark  Racing Genk 3.00 M€ 6,90 7,10 7,00 3 3,0 85 Angers Ekomié Jacques  Bordeaux f.c. 6,60 6,90 6,75 2,5 3,0 86 LOSC Mbappé Ethan  Paris-SG f.c. 6,60 6,90 6,75 2,5 3,0 87 Toulouse Zajc Miha  Fenerbahçe   6,60 7,00 6,80 2,5 3,0 88 Brest Amavi Jordan  Marseille f.c. 6,70 6,90 6,80 2,5 3,0 89 Lens Satriano Martin  Inter Milan p.o.a. 1.00 M€  6,70 6,90 6,80 2,5 3,0 90 LOSC Mandi Aïssa  Villarreal f.c. 6,70 6,90 6,80 2,5 3,0 91 Brest Haïdara Massadio  Lens f.c. 6,70 7,00 6,85 2,5 3,0 92 PSG Pacho Willian  Eintracht Francfort 40.00 M€ 7,00 7,20 7,10 3,5 2,5 93 Nantes Abner Vinicius  Betis Séville 8.00 M€ 6,90 7,10 7,00 3 2,5 94 Monaco Ilenikhena George  Royal Antwerp 17.00 M€ 6,80 7,00 6,90 3 2,5 95 Monaco Mawissa Elebi Christian  Toulouse 16.00 M€ 6,80 7,00 6,90 3 2,5 96 Rennes Faye Mikayil  FC Barcelone 10.30 M€ 6,80 7,10 6,95 3 2,5 97 Strasbourg Doué Guéla  Rennes 6.00 M€ 6,80 7,10 6,95 3 2,5 98 Strasbourg Sarr Mamadou  Lyon 10.00 M€ 6,80 7,10 6,95 3 2,5 99 Monaco Teze Jordan  PSV Eindhoven 10.00 M€ 6,90 7,10 7,00 3 2,5 100 Nantes Abline Matthis  Rennes t.d. 10.00 M€  6,90 7,10 7,00 3 2,5 101 Rennes Meister Henrik  Sarpsborg 08 7.00 M€ 6,90 7,10 7,00 3 2,5 102 Strasbourg Lemarechal Félix  Monaco 6.00 M€ 6,90 7,10 7,00 3 2,5 103 Auxerre Coulibaly Lasso  FC Nordsjälland 2.00 M€ 6,70 6,90 6,80 2,5 2,5 104 Auxerre Traoré Hamed Junior  Bournemouth p. 6,70 6,90 6,80 2,5 2,5 105 Brest Fernandes Edimilson  Mayence p. 6,70 6,90 6,80 2,5 2,5 106 Reims Buta Aurelio  Eintracht Francfort p.o.a. 6,70 6,90 6,80 2,5 2,5 107 HAC Joujou Antoine  Parme p. 6,70 7,00 6,85 2,5 2,5 108 Angers Allevinah Jim  Clermont f.c. 6,60 6,80 6,70 2 2,5 109 OM Carboni Valentin  Inter Milan p.o.a. 1.00 M€  6,50 6,90 6,70 2 2,5 110 OL Kadewere Tino  Lyon t.d. 6,60 6,90 6,75 2 2,5 111 OL Niakhaté Moussa  Nottingham Forest 31.90 M€ 6,80 7,00 6,90 3 2,0 112 Nice Bombito Moïse  Colorado Rapids 7.00 M€ 6,70 7,00 6,85 2,5 2,0 113 Rennes Kamara Glen  Leeds 10.00 M€ 6,70 6,90 6,80 2,5 2,0 114 OM Koné Ismael  Watford 12.00 M€ 6,70 6,90 6,80 2,5 2,0 115 OM Meïté Bamo  Lorient 10.50 M€ 6,70 6,90 6,80 2,5 2,0 116 Strasbourg Mara Sékou  Southampton 12.00 M€ 6,70 6,90 6,80 2,5 2,0 117 OM Wahi Sepe Elye  Lens 25.00 M€ 6,70 7,00 6,85 2,5 2,0 118 ASSE Davitashvili Zuriko  Bordeaux 6.00 M€ 6,70 7,00 6,85 2,5 2,0 119 Lens Chavez Jhoanner  Bahia-BA 4.50 M€ 6,5 6,70 6,60 2 2,0 120 LOSC Mukau Ngal'ayel  FC Malines 5.00 M€ 6,50 6,70 6,60 2 2,0 121 Rennes Ahamada Naouirou  Crystal Palace p. 6,50 6,70 6,60 2 2,0 122 Lens Nzola M'Bala  Fiorentina p.o.a. 6,6 6,80 6,70 2 2,0