Je reviens au soccer avec une statistique devenue courante : le but attendu, ou xG. Le nombre paraît simple, mais il est la sortie d’une chaîne qui commence par la définition d’un tir et finit par une probabilité calibrée sur un historique.

Un fournisseur code chaque événement : minute, coordonnées, partie du corps, type d’assistance, situation arrêtée ou jeu ouvert, présence d’une pression et résultat. Le pipeline valide les coordonnées, transforme certaines variables, puis applique un modèle entraîné sur des tirs passés.

vidéo/capteur -> codage des événements -> contrôle qualité
              -> variables du tir -> modèle -> probabilité xG
              -> agrégation par joueur, équipe et match

Une régression logistique simple pourrait utiliser distance et angle :

z = b0 + b1 x distance + b2 x angle + b3 x tête + b4 x penalty
xG = 1 / (1 + exp(-z))

Le résultat 0,20 signifie que, dans les données et conditions représentées par le modèle, des tirs semblables deviennent un but environ une fois sur cinq. Il ne signifie pas que ce tir précis était « 20 % un but », ni que le joueur aurait dû marquer.

Vérifier le modèle avant le classement

Je regarderais au moins six contrôles :

1. définition stable de ce qui compte comme tir;
2. couverture des compétitions, époques et types d’occasions;
3. séparation entre entraînement et évaluation;
4. calibration : parmi les tirs cotés 0,20, environ 20 % finissent-ils en but?;
5. performance par angle, distance, pied ou tête;
6. changement de collecte ou de modèle clairement versionné.

Une précision à deux décimales ne garantit pas une collecte précise. Deux analystes peuvent coder différemment une pression ou une passe décisive. Deux fournisseurs peuvent placer l’origine du terrain ailleurs ou exclure certains rebonds. Comparer leurs xG comme s’ils venaient du même instrument est risqué.

Les petites tailles d’échantillon ajoutent du bruit. Un joueur peut marquer trois fois sur quatre occasions modestes sans avoir découvert une loi permanente. Sur plusieurs matchs, la somme des probabilités aide à séparer qualité moyenne des occasions et résultat, mais les observations ne sont pas parfaitement indépendantes et le style de jeu influence ce qui est capté.

Le suivi des positions ajoute défenseurs, gardien et mouvements avant le tir. Il augmente aussi le volume, les données manquantes et les erreurs d’alignement avec la vidéo. Un horodatage décalé de 200 millisecondes peut placer un défenseur au mauvais endroit pendant une action rapide. La validation doit montrer les trajectoires et les événements ensemble.

Le modèle ne connaît pas nécessairement la douleur, la consigne tactique, la communication ou un appel sans ballon qui ouvre l’espace. Je traite donc le xG comme un index de séquences à revoir. Une alerte « beaucoup de tirs faibles depuis trois matchs » mène à la vidéo et à une discussion avec les entraîneurs.

Si le pipeline change, on recalcule l’historique ou on marque la rupture. Si une source manque, le tableau indique la couverture au lieu d’inventer zéro. Le chiffre devient utile lorsqu’on peut expliquer les variables, la calibration et les limites. Il ne remplace pas l’œil : il lui donne une question plus précise et l’endroit où retourner dans le match.