Quand les données parlent du football

L’effondrement silencieux d’un modèle managérial

J’ai observé les statistiques pendant plus de deux heures — non par émotion, mais parce que les données murmuraient. Les 2 victoires, 1 nul et 5 défaites de Porto en phase de groupe ? Pas de malchance : un modèle surajusté, trop de variables, trop peu de variance.

L’annonce officielle n’est pas née de la panique — mais d’une mise à jour postérieure : le théorème de Bayes appliqué à une décision humaine sous pression. Sousa avait une équipe talentueuse, mais les données racontaient une autre histoire : les buts attendus par match étaient en dessous du seuil. Le modèle s’était stabilisé sur la médiocrité.

L’algorithme de la perte

Nous avons entraîné nos modèles sur des données propres venues des académies de Lisbon, mais la réalité n’écoute pas l’intuition. Au football — comme en statistique — la variable la plus dangereuse est le temps. Quand la fatigue s’installe, les taux de victoire déclinent non pour manque de talent — mais pour des prioris mal calibrés. Le mandat de Sousa ne portait pas sur la personnalité ; il s’agissait d’étalonnage.

J’ai travaillé avec R et Tableau assez longtemps pour savoir : ce n’est pas du drame — c’est du diagnostic. Un entraîneur n’est pas viré pour des défaites — il est remplacé quand la probabilité postérieure tombe sous le seuil.

Pourquoi ce n’est pas juste du football

Ce n’est pas une question de tactique ou de charisme. C’est ce qui arrive quand on traite l’émotion comme donnée — et qu’on laisse Bayes parler tandis que tout le monde s’accroche aux récits du « ressenti ».

Nous n’avons pas besoin de nouveaux entraîneurs — nous avons besoin de meilleurs prioris.