Le Big Data, soit la collecte et le traitement d’un volume énorme de données variées à une vitesse toujours plus rapide, est venu révolutionner le football concernant l’analyse sportive des joueurs. On a vu apparaître le xG (ou expected goal) qui permet de mesurer la qualité d’une occasion de but en lui affectant une probabilité (par exemple, le xG d’un tir du milieu de terrain sera de 0.01, soit 1% de chance qu’il rentre : l’occasion est de très mauvaise qualité) et permet donc de contextualiser les performances d’un attaquant. Cependant, pendant longtemps, contextualiser toute l’action offensive n’était pas envisageable ; c’est là qu’intervient l’on-ball value (ou OBV), métrique créée par Statsbomb, une entreprise d’analyse de données sportives.
Qu’est-ce que l’OBV ?
L’On-Ball value vient quantifier les actions. C’est un modèle cherchant à affecter une valeur à chaque action qui se déroule sur le terrain de football en fonction de l’impact positif (ou négatif) de l’entièreté de l’action sur la probabilité de marquer (et de concéder). Plutôt que de se contenter d’observer qu’elles ont eu lieu, on peut désormais mesurer l’effet de chaque action. Ici, on contextualise les données de base autre que les buts/tirs (passes reçues, passes complétées, etc…) car on montre l’apport véritable de chaque joueur ayant touché le ballon sur l’action. Complété avec le xG, il est donc possible de valoriser la contribution de chaque joueur sur le terrain dans un match entier, et plus encore, sur une saison entière.
Utilisons un exemple pour comprendre le fonctionnement de l’OBV : le match opposant Liverpool à West Ham, le 31 janvier 2021, match remporté 2-0 par Liverpool avec un but de Mohammed Salah.
L’action commence par une passe d’Alexander Arnold qui vient changer l’action de côté. On observe qu’elle apporte +0.00906 en valeur de but : cette passe est positive et augmente la probabilité de marquer de 0.9%. La deuxième passe produite par Shaqiri, elle, a un impact notoire sur le jeu, avec une augmentation de 12% de la probabilité de marquer à l’issue de l’occasion. Salah reçoit donc le ballon dans la surface, mais il ne tire pas tout de suite : il décide de porter la balle plus près du but en faisant quelques pas, ce qui est encore une fois positif car cela rajoute 5% de chance de marquer. Enfin, il convertit la chance en but. Si le tir augmente la probabilité de 49% et non pas de 100%, c’est parce que le gardien reste dans les cages, et nous n’aurions pas été à l’abris d’un arrêt fantastique. Si Salah n’avait pas cadré sa frappe, l’OBV aurait été négative car avec une possession de si grande valeur, cela aurait été du gâchis.
Ici, on a donc contextualisé toute l’action menant au but, en valorisant réellement l’apport de chaque joueur ayant contribué à l’action avec la balle.
L’OBV est donc utilisé pour connaître les joueurs apportant la meilleure qualité pour qu’une action, de son départ à sa fin, ait le plus de chance d’être convertie en but. On peut donc contextualiser l’apport offensif des défenseurs, les joueurs prenant le moins de risques, etc… (annexe). Il est désormais possible de contextualiser des statistiques basiques par la détermination de la qualité d’actions entières, permettant de connaître les qualités (et défauts) de chaque joueur concernant l’apport dans le jeu.
Les nouvelles utilisations des données comme l’OBV révolutionnent donc le football dans l’analyse sportive individuelle, mais aussi pour les entrainements (car on peut donc connaître les lacunes des joueurs). Le football connaît donc une véritable révolution des données, et il serait dommage pour un club de passer à côté…
