Méthodologie

1Collecte de Données

Nous obtenons nos données brutes d'APIs sportives de niveau entreprise, garantissant des informations à la minute près sur tout. Nous suivons plus de 1 000 points de données distincts par match.

2Ingénierie des Caractéristiques

Les données brutes ne suffisent pas. Nous concevons des métriques personnalisées pour mieux capturer les dynamiques de performance des équipes :

• Momentum xG (Buts Attendus) : Comment une équipe performe par rapport aux attentes sur ses 5 derniers matchs.
• Indice de Fatigue : Calculé en fonction de la distance de voyage, des jours de repos et de la concentration de matchs.
• Compatibilité Tactique : Comment la formation typique d'une équipe performe historiquement contre le schéma préféré de l'adversaire.

3Modèles de Machine Learning

Nous utilisons une approche ensemble avec plusieurs architectures de machine learning. Le Gradient Boosting (XGBoost) nous aide à trouver des patterns non linéaires, tandis que les modèles de régression de Poisson simulent les distributions de buts.

4Analyse Human-in-the-Loop

Bien que nos probabilités de base ne soient pas affectées par l'émotion humaine, nos articles et analyses tactiques utilisent des LLMs pour construire des narratives lisibles et éclairantes.