📊 statistics

Absolute and Relative Performance Indicators Associated with Match Success Across Six European Professional Football Leagues

Cette étude de 2 058 matchs à travers six ligues européennes démontre que, bien que les indicateurs de performance relative (différences équipe-adversaire) soient plus efficaces que les indicateurs absolus pour prédire l'issue des matchs, le modèle prédictif le plus précis est obtenu en intégrant à la fois des mesures absolues et relatives.

Auteurs originaux : Ângelo Brito

Publié 2026-08-05

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Ângelo Brito

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous regardez un match de football. Depuis des décennies, les analystes sont obsédés par le comptage de tout ce qu'une seule équipe fait : combien de passes ont-ils effectuées ? Combien de temps ont-ils conservé le ballon ? Combien de tirs ont-ils tentés ? C'est comme juger un chef uniquement sur le nombre d'ingrédients qu'il a découpés, sans jamais goûter la soupe ni voir ce que l'autre chef cuisinait. C'est le monde de la performance « absolue » — regarder les statistiques d'une équipe dans le vide. Mais le football n'est pas un acte en solo ; c'est une danse constante, chaotique, entre deux équipes. Si l'Équipe A effectue 500 passes, c'est impressionnant, mais et si l'Équipe B en a effectué 600 ? Soudain, les 500 passes de l'Équipe A ressemblent à une lutte, et non à un triomphe. Cet article pose une question simple mais révolutionnaire : pour vraiment comprendre qui gagne et pourquoi, devons-nous simplement compter ce qu'une équipe a fait, ou devrions-nous mesurer à quel point elle l'a mieux fait par rapport à l'autre équipe ? La réponse change tout dans notre façon de regarder le beau jeu.

Cette recherche, dirigée par Ângelo Brito de l'Université de Lisbonne, a décidé de trancher le débat en examinant une montagne massive de données : chaque match de la saison 2023-2024 dans six des six meilleurs championnats professionnels européens (incluant la Premier League anglaise, la Liga espagnole et la Serie A italienne). Cela représente 2 058 matchs et plus de 4 000 performances d'équipes à traiter. L'auteur ne s'est pas contenté de chercher de nouvelles statistiques ; au lieu de cela, il a testé trois manières différentes de « lire » le jeu. Premièrement, il a examiné les Indicateurs Absolus (ce qu'une équipe fait de son côté). Deuxièmement, il a examiné les Indicateurs Relatifs (la différence entre ce qu'une équipe a fait et ce que son adversaire a fait). Troisièmement, il a tenté de Combiner les deux.

Les résultats ont été aussi clairs que le coup de sifflet d'un arbitre. Lorsque l'auteur a essayé de prédire qui gagnerait en utilisant uniquement les statistiques « Absolues » (comme le nombre total de passes ou de tirs), le modèle était correct, mais il passait souvent à côté de la plaque, prédisant le résultat avec une précision d'environ 79 %. Cependant, lorsqu'il est passé aux statistiques « Relatives » — demandant essentiellement : « Combien de tirs de plus l'Équipe A a-t-elle effectués que l'Équipe B ? » — le modèle est devenu une boule de cristal. Soudain, il pouvait prédire le vainqueur avec une précision de 91 %. L'approche « Relative » était un bond en avant massif. Elle a montré que savoir qu'une équipe avait 15 tirs cadrés signifiait très peu, à moins de savoir que son adversaire n'en avait que 3. La différence entre 15 et 3 est ce qui détermine réellement la victoire.

L'étude a révélé que les prédicteurs les plus puissants de la victoire n'étaient pas seulement liés au fait d'avoir une bonne attaque, mais à l'idée d'avoir une meilleure attaque que l'autre. Plus précisément, avoir plus de tirs cadrés que son adversaire et être plus efficace pour transformer ces tirs en buts étaient les clés d'or. Lorsque l'auteur a combiné les deux types de données (Absolues et Relatives), le modèle est devenu encore meilleur, atteignant 93 % de précision. Mais voici le plus frappant : presque toute cette amélioration provenait de la partie « Relative ». L'ajout des chiffres « Absolus » n'a apporté qu'un gain infime et modeste.

Alors, que cela signifie-t-il pour l'avenir de l'analyse du football ? Le document suggère que nous devons cesser de regarder les équipes de manière isolée. La performance d'une équipe n'est pas seulement un chiffre sur un tableau d'affichage ; c'est une relation. Tout comme une course ne consiste pas à courir vite, mais à être plus rapide que la personne à côté de vous, le succès au football est défini par l'écart entre vous et votre adversaire. Bien que compter le nombre total de passes et de tirs soit toujours utile pour comprendre le style d'une équipe, si vous voulez savoir pourquoi une équipe a gagné ou perdu, vous devez regarder la différence. Le document conclut que la meilleure façon de modéliser le succès au football est de se concentrer sur la manière dont une équipe a surpassé son rival, prouvant que dans le jeu du football, le contexte est roi, et que la seule statistique qui compte vraiment est celle qui compare les deux camps.

Résumé Technique : Indicateurs de Performance Absolus et Relatifs Associés au Succès en Match à travers Six Ligues Professionnelles de Football Européen

Énoncé du Problème

L'analyse de la performance footballistique s'est traditionnellement concentrée sur l'identification d'indicateurs de performance absolue (ex. : total de tirs, possession de balle) associés au succès compétitif. Cependant, une lacune méthodologique significative subsiste concernant la manière dont la performance compétitive devrait être représentée analytiquement. Le football est un système interactif où la signification de toute action dépend du comportement de l'équipe adverse ; pourtant, la plupart des recherches s'appuient sur des statistiques d'équipe isolées, supposant implicitement qu'elles fournissent une représentation adéquate de la performance compétitive. Cette étude aborde la question fondamentale de savoir si le succès compétitif est caractérisé plus précisément par des indicateurs absolus, des indicateurs relatifs (différences équipe-adversaire), ou une combinaison des deux.

Méthodologie

Conception de l'étude et échantillon :
Cette étude observationnelle rétrospective a utilisé une conception comparative et prédictive analysant les données de la saison 2023–2024 à travers six ligues professionnelles nationales européennes : la Premier League anglaise, LaLiga espagnole, la Serie A italienne, la Bundesliga allemande, la Ligue 1 française et la Primeira Liga portugaise. L'ensemble de données comprenait 2 058 matchs officiels, résultant en 4 116 observations équipe-match (deux observations par match).

Variables :
L'étude a examiné trois représentations analytiques :

Indicateurs Absolus : Valeurs enregistrées par une équipe de manière indépendante (ex. : % de possession de balle, total de tirs, tirs cadrés, précision des passes, efficacité offensive).
Indicateurs Relatifs : Calculés comme la différence entre la valeur de l'équipe focalisée et la valeur de l'adversaire au cours du même match (ex. : Tirs Cadrés Relatifs = Tirs Cadrés de l'Équipe − Tirs Cadrés de l'Adversaire).
Indicateurs Combinés : Une intégration des variables absolues et relatives.

Analyse Statistique :

Descriptive et Inférentielle : Des ANOVA à un facteur ont été utilisées pour comparer les indicateurs entre les victoires, les nuls et les défaites, avec des tailles d'effet quantifiées par l'eta partiel carré ( $\eta_p^2$ ).
Modélisation Prédictive : Des modèles de régression logistique multivariée ont été estimés pour prédire la victoire (vs non-victoire). Trois modèles ont été comparés : un utilisant uniquement des indicateurs absolus, un utilisant uniquement des indicateurs relatifs, et un ensemble combiné.
Métriques de Performance : Les modèles ont été évalués à l'aide de l'Aire Sous la Courbe ROC (AUC), de la précision, de la sensibilité, de la spécificité et du score de Brier.
Sélection du Modèle Final : Une procédure de sélection descendante (backward stepwise selection) a été appliquée au modèle combiné pour identifier les prédicteurs indépendants de la victoire. Les erreurs standards ont été regroupées (clustered) au niveau du match pour tenir compte de la non-indépendance des deux observations d'équipe dérivées d'une seule rencontre.

Résultats Clés

1. Capacité Discriminatoire (Analyse Descriptive) :
Les indicateurs relatifs ont systématiquement démontré une puissance discriminatoire supérieure aux indicateurs absolus.

Tailles d'Effet : Les plus grandes tailles d'effet ont été observées pour la supériorité offensive par rapport à l'adversaire. L'efficacité offensive relative ( $\eta_p^2 = 0,398$ ), les tirs cadrés relatifs ( $\eta_p^2 = 0,261$ ) et la précision de tir relative ( $\eta_p^2 = 0,159$ ) ont montré des effets nettement plus importants que leurs homologues absolus.
Indicateurs Absolus : Bien que les équipes gagnantes aient généralement surperformé les équipes perdantes en termes absolus (ex. : possession, total de tirs), les tailles d'effet étaient modestes (ex. : possession de balle $\eta_p^2 = 0,028$ ), indiquant que la production absolue seule explique une proportion limitée de la variance du résultat.

2. Performance Prédictive (Régression Logistique) :

Modèle Absolu : A atteint une AUC de 0,87, une précision de 78,8 % et un score de Brier de 0,143. La sensibilité était notablement plus faible (65,7 %) que la spécificité (86,5 %).
Modèle Relatif : A nettement surpassé le modèle absolu avec une AUC de 0,96, une précision de 90,9 % et un score de Brier de 0,071. La sensibilité a augmenté à 86,3 %.
Modèle Combiné : A produit la performance globale la plus élevée (AUC = 0,97, précision = 93,3 %, score de Brier = 0,058). Cependant, l'amélioration par rapport au modèle relatif seul est modeste (augmentation de l'AUC de 0,01 ; augmentation de la précision de 2,4 points de pourcentage), suggérant que le gain principal de puissance prédictive provient de la représentation relative.

3. Prédicteurs Indépendants de la Victoire :
Dans le modèle multivarié final (approche combinée), trois indicateurs sont restés associés de manière indépendante à la victoire :

Tirs Cadrés Relatifs : Association la plus forte (Odds Ratio [OR] = 31,59).
Efficacité Offensive Relative : Association forte (OR = 25,88).
Efficacité Offensive Absolue : A conservé une valeur explicative complémentaire (OR = 3,29).

Contributions Clés

Changement Méthodologique : L'étude démontre que la représentation analytique de la performance (absolue vs relative) est un déterminant fondamental de la capacité explicative et prédictive dans la recherche sur le football. Elle soutient que la supériorité compétitive est mieux capturée par les différences équipe-adversaire que par les statistiques de production isolées.
Résolution des Incohérences : Les résultats offrent une explication méthodologique aux incohérences historiques de la littérature concernant l'importance de variables telles que la possession de balle. L'étude suggère que la variabilité de l'importance rapportée peut provenir du fait que la performance est analysée de manière isolée ou par rapport à l'adversaire.
Optimisation du Modèle : La recherche établit que, bien que l'intégration d'indicateurs absolus fournisse une amélioration complémentaire modeste, la vaste majorité du gain explicatif dans la modélisation du succès en match est dérivée de la contextualisation de la performance de l'équipe par des différences référencées à l'adversaire.

Signification et Revendications

L'article affirme que la contribution principale n'est pas l'identification de nouveaux indicateurs de performance, mais la démonstration que la manière dont la performance est représentée influence fondamentalement l'information extraite sur le succès compétitif.

Nature Relationnelle de la Performance : Les résultats soutiennent la vision conceptuelle selon laquelle le football est un système interactif où la signification d'une statistique est contingente sur le comportement de l'adversaire. Par conséquent, représenter la performance via les différences équipe-adversaire fournit un cadre analytique plus informatif que l'analyse de statistiques d'équipe isolées.
Rôles Complémentaires : L'étude pose que les indicateurs absolus et relatifs ne sont pas mutuellement exclusifs mais décrivent des dimensions différentes. Les indicateurs absolus caractérisent comment une équipe joue (production), tandis que les indicateurs relatifs quantifient l'avantage compétitif établi. Pour l'objectif spécifique d'expliquer ou de modéliser le succès en match, le cadre relatif est supérieur, bien que l'intégration des deux produise les modèles les plus robustes.
Implication Pratique : Pour l'analyse de la performance appliquée, l'article suggère que bien que les statistiques absolues restent précieuses pour décrire les styles de jeu, la compréhension des résultats de match nécessite d'interpréter ces statistiques aux côtés de valeurs référencées à l'adversaire pour capturer le contexte compétitif.

L'auteur maintient une position modeste, notant que ces résultats sont basés sur les données de recensement d'une seule saison et que la forte association de l'« efficacité offensive » avec la victoire est en partie due à sa proximité mathématique avec le résultat (buts marqués). Il appelle à des recherches futures pour valider ces principes relationnels à travers plusieurs saisons, différents contextes et avec des données de suivi plus granulaires.