The FIFA World Cup 2026 Master Dataset: A Normalized 3NF Relational Benchmark of the Expanded 48-Team International Football Tournament

Le football a longtemps été un jeu de passion et d'instinct, mais au cours des dernières décennies, une révolution silencieuse a transformé ce sport en une science. Les analystes et les entraîneurs s'appuient désormais sur de vastes quantités d'informations structurées pour comprendre ce qui se passe sur le terrain, allant au-delà des simples scores pour suivre chaque passe, chaque tir et chaque remplacement. Ce domaine, connu sous le nom de l'analyse sportive (sports analytics), cherche à trouver des modèles dans le chaos d'un match, en utilisant les données pour expliquer pourquoi une équipe a gagné ou perdu, comment un joueur a performé et ce qui pourrait se passer ensuite. Si les entreprises commerciales détiennent souvent les enregistrements les plus détaillés derrière des barrières de paiement, la communauté scientifique a longtemps eu besoin de jeux de données ouverts et fiables pour tester de nouvelles idées et améliorer notre compréhension du jeu. Le défi a toujours été que les données publiques disponibles sont souvent désordonnées, déconnectées ou dépourvues des détails spécifiques nécessaires à une étude approfondie, tels que l'emplacement exact d'un stade ou la valeur marchande précise d'un joueur.

À l'été 2026, un chercheur nommé MD Mominul Islam, de l'Université des sciences et technologies de Shahjalal au Bangladesh, a comblé cette lacune en créant un registre numérique complet de la Coupe du Monde de la FIFA. Ce tournoi fut un événement historique, passant de 32 à 48 équipes nationales et présentant 104 matchs joués dans 16 sites au Canada, au Mexique et aux États-Unis. Le match de la finale a vu l'Espagne battre l'Argentine 1–0, mais la véritable importance de l'événement pour la science des données réside dans le volume massif d'activité qu'il a généré. Le chercheur a compilé les informations à la suite du tournoi de 39 jours, recueillant les détails de chaque match, des 48 équipes qualifiées et des 1 248 joueurs enregistrés. Le résultat est une collection massive et organisée de faits qui lie les données biométriques des joueurs, la géographie des sites et les événements de match en un système cohérent unique.

La réalisation centrale de ce travail est la création d'une base de données « normalisée », qui est une manière spécifique d'organiser l'information afin que chaque donnée ait une place unique et soit connectée logiquement à tout le reste. Au lieu d'avoir des feuilles de calcul éparpillées où l'information pourrait être répétée ou contradictoire, le chercheur a construit un système de 12 tables distinctes qui s'emboîtent comme un puzzle. Une table contient les détails des 16 stades, y compris leur capacité et, de manière cruciale, leur élévation au-dessus du niveau de la mer, ce qui peut affecter la respiration et la performance des joueurs. Une autre table suit les 1 248 joueurs, enregistrant leur taille, leur date de naissance, leur expérience internationale et leur valeur marchande estimée en euros. Un troisième ensemble de tables capture les 104 matchs eux-mêmes, les liant aux arbitres spécifiques, aux équipes impliquées et aux scores finaux. Cette structure permet à un cherchenaire de poser des questions complexes, telles que la manière dont l'altitude d'un stade à Mexico a influencé la performance d'une équipe d'une nation côtière, sans avoir à effectuer manuellement des recoupements entre des dizaines de fichiers différents.

Ce qui rend ce jeu de données particulièrement précieux est l'inclusion de mesures souvent absentes des données publiques gratuites. La collection comprend les « expected goals » (buts attendus), une mesure statistique qui estime la probabilité qu'un tir devienne un but en fonction de l'endroit où il a été tiré et de l'angle du tir. Elle fournit également des enregistrements minute par minute de qui jouait, quand ils ont été remplacés et combien de temps ils sont restés sur le terrain. Pour chaque match, le jeu de données offre un résumé des tactiques d'équipe, comme le temps pendant lequel une équipe a contrôlé le ballon et le nombre de tirs qu'elle a effectués. De plus, le chercheur a inclus des caractéristiques pré-calculées conçues pour aider les ordinateurs à apprendre des données, facilitant ainsi la construction de modèles par d'autres pour prédire les résultats des matchs. Les données couvrent l'intégralité du tournoi, des matchs de la phase de groupes jusqu'à la finale, capturant l'arc complet de la compétition.

Pour garantir la fiabilité des informations, le chercheur n'a pas simplement copié-collé des chiffres provenant d'Internet. Il a construit un système automatisé pour vérifier les données par rapport aux rapports officiels de la FIFA et d'autres sources faisant autorité. Ce processus a impliqué l'exécution d'une série de neuf tests différents pour vérifier que les chiffres étaient cohérents, parallèlement à une vérification manuelle de 30 matchs. Par exemple, le système a vérifié que le nombre total d'équipes et de joueurs correspondait au décompte officiel, qu'aucun match n'avait un score sans un statut correspondant, et que la somme des buts marqués par un joueur dans les journaux d'événements détaillés correspondait à ses buts totaux dans les statistiques des joueurs. Ce processus de vérification rigoureux a confirmé que les données étaient précises à un degré très élevé, avec un taux de précision empirique de 99,87 pour cent.

Les conclusions présentées dans ce travail ne sont pas seulement une liste de scores, mais une fondation vérifiée pour de futures découvertes. Les données révèlent un lien étroit entre les buts attendus qu'une équipe génère et les buts réellement marqués, montrant que les modèles statistiques utilisés pour prédire la performance s'alignent étroitement sur la réalité. Elles mettent également en évidence les disparités économiques entre les nations, montrant la valeur marchande totale des effectifs pour les 15 meilleures équipes qualifiées. Bien que le jeu de données n'inclue pas le suivi haute vitesse, seconde par seconde, de chaque mouvement de joueur en raison de restrictions de licence, il offre un niveau de détail rare pour les ressources en libre accès. Il capture les conditions physiques du tournoi, les décisions tactiques des entraîneurs et les contributions individuelles de chaque joueur dans un format prêt pour l'analyse.

Ce jeu de données est désormais disponible pour toute personne intéressée par la science du sport, fourni dans des formats pouvant être utilisés par des logiciels de bases de données standards et des outils d'apprentissage automatique. Il sert de référence pour les chercheurs qui souhaitent étudier comment l'expansion d'un tournoi affecte le jeu, comment différents environnements impactent la performance des joueurs, ou comment construire de meilleurs modèles pour prédire l'avenir du football. En rendant cette information ouverte et fiable, ce travail lève un obstacle important pour les scientifiques et les analystes, leur permettant de se concentrer sur la découverte plutôt que sur le nettoyage des données. Le résultat est un compte rendu clair et concret de l'un des événements sportifs les plus populaires au monde, préservé de manière à ce que l'histoire de la Coupe du Monde 2026 puisse être racontée non seulement à travers les moments forts et les gros titres, mais à travers les faits précis et interconnectés du jeu lui-même.