Scient s’est rendu à la 10e Edition de Devoxx France ! Nous vous proposons dans cet article un retour d’expérience sur les sujets qui nous ont marqués et ce que nous allons en retenir.
12-factor App : une excellente base de développement applicatif
Le “12 Factor app” est un manifeste proposant 12 bonnes pratiques concernant le développement d’applications Cloud.
La CDP, vraiment indispensable ?
Si l’on s’en réfère à la définition donnée par Gartner, la CDP “est une technologie marketing qui permet d’unifier les données clients en provenance du marketing et de tous les autres canaux afin de construire des profils clients et d’optimiser le timing et le ciblage des messages et des offres ».
Il s’agit donc d’une plateforme qui permet :
– De réunir la donnée client en provenance de différentes sources (web, mobile, CRM, social media, e-commerce etc.)
Gouvernance data : centraliser ou décentraliser ?
La data est une ressource de plus en plus maîtrisée et exploitée par les entreprises. Le cloisonnement de la donnée tend à disparaître chez les organisations. Gouverner et structurer la data devient donc nécessaire à toute entreprise voulant s’adapter et se développer...
Impact Covid sur l’IT : entre digitalisation accélérée et baisse des coûts, qui gagne ?
Avec la crise sanitaire et les bouleversements qu’elle a impliqués, la tendance à la rationalisation des coûts IT s’est d’autant renforcée. Les entreprises se sont empressées de prendre des mesures, comme réduire les effectifs ou exploiter au maximum leurs actifs IT....
Big Data/machine learning et Sport
Quasi-inexistante il y a 80 ans, l’économie du sport s’est développée de façon impressionnante pour représenter environ 3% du PIB européen. Ce marché représente environ 38,1 milliards d’euros en France.
Le secteur du sport s’est diversifié vers un grand nombre de segments et englobe aujourd’hui des activités variées. L’essentiel des revenus du sport professionnel proviennent des ventes de places aux événements, des droits audiovisuels, du sponsoring et de la vente de produits dérivés (pour certains acteurs les transferts de joueurs sont également une source de revenus). Les infrastructures sont devenues importantes et les investissements dans le milieu sont conséquents. Le sport amateur génère lui aussi une manne considérable avec une augmentation régulière du nombre de pratiquants au fil des années.
En parallèle de cette forte croissance économique, les performances sportives sont sans cesses améliorées. Les pratiques se sont scientifisées et de nombreuses innovations sont apparues pour soutenir cette course aux records.
L’intégration du big data ainsi que du machine learning dans le domaine sportif s’inscrit dans cette tendance tant économique que sportive d’accroissement des performances.
Le sport analytics est un ensemble de méthodes visant à analyser diverses données sur un sportif, sur une équipe ou sur l’environnement lié à la pratique. Ce champ d’analyse permet d’obtenir des statistiques et une représentation inédite des stratégies de jeux. Le sport analytics permet d’avoir une action prédictive concernant les performances (individuelles ou collectives) et sur les impacts physiques d’un effort (blessures, fatigues). Il est possible d’identifier le comportement « le plus probable » d’un adversaire et de construire une stratégie en fonction.
Cette capacité prédictive est possible par le croisement d’un grand volume de données et un algorithme de machine Learning. Ce dernier repose essentiellement sur des régressions linéaires et de l’inférence statistique.
Les données nécessaires pour l’analyse sont diverses : vitesse de course, rythme cardiaque, ensemble des déplacements sur le terrain, caractéristiques des déplacements de la balles, etc. Ces data nécessitent donc d’équiper les joueurs, le terrain et le matériel avec des capteurs. La partie IoT de la récupération des données est souvent assurée par des puces RFID.
Le Big Data et le machine learning permettent d’affiner les stratégies et les performances individuelles ou d’équipes, professionnelles ou non. Un entrainement spécifique peut être mis en place pour corriger les défauts relevés par l’analyse et être le plus adaptés aux caractéristiques de l’environnement et de l’adversaire.
Un exemple très significatif d’usage du sport analytics dans le monde professionnel est l’équipe de rugby de Leicester. Cette dernière utilise la solution d’IBM Business Analytics pour prévenir les blessures des joueurs. Le projet intègre des data objectives (durée de jeu, mesures médicales, répétitions) et des data subjectives apportées par le joueur (stress, moral). Ce système permet de détecter les joueurs « fragiles » et ainsi adapter leur suivi. Le système est déployé pour les espoirs ce qui permet également de détecter les joueurs avec un gros potentiel.
On peut penser qu’outre les données sportives, les clubs de sport collectent des données sur la nutrition, la génétique, le sommeil et les aspects médicaux. On dépasse ici la tendance de « Quantified self » (quantification de soi) où de nombreuses données sont continuellement collectées sur notre santé ou activité. L’ensemble de ces données permet de définir un profil avec plus de précision que ne l’aurait fait un groupe d’experts.
Ces informations permettent d’élaborer un entrainement très personnalisé qui permettra une progression plus rapide et efficace qu’un un entrainement « classique ».
De plus, ces data vont avoir un rôle crucial dans la détermination du prix d’un joueur sur le marché des transferts. Cela permet de détecter les espoirs et donc d’optimiser une composition d’équipe ou d’acheter à un prix plus « juste » (ou plus objectif) un jeune sportif.
On assiste donc à l’émergence de nouveaux métiers dans le monde du sport tels que les data scientist. Ces professionnels sont là pour mettre en place des systèmes technologique pertinents, cibler les données utiles et orienter l’analyse. Évidemment ces métiers sont réservés pour l’instant à de grands clubs peu regardant sur les moyens à déployer pour performer.
De nouveaux acteurs apparaissent dans le secteur comme PlaySight, une start-up dont l’objectif est l’analyse des actions sur un terrain de sport via un système de caméras HD et de capteurs. L’entreprise se base sur un algorithme de traitement d’images qui analyse les trajectoires de la balle et les déplacements des joueurs en temps réel. L’entreprise fournit aux sportifs et aux entraineurs une vidéo multi-angles et des statistiques. Il y a donc une assistance pour l’entraineur qui se voit proposer des analyses tactiques ou des axes d’amélioration.
Dans la même lignée, ShotTracker propose une solution moins onéreuse avec un équipement plus léger. L’entreprise n’utilise pas de caméra mais des capteurs placés dans les chaussures, sur le terrain et dans le ballon. L’offre de l’entreprise est pour l’instant restreint au basketball.
Big Data et machine learning vont aussi avoir un impact dans d’autres domaines que les performances sportives, comme pour les spectateurs et supporters. Les clubs sportifs sont devenus des entreprises à part entière et vont pouvoir améliorer ou développer la relation client grâce à l’essor de ces technologies.
La plateforme Throne permet de la prédiction de résultat. Stratagem quant à elle propose des conseils et des prédictions pour les paris sportifs. Elle associe l’analyse prédictive rendue possible grâce au big data et aux conseils humains.
La fédération anglaise de Rugby utilise le big data pour fournir des statistiques des matchs en temps réel. La fédération utilise une solution développée par IBM : « Trytracker ». Les téléspectateurs pourront également bénéficier de ces informations.
Le big data et le machine learning sont deux tendances technologiques qui vont avoir un impact majeur sur le secteur du sport. Les effets bénéfiques de ces technologies vont concerner les performances sportives, le développement du marché ou même l’expérience des supporters. Evidemment l’implémentation de ces technologies et relativement onéreuse aujourd’hui et creuse l’inégalité entre les acteurs capables de s’équiper et les autres.
