Réseaux neuronaux artificiels et recrutement de joueurs dans le football professionnel

L'objectif était d'identifier objectivement les indicateurs clés de performance dans le football professionnel qui influencent le statut des joueurs de champ en utilisant un réseau neuronal artificiel. Des données de performance technique moyennes ont été collectées auprès de 966 joueurs de champ (moyenne SD ; âge : 25 ± 4 ans, 1,81 ±) lors de performances de 90 minutes dans la Football League anglaise. Le système MatchViewer de ProZone et des bases de données en ligne ont été utilisés pour collecter des données sur 347 indicateurs évaluant le nombre total, la précision et la cohérence des passes, des tacles, des possessions récupérées, des dégagements et des tirs. Les joueurs ont été assignés à l'une des trois catégories en fonction de l'endroit où ils ont passé la plupart de leur temps de jeu lors de la saison suivante : groupe 0 (n = 209 joueurs) a joué dans une ligue de football inférieure, groupe 1 (n = 637 joueurs) est resté dans la Football League Championship, et groupe 2 (n = 120 joueurs) comprenait des joueurs qui ont été promus en Premier League anglaise. Les modèles créés prédisaient correctement entre 61,5 % et 78,8 % du statut ligue des joueurs. Le modèle avec la meilleure performance d'essai moyenne était pour le groupe 0 contre 2 (caps internationaux U21, caps internationaux, tacles médians, pourcentage de passes ratées en première intention upper quartile, maximum de dribbles et possessions récupérées minimum) qui prédit correctement 78,8 % du statut ligue des joueurs avec une erreur de test de 8,3 %. À ce jour, il n'y a pas eu d'exemple publié d'une méthode objective pour prédire la trajectoire de carrière dans le football. Il s'agit d'un développement significatif, car il met en évidence le potentiel de l'apprentissage automatique à être utilisé dans le processus de scouting et de recrutement dans un environnement de football professionnel.