Data scouting : utiliser les donnees sans remplacer l'oeil du recruteur

Ce que la data sait faire, et ce qu'elle ne sait pas faire

Les donnees repondent tres bien a une categorie de questions : combien, a quelle frequence, compare a qui. Elles repondent tres mal a une autre : pourquoi, dans quel etat d'esprit, tiendra-t-il dans un vestiaire difficile.

Une cellule qui l'oublie tombe dans l'un des deux fosses : le rejet integral du chiffre au nom de l'intuition, ou la confiance aveugle dans un score composite dont personne ne sait comment il est calcule. Les deux coutent cher.

La position utile est intermediaire : la data sert a reduire le champ et a verifier les impressions, jamais a trancher.

Les trois usages qui produisent un retour immediat

Usage 1 — Verifier ce qu'on vous declare

C'est l'usage le plus rentable et le plus neglige. Un agent annonce « 14 buts cette saison ». La verification prend deux minutes et fait apparaitre les cas classiques : les buts comptes toutes competitions confondues, les buts de la saison precedente, ou les buts inscrits en coupe regionale.

Rien de malhonnete la-dedans la plupart du temps : c'est un argumentaire, et il est presente sous son meilleur jour. Mais une cellule qui verifie systematiquement gagne deux choses : des fiches fiables, et une reputation qui ameliore la qualite des declarations futures.

Usage 2 — Contextualiser une performance

Vingt buts n'ont pas la meme valeur selon le volume de jeu de l'equipe, le niveau de la competition et le temps de jeu. Trois ratios simples suffisent a remettre la plupart des profils a leur place :

• Production par 90 minutes plutot que totaux bruts. Un joueur a 8 buts en 900 minutes est plus interessant qu'un joueur a 12 buts en 3000 minutes.
• Part de la production de l'equipe. Un joueur qui pese 30% des buts de son equipe porte une charge differente de celui qui en pese 8%.
• Stabilite sur deux saisons. Une pointe isolee est un signal faible. La regularite est un signal fort.

Usage 3 — Elargir la liste sans elargir le travail

Le troisieme usage est le plus connu : partir de criteres et sortir une liste de joueurs correspondants. Il est utile, a condition de le considerer comme un generateur de candidats, pas un classement.

Une liste issue de la data ne vous dit pas qui recruter. Elle vous dit qui regarder, y compris dans des championnats que votre reseau ne couvre pas.

Les pieges statistiques les plus courants

Le piege du petit echantillon

Un joueur qui a joue six matchs peut afficher des ratios spectaculaires. Sur six matchs, la chance domine largement le talent. En dessous de 1200 a 1500 minutes sur une saison, la plupart des indicateurs offensifs restent instables.

Le piege du niveau de competition

Comparer des chiffres bruts entre deux championnats de niveaux differents n'a aucun sens. Sans coefficient de ponderation explicite, une comparaison inter-championnats est un exercice de style.

Le piege du poste mal etiquete

Un joueur enregistre comme « milieu » peut etre une sentinelle ou un meneur de jeu. Comparer leurs statistiques revient a comparer deux metiers differents. C'est la raison pour laquelle le poste doit toujours etre saisi dans une liste fermee et suffisamment fine.

Le piege du score unique

Un indice global qui resume un joueur a une note sur 100 est confortable et dangereux. Il cache ses ponderations, donc ses choix implicites. Si personne dans la cellule ne peut expliquer comment il est calcule, il ne doit pas servir a decider.

Integrer la data dans le parcours d'une proposition

La data n'a pas besoin d'un service dedie pour etre utile. Elle a besoin d'etre placee au bon moment dans le process :

1. A l'arrivee : les statistiques declarees par l'agent sont saisies dans la fiche. Elles servent de premier filtre, avec la mention explicite qu'elles sont declaratives.
2. Avant la shortlist : verification et contextualisation. C'est l'etape ou 20 a 30% des dossiers tombent, sans avoir mobilise un deplacement.
3. Avant la decision : comparaison avec les joueurs deja presents au poste, et avec les autres candidats de la liste courte.

Placee ainsi, la data ne ralentit rien : elle evite des heures de visionnage sur des profils qui ne passaient pas le filtre des faits.

La data ne dit rien de trois choses essentielles

• Le comportement. Aucune metrique publique ne capture la maniere dont un joueur reagit a un remplacement, a une periode sans jouer, ou a un vestiaire tendu.
• La compatibilite tactique fine. Les modeles progressent, mais l'ajustement a un systeme precis reste un jugement d'entraineur.
• La disponibilite reelle. Aucune base ne vous dira si le joueur veut venir, si son agent detient un mandat, ni si son club acceptera de le vendre en janvier.

Ces trois angles morts sont precisement ce que le travail humain apporte. Ils justifient l'existence des recruteurs et des scouts — et expliquent pourquoi une cellule entierement automatisee n'a jamais fonctionne.

Par quoi commencer quand on part de zero

Inutile d'investir dans une plateforme d'analyse avancee des le premier jour. Trois etapes suffisent a obtenir 80% de la valeur :

1. Structurer la saisie. Sans champs normalises — poste en liste fermee, minutes, buts, passes decisives, competition — aucune analyse n'est possible. C'est la fondation.
2. Verifier systematiquement les declarations avant toute shortlist.
3. Produire trois graphiques mensuels : repartition par poste, par age, par situation contractuelle. Ils orientent le sourcing bien plus surement qu'un modele sophistique.

La data la plus utile a une cellule de recrutement n'est pas celle qu'elle achete. C'est celle qu'elle produit elle-meme, en structurant ce qui lui arrive deja.