Dans les années 90, si vous aviez suggéré que le corner à trois points était le meilleur tir au basket, vous auriez pu vous faire rire du gymnase.
Le jeu était encore largement dominé par une flotte de centres de sept pieds, dont la plupart ne pouvaient pas tirer à quelques mètres du panier. Même le MVP du jeu, Michael Jordan, était un spécialiste du milieu de gamme qui a en moyenne moins de deux tentatives à trois points par match au cours de sa carrière.
Avance rapide jusqu’à aujourd’hui, et les meilleurs joueurs font en moyenne environ 12 tentatives de balle longue par match – et ils préfèrent généralement les tirs du coin.
Qu’est ce qui a changé? Analytique.
“Quand j’ai commencé la profession, il y a 10 à 12 ans, l’analyse des données était presque inexistante dans les salles d’entraînement”, explique Adam Pettway, directeur de la force et du conditionnement pour le basket-ball masculin à l’Université de Louisville. “Aujourd’hui, nous avons une technologie de plate-forme de force, nous avons un entraînement basé sur la vitesse, nous avons un suivi GPS pendant les matchs et à l’entraînement, tout cela pour obtenir une analyse plus objective pour aider les athlètes. Il a donc connu une croissance exponentielle.”
Pettway, qui a précédemment fait partie du personnel d’entraîneurs des 76ers de Philadelphie et des Wizards de Washington, est titulaire d’un BA en sciences du sport, d’un MBA avec une spécialisation en gestion du sport et d’un doctorat en sciences du sport. Récemment, il a élargi sa formation grâce au programme de science des données appliquées (ADSP) du MIT pour la formation professionnelle.
“L’inscription à l’ADSP était principalement motivée par la curiosité d’apprendre et le désir de s’améliorer”, explique Pettway. “Pendant mon temps dans les sports professionnels et collégiaux, nous avons eu des départements entiers dédiés à la science des données, donc je sais que c’est un ensemble de compétences dont j’aurai besoin à l’avenir.”
Appliquer de nouvelles compétences
Petway a suivi des cours dans un format en ligne en direct. Bien qu’il ait été le seul entraîneur de force et de conditionnement de son groupe – apprenant aux côtés d’avocats, de professeurs et d’entrepreneurs – il dit que l’accent mis sur les données a donné à tous ses camarades de classe une sorte de langage commun.
“Dans l’esprit de nombreuses personnes, les mondes de la science des données et de l’entraînement en force et conditionnement de la NCAA peuvent ne pas se croiser. Nous avons constaté qu’il existe de nombreux autres secteurs professionnels et industriels qui peuvent bénéficier de la science des données et de l’analyse, ce qui explique pourquoi nous voyons un – un bassin croissant de professionnels de tous horizons. Partout dans le monde, ils rejoignent notre programme de science des données appliquées », déclare Bhaskar Pant, directeur exécutif de Career Education au MIT. “Il est passionnant d’entendre comment des acteurs du changement comme Adam utilisent les connaissances qu’ils ont acquises grâce au programme pour relever leurs défis les plus urgents à l’aide des outils de la science des données.”
“Avoir accès à ces praticiens de la science des données de haut niveau m’a été très utile”, déclare Pettway. “L’opportunité d’interagir avec mes camarades de classe, l’opportunité d’interagir en petits groupes avec des professionnels et des professeurs, était incroyable. Lorsque vous écrivez du code en Python, vous risquez de gâcher des points-virgules et des virgules, d’obtenir 200 caractères dans le code et de réaliser que ce ne sera pas le cas. Donc, la possibilité de faire une pause et de poser des questions, d’entrer vraiment dans le vif du sujet avec un groupe de pairs de différentes industries, c’était vraiment utile.
Petway souligne ses nouvelles capacités de programmation en Python et d’exécution de données via des programmes d’IA qui utilisent des techniques d’apprentissage non supervisées, comme principaux enseignements de son expérience. Il note que les équipes sportives produisent une multitude de données, mais les entraîneurs doivent être capables de traiter ces informations de manière à générer des informations exploitables.
“Maintenant, je suis capable de créer des arbres de décision, de visualiser les données et d’analyser les composants principaux”, déclare Petway. “Ainsi, au lieu de compter sur des entreprises extérieures pour venir me dire quoi faire, je peux prendre toutes ces données et publier moi-même les résultats, ce qui me fait non seulement gagner du temps mais aussi beaucoup d’argent.”
En plus de lui donner de nouvelles capacités dans son rôle d’entraîneur, les compétences ont été cruciales dans la recherche d’un article publié par Pettway et une équipe de plusieurs autres auteurs dans Journal international de la force et du conditionnement cette année. “Les données proviennent de mon programme de doctorat il y a environ cinq ans”, note Pettway. “J’avais déjà les données, mais je ne pouvais pas les visualiser et les analyser correctement avant de suivre un cours de formation professionnelle au MIT.”
La devise du MIT est «mens et manus» («l’esprit et la main»), ce qui se traduit par un apprentissage basé sur l’expérience. En tant que tel, il y a eu une réflexion considérable sur la façon dont le programme de science des données appliquées devrait être structuré. Chaque participant doit non seulement acquérir des compétences clés, mais également apprendre à appliquer ces connaissances dans des scénarios réels. Munther Dahleh, directeur de l’Institute for Data, Systems and Society, et du William A. Un instructeur ADSP.
Le rôle croissant des données dans le sport
Pettway dit que l’analyse pousse le domaine de la force et du conditionnement bien au-delà de l’époque où les entraîneurs disaient simplement aux joueurs de faire un certain nombre de répétitions dans la salle de musculation. Les appareils portables aident à suivre la distance parcourue par les athlètes pendant l’entraînement, ainsi que leur vitesse moyenne. Les données de la plate-forme de force Petway aident à analyser la force avec laquelle les basketteurs sautent (et atterrissent), et même à déterminer la force que l’athlète génère à partir de chaque jambe. À l’aide d’un outil appelé capteur de position linéaire, Petway peut mesurer la rapidité avec laquelle les athlètes déplacent une charge spécifique pendant les exercices de musculation.
“Au lieu de dire à quelqu’un de faire 90 % de son squat maximum, nous lui disons de squatter 200 kilos et de le déplacer à une vitesse de plus d’un mètre par seconde”, explique Pettway. “C’est donc plus basé sur la force et la vitesse que la musculation traditionnelle.”
L’objectif, dit Pettway, n’est pas seulement d’améliorer les performances des athlètes, mais aussi de créer des programmes d’entraînement qui réduisent les risques de blessures. Parfois, cela signifie s’éloigner des clichés sportifs bien usés sur le fait de “se donner à 110%” ou de “tout laisser sur le terrain”.
“Il y a une idée fausse selon laquelle faire plus est toujours mieux”, déclare Pettway. “L’un de mes mentors a toujours dit : ‘Parfois, il faut avoir le courage d’en faire moins.'” Nous devrons peut-être intervenir avec soulagement avant que les choses ne tournent mal. Il s’agit d’utiliser les informations pour prendre des décisions plus objectives. “
Pettway dit que la capacité de créer des visuels à partir de données a considérablement amélioré sa capacité à communiquer avec d’autres athlètes et entraîneurs sur ce qu’il voit en chiffres. “C’est un outil vraiment puissant, capable de prendre un tas de points de données et de montrer que les choses évoluent à la hausse ou à la baisse, ainsi que l’intervention dont nous aurons besoin en fonction de ce que les données suggèrent”, dit-il.
En fin de compte, note Pettway, les entraîneurs sont principalement concernés par un seul point de données : les victoires et les défaites. Mais à mesure que de plus en plus de professionnels du sport voient que la science des données peut mener à plus de victoires, dit-il, l’analyse continuera de prendre pied dans l’industrie. “Si vous pouvez montrer que se préparer d’une certaine manière augmente la probabilité qu’une équipe gagne, cela parle vraiment le langage des entraîneurs”, dit-il. “Ils veulent juste voir des résultats. Et si la science des données peut aider à obtenir ces résultats, ils seront achetés.”