Le « Big Data » peut-il prédire le nom du futur champion NBA ?

Le « Big Data », tout le monde en parle mais personne ne sait vraiment de quoi il s’agit. Mais sachez tout de même que mouliné dans des algorithmes, il peut permettre de prévoir les résultats d’un match NBA ou d’une série. Ou quand l’informatique analytique devient le meilleur parieur de l’Oncle Sam.

Vous voulez savoir qui va remporter le Game 2 entre les Warriors et les Blazers ? Ou qui de Toronto ou Miami passera en finale de conférence ? Facile, rendez-vous sur le compte Twitter de Harish Bhat, professeur à l’Université de Californie à Merced. Tous les jours depuis le début des playoffs, ce mathématicien passionné de basket tweete ses pronostics et jusque-là, il en est à 80% de réussite. La raison ? Des algorithmes personnalisés qui en 10 minutes sont capables de réaliser entre 10 000 et 100 000 simulations pour chaque équipe lors de chaque match. Il en résulte la prévision du vainqueur, publiée presque immédiatement sur le réseau social.

https://twitter.com/harishsbhat/status/726807091206217729

« Cela nous prendrait qu’une heure de simuler la saison entière 10 000 fois », explique ce professeur de l’Ecole des sciences naturelles de UC Merced. L’algorithme que lui et ses élèves ont conçu s’appuie sur le « Big Data » engendré par chaque équipe NBA, y compris les innombrables « play-by-play » des 1 230 matches de la saison.

« Nous n’en sommes encore qu’aux prémices de ce modèle statistique mais c’est amusant de constater à quel point il est déjà pertinent. Les autres analyses adoptent une approche globale, établissant un classement des équipes et calculant les performances de chacune uniquement dans certaines catégories », explique-t-il.

Les remplacements et les blessures pris en compte…

Son modèle est différent puisqu’il se se concentre sur les groupes de joueurs présents sur le terrain et prend en compte les remplacements. Pour s’en convaincre, il suffit de lire cet article sur ses travaux appliqués aux playoffs 2015.

Construits autour d’une chaîne de Markov, les algorithmes prédisent le résultat d’une rencontre en calculant le +/- des cinq joueurs qui se succèdent sur le terrain, l’analyse de toutes les actions de la saison ayant permis de déterminer quels groupes étaient utilisés par chaque coach, et combien de temps. En gros, Harish Bhat ajoute ainsi le différentiel (points marqués – points encaissés) de chaque groupe de joueurs, en fonction d’un temps de jeu qu’il peut à peu près évaluer.

Au final, il obtient alors un score pour chaque équipe et, en les comparant, déterminer un gagnant. En multipliant la simulation 10 000 ou 100 000 fois puis en faisant une moyenne, il peut ensuite déterminer une tendance statistique. Bien sûr, les changements tactiques, les match-ups et les pièges des entraîneurs ne sont pas pris en compte puisque les stats se basent sur des tendances générales. Ce qui est intéressant, c’est que le modèle peut très vite s’adapter puisqu’il est même capable de répondre aux « et si », comme par exemple « et si CP3 et Blake Griffin ne jouent pas quelles sont les chances des Clippers de battre les Blazers. »

Le but ? Permettre à d’éventuels parieurs de trouver le bon pronostic lorsqu’un joueur se blesse, ou sort du match. Même objectif sur la durée d’une série lorsqu’un joueur est absent…