Les modèles appliqués au football mobilisent quatre familles de données : les buts attendus (xG), la forme récente, les indicateurs de jeu (possession, tirs, duels) et les cotes du marché. Leur limite est structurelle : le football est un sport à faible score, et la recherche montre que moins un sport produit d'événements marquants, plus le hasard pèse sur son issue.
Ce que les modèles regardent au football
Quatre familles de données reviennent dans les travaux appliqués au football. Aucune n'est propre à l'IA : ce que les modèles apportent, c'est la capacité à les combiner sur des volumes importants.
| Famille | Ce qu'elle capture | Sa limite |
|---|---|---|
| Buts attendus (xG) | La qualité des occasions créées et concédées | Ne dit rien de la finition réelle d'un effectif donné |
| Forme récente | La dynamique sur les dernières journées | Sensible au niveau des adversaires affrontés |
| Indicateurs de jeu | Possession, tirs, duels, pressing | Corrélation variable avec le résultat |
| Cotes du marché | L'information agrégée par les opérateurs | Rend le modèle dépendant du consensus qu'il cherche à évaluer |
La dernière ligne mérite une attention particulière : de nombreux travaux utilisent les cotes comme variable d'entrée, parce qu'elles condensent une information difficile à reconstituer autrement. Le prix devient alors à la fois un point de comparaison et une donnée du modèle, ce qui limite la portée d'un écart entre les deux.
Cette page reste au football : xG, faible score, poids du match nul. Le cadre général de l'IA appliquée aux pronostics, tous sports confondus, est traité par IA et pronostics sportifs.
Le xG, et ce qu'il ne dit pas
Les buts attendus estiment la probabilité qu'une occasion devienne un but, à partir de sa position, de sa configuration et du contexte de l'action. Le total sur un match donne une mesure de la performance offensive et défensive indépendante du score final.
Son intérêt principal est de corriger la lecture d'un résultat. Une équipe qui gagne 1-0 avec 0,4 de xG contre 2,1 n'a pas produit la même performance qu'une équipe qui gagne sur la même marque avec 2,3 contre 0,5.
Ses limites sont tout aussi nettes : le xG est une moyenne construite sur un large historique, il ne connaît pas la qualité de finition spécifique d'un joueur, et sur un match unique l'écart entre buts attendus et buts marqués reste considérable.
Pourquoi le football résiste à la modélisation
Le football produit peu d'événements décisifs, ce qui donne au hasard un poids structurel.
La revue de Bunker et Susnjak, qui synthétise plus de deux décennies de travaux sur la prédiction de résultats en sport collectif, est explicite sur ce point. Deux observations chiffrées, vérifiées dans le texte de la revue :
- le football est le sport le plus étudié de tout le corpus, et pourtant la meilleure précision recensée y atteint 78 %, ce qui le place seulement en cinquième position des sports comparés ;
- des sports mieux classés en précision, comme le rugby à XV, doivent une partie de cet écart à des compétitions moins équilibrées — la revue insiste sur le fait que la profondeur de la concurrence pèse au moins autant que le sport lui-même.
La revue cite par ailleurs des travaux estimant que le hasard pur peut être le facteur déterminant de l'issue de jusqu'à 18 % des matchs d'une saison.
Ces chiffres portent sur la prédiction de résultats dans un cadre de recherche. Ils ne constituent pas un taux de réussite transposable à un pari : un pari se juge face à une cote et à sa marge, pas face à un pourcentage de bonnes réponses.
Jeu responsable — un modèle ne supprime pas le risque. Les paris sportifs comportent un risque de perte financière et présentent, selon l'Autorité nationale des jeux, le risque de jeu problématique le plus important au plan individuel parmi les activités régulées. Un chiffre produit par une IA ne rend aucun pari sans risque. Fixe un budget, ne cherche pas à récupérer tes pertes et utilise les outils de limitation ou d'auto-exclusion disponibles. En savoir plus sur le jeu responsable.
Le cas particulier du nul
Le football est l'un des rares sports majeurs à comporter une troisième issue, et c'est la plus difficile à modéliser.
Un nul n'a pas de signature statistique propre : il ne correspond ni à une domination ni à un déséquilibre, mais à un équilibre qui peut résulter de configurations très différentes. Plusieurs travaux recensés dans la littérature contournent d'ailleurs la difficulté en travaillant sur deux classes plutôt que trois — une simplification qui améliore mécaniquement la précision affichée sans améliorer la compréhension du match.
C'est un point de vigilance pratique pour lire un chiffre annoncé par un outil : une précision sur deux issues et une précision sur trois issues ne se comparent pas.
Ce que l'IA apporte au football — et ce qu'elle n'apporte pas
Trois niveaux à ne jamais confondre.
- Ce qu'elle permet de faire — traiter des saisons entières de données, comparer des indicateurs d'un match à l'autre de façon homogène, et suivre en continu ce que font les cotes.
- Ce qu'elle permet d'estimer — une probabilité par issue, avec une marge d'erreur qui reste importante sur un sport à faible score.
- Ce qu'elle ne permet jamais de conclure — le résultat d'un match, encore moins son score exact.
Cette page traite de l'angle données et modèles. La méthode d'analyse humaine d'un match de football — marché 1N2, poids du nul, calendrier — est traitée sur pronostic football, et les marchés réellement suivis par la plateforme sur cotes football.
Revenir au guide IA et pronostics sportifs →
Revenir au guide complet des pronostics sportifs →
Creuser le marché
Les mouvements de cotes ne sont qu'une partie de l'histoire. Voici les prochains sujets à lire.
IA et pronostics sportifs
Ce que l'IA peut faire pour lire des données, et ce qu'elle ne transforme jamais en certitude.
Comprendre le rôle de l'IAPronostic football : comment analyser un match
Marché 1N2, poids du nul, forme et calendrier.
Voir le guide footCotes football : les marchés suivis par OddScore
1N2, Over/Under buts et compétitions couvertes.
Voir les marchésPronostics sportifs : analyser avant de parier
Le guide complet du cluster : données, cotes, fiabilité, biais et rôle de l'IA.
Lire le guideQuestions fréquentes
Un modèle IA peut-il prédire un score exact ?
Ce n'est pas un objectif réaliste. Un modèle estime au mieux une distribution de scores possibles, dans laquelle le score le plus probable reste très minoritaire.
Qu'est-ce que le xG et à quoi ça sert ?
Les buts attendus mesurent la qualité des occasions créées plutôt que les buts marqués. L'indicateur sert à distinguer une performance solide d'un résultat obtenu sur peu d'occasions.
Pourquoi le foot est-il difficile à modéliser ?
Parce qu'il produit peu d'événements décisifs. La revue de Bunker et Susnjak (2022) relève que les sports à faible score comportent une part de hasard plus élevée dans leurs résultats, ce qui limite mécaniquement la précision des modèles.
Les cotes servent-elles de donnée d'entrée aux modèles ?
Souvent, oui. Plusieurs travaux recensés dans la littérature utilisent les cotes comme variable, précisément parce qu'elles agrègent une grande quantité d'information.
OddScore fournit-il des pronostics ?
Non. OddScore compare les cotes de plusieurs bookmakers, en retire la marge et suit leur évolution. La plateforme ne publie aucune sélection de paris et ne fournit aucun conseil de mise.
Sources & méthodologie
Cette page s'appuie sur une revue académique consacrée à la prédiction de résultats en sport collectif par apprentissage automatique, sur une revue systématique récente de l'usage de l'apprentissage automatique dans les paris sportifs, et sur le cadre réglementaire français publié par l'Autorité nationale des jeux.
- Rapporter les précisions observées telles que la revue les publie, sport par sport.
- Ne jamais présenter une précision de modèle académique comme un taux de réussite transposable à un pari.
- Distinguer l'estimation d'une probabilité de la désignation d'une issue.
- Présenter les travaux non encore relus par les pairs comme des preprints.
- Bunker, R. & Susnjak, T. (2022). The Application of Machine Learning Techniques for Predicting Match Results in Team Sport: A Review. Journal of Artificial Intelligence Research, 73, 1285-1322.
- Galekwa, R. M., Tshimula, J. M., Tajeuna, E. G. & Kyandoghere, K. (2024). A Systematic Review of Machine Learning in Sports Betting: Techniques, Challenges, and Future Directions. Preprint arXiv 2410.21484 (non relu par les pairs).
- ANJ — Les paris sportifs