Fantasy Football & Data Science

Le terme « Fantasy » se décline sous de multiples concepts et sports : football, basket, hockey sur glace, baseball, cricket…

Le Fantasy, qu’est-ce que c’est ?

Ce sont des ligues sportives virtuelles jouées sur Internet. Le principe est simple. Une ligue regroupe plusieurs joueurs, chacun jouant le rôle d’entraîneur d’une équipe. Chaque joueur compose sa propre équipe.

Grâce à un budget virtuel, il interagit avec les autres participants. Il peut ainsi négocier la vente ou l’acquisition de joueurs. À chaque journée, son équipe reçoit des points. Ce total varie selon les vraies performances des joueurs qui la composent.

⚽ Dans le Football Fantasy, les points fluctuent selon les buts marqués, les passes décisives ou la moyenne des notes reçues. Le but du jeu est simple : devenir le meilleur entraîneur virtuel de la saison en cumulant le maximum de points. Les récompenses sont variées : cadeaux, argent, ou simplement la fierté d’avoir battu ses amis. C’est d’ailleurs cet aspect communautaire qui fait la force du concept. En France, un des jeux de référence est « Mon Petit Gazon (MPG) ».

Quel rapport avec la Data Science ?

Pour répondre, interrogeons Matt Marzillo, Data Scientist chez DataRobot, basé à Chicago.

« En tant que fan de football et scientifique des données, la question que mes amis me posent le plus souvent est la suivante : pouvez-vous m’aider à gagner ma ligue de Fantasy Football grâce à l’analyse prédictive, M. Data Scientist ? »

Pourtant, bien que fan de football depuis toujours, je n’ai jamais joué au Fantasy Football. Dans les ligues classiques, on forme une équipe de joueurs réels et on suit leur production sur la saison. Mais des sociétés comme DFS (DraftKings et FanDuel) ont changé la donne.

En effet, elles ont transformé la saison en compétitions quotidiennes et hebdomadaires. Les joueurs peuvent former autant d’équipes qu’ils le souhaitent. Les cagnottes sont énormes : on peut gagner jusqu’à 1 million de dollars en étant bon à DFS.

Malheureusement, n’ayant jamais joué, je ne suis sans doute pas très bon. Cela m’a toutefois semblé un problème bien adapté à la modélisation prédictive. Une fois que j’ai vu à quel point la plateforme DataRobot facilite la création de modèles, j’ai voulu tenter l’expérience.

Ma méthode 😎

Comme tout bon scientifique des données, ma première étape a été de définir le « problème commercial ». Pour cela, j’ai parlé à un expert : Gareth Goh, employé de DataRobot et ancien joueur DFS professionnel, qualifié pour le Championnat du Monde DraftKings 2018. Il a décrit le cadre de base à résoudre :

Prédire quels joueurs joueraient bien un dimanche donné, selon leur match et le contexte.
Identifier les joueurs au meilleur rapport qualité/prix (points fantasy par rapport au salaire DraftKings).
Construire une liste dans la limite du « plafond salarial » de 50 000 $.
Utiliser la théorie des jeux pour « zig quand les autres zag » et différencier sa stratégie.

Dans cet esprit, j’ai construit un modèle avec DataRobot pour prédire les performances des joueurs. J’ai combiné les projections de divers fournisseurs, une approche de « sagesse de la foule » et des statistiques hebdomadaires décalées. Ensuite, j’ai préparé et nettoyé ces données, puis je les ai chargées dans DataRobot. Enfin, j’ai laissé la plateforme gérer toute l’ingénierie des fonctionnalités.

Premiers essais et ajustements

J’ai ensuite construit un optimiseur avec des contraintes : le plafond de 50 000 $ et les postes (un quart-arrière, deux running backs, trois receveurs, etc.). J’ai pris les prédictions du modèle pour composer une équipe. Résultat en semaine 1 : zéro dollar gagné. Retour à la planche à dessin.

Gareth m’a alors expliqué que la plupart des joueurs créent plusieurs équipes, jusqu’à 150 par tournoi. Dans cet esprit, j’ai fait évoluer l’optimiseur pour générer plus de combinaisons. J’ai ajouté des estimations d’intervalle de prédiction, pas seulement des estimations ponctuelles.

Grâce à ces estimations, j’ai pu construire des distributions pour chaque joueur. J’ai aussi ajouté une contrainte : ne pas être trop exposé à un seul joueur. Par exemple, ne pas avoir Tom Brady dans plus de 50 % de mes équipes.

Le modèle et l’optimiseur ont généré des dizaines d’équipes. J’en ai choisi une poignée pour les tournois de la semaine 2… avec de bien meilleurs résultats ! Ma meilleure équipe a gagné 55 $ pour une mise de seulement 3 $. Un joli retour sur investissement 💸🖖

Les leçons tirées

Le reste de la saison a connu des hauts et des bas, comme tout jeu de football. J’ai continué à peaufiner mon modèle et à comprendre les nuances du jeu. Je reste convaincu qu’il s’agissait d’un problème de data science très naturel : utiliser des données historiques pour faire des prédictions, puis décider en fonction du ROI. C’est exactement ce que nous aidons les entreprises à faire chez DataRobot.

Ce que le modèle a bien prédit… ou non

Le modèle DataRobot a eu du mal à prédire les performances des défenses. Ce n’est pas une surprise : même en NFL, les performances défensives sont pleines de variance. En revanche, le modèle Running Back s’est révélé très précis dans ses projections de points.

Le football reste un sport notoirement imprévisible. La théorie des jeux et la difficulté du Fantasy m’ont fait réaliser une chose : l’expertise métier, associée aux meilleurs modèles prédictifs, reste cruciale. Intuitivement, cela a du sens. La production d’un running back dépend surtout du volume : plus il touche le ballon, plus il accumule des points. À l’inverse, la production défensive est l’un des aspects les plus aléatoires du sport.

Au-delà de la précision, la plateforme DataRobot m’a permis de construire un workflow complexe en très peu de temps. J’ai pu itérer rapidement et explorer des situations plus poussées. Le Fantasy Football reste très aléatoire, mais l’automatisation et la précision de DataRobot permettent à un novice de tenter sa chance avec succès.

Author Profile

Mathieu RONDEAU

Fantasy Football & Data Science

Le Fantasy, qu’est-ce que c’est ?

Quel rapport avec la Data Science ?